Un modelo lingüístico genérico conoce el mundo, pero no conoce tu organización. Con las arquitecturas RAG (Retrieval-Augmented Generation) conectamos los modelos a los datos reales de la empresa — documentos, bases de conocimiento, sistemas de gestión — para que las respuestas sean pertinentes, actualizadas y verificables, con la referencia a las fuentes de las que proceden. Con los agentes damos el paso siguiente: la IA no solo responde, sino que ejecuta tareas — consulta sistemas, prepara documentos, inicia flujos — dentro de reglas y permisos definidos por ti.
No es teoría: la hemos construido
Nuestra plataforma RAG on-premise ACME ECMS IA & RAG Integration (Private, Simple & Fast RAG) es un stack completamente contenerizado, ejecutado en GPU dedicadas dentro de una red privada aislada: en nuestro Private Cloud & VDC o directamente en el centro de datos del cliente. Todos los componentes son open source y los modelos son intercambiables (Mistral, Gemma, Qwen…): ninguna llamada a servicios externos, ningún dato que salga del perímetro, sin vendor lock-in.
Cómo funciona: las tecnologías integradas
El flujo lógico tiene dos recorridos — la ingestion, que transforma tus documentos en una base de conocimiento privada, y la query, que lleva de la pregunta a la respuesta con las fuentes — más un circuito de medición de la calidad.
Mírala en acción
Una simulación del ciclo de vida real de la plataforma: el stack que arranca, los componentes que se integran y una petición que atraviesa el RAG — desde la shell del usuario hasta el espacio latente donde está indexado el conocimiento, y de ahí a la respuesta con las fuentes.
Demo: del docker compose up a la respuesta con las fuentes
Qué hace diferente a nuestra plataforma
- No solo vectores: un knowledge graph. Además del índice vectorial, LightRAG construye un grafo de entidades y relaciones (Apache AGE sobre PostgreSQL): las respuestas conectan los hechos, no se limitan a parecerse a la pregunta
- Re-ranking dedicado (vLLM): los fragmentos recuperados se reordenan por relevancia y se filtran antes de llegar al modelo — menos ruido, respuestas más precisas
- Un planner que decide: el agente evalúa cada pregunta y elige entre respuesta directa y RAG, explicando el porqué — sin búsquedas inútiles, sin respuestas inventadas
- Calidad medida, no declarada: RAGAS genera conjuntos de preguntas de prueba a partir de tus propios documentos y evalúa las respuestas con métricas, en italiano
- También las imágenes: el stack incluye la generación de imágenes on-premise (ComfyUI), con la misma confidencialidad que los textos
Gobernada como un servicio, no como un experimento
- Los datos no salen del perímetro: modelos, índices y documentos viven en la red privada dedicada — conformidad GDPR desde el diseño
- Componentes open source y modelos intercambiables: sin vendor lock-in, costes previsibles (el hardware es tuyo o por cuota, no por consumo de tokens)
- Operación incluida: monitorización de los contenedores, administración, volúmenes persistentes y backup con restauración verificable — con la supervisión opcional de nuestro NOC
- A medida: la plataforma es un punto de partida probado; modelos, fuentes de datos, permisos e integraciones se adaptan a tu contexto
Casos de uso típicos
- Búsqueda documental inteligente: consultar en lenguaje natural archivos, resoluciones, manuales y procedimientos — con la fuente citada
- Asistentes internos sobre la knowledge base corporativa: help desk, soporte operativo, onboarding
- Análisis y preparación de documentos: síntesis, clasificación, extracción de datos de expedientes y contratos
- Agentes en los procesos: tareas repetitivas ejecutadas por la IA dentro de los flujos de trabajo, con aprobación humana donde haga falta
Para quién: administración pública, sanidad y empresas que quieren los beneficios de la IA generativa sin renunciar a confidencialidad, conformidad y control — o que ya han probado la IA "genérica" y han visto sus límites con sus propios datos.
