Cuando alguien dice “chat con documentos”, la mayoría visualiza una versión empresarial de ChatGPT: subes un fichero, conversas con él, descargas la respuesta. Esa imagen ha calado, pero es incompleta. En una operación documental seria —donde los documentos viven dentro de expedientes, dentro de procesos de negocio, dentro de bases de conocimiento— el chat con documentos no es una experiencia única. Son al menos cuatro experiencias distintas, con casos de uso, latencias y costes diferentes. Confundirlas es el primer error que comete una organización al diseñar su estrategia de asistente conversacional con inteligencia artificial.
De hecho, muchas decepciones con los asistentes conversacionales no tienen que ver con el modelo utilizado, sino con haber planteado la pregunta en el contexto equivocado.
Para entender cuándo conviene cada enfoque, merece la pena analizar los cuatro modos principales de chat con documentos. La distinción importa porque elegir mal el modo —chatear sobre un documento cuando la respuesta está en el expediente, o sobre la base de conocimiento cuando la respuesta está en un caso concreto— produce respuestas decepcionantes que el equipo confunde con problemas de modelo.
En muchos proyectos, la primera versión del asistente intenta resolver todos los casos de uso con un único tipo de chat. Normalmente, es ahí donde empiezan las frustraciones.
Aunque comparten una misma interfaz conversacional, estos cuatro modos se diferencian por la cantidad de información que procesan, el contexto que reciben y el tipo de preguntas que resuelven mejor.
El chat con documentos sobre un documento individual procesa un volumen pequeño con todo el contenido en contexto. El chat sobre un expediente procesa volumen medio (varios documentos relacionados) con el modelo de datos del caso completo. El chat sobre una base de conocimiento RAG procesa volúmenes grandes pero sólo recupera lo relevante para la pregunta. El chat sobre los resultados de una búsqueda procesa un subconjunto seleccionado por el propio usuario.
La consecuencia es que cada modo resuelve un tipo de pregunta. Algunas preguntas exigen mirar todo un documento; otras, sintetizar varios; otras, recuperar de un repositorio completo. Forzar un modo sobre la pregunta equivocada produce respuestas mediocres o caras —o las dos cosas a la vez.
El modo más básico de chat con documentos. El usuario selecciona un documento concreto y abre una conversación con él. La interfaz inyecta automáticamente el contexto del documento —el OCR completo, los metadatos, el tipo documental— en el prompt del modelo. La conversación es persistente: si vuelvo mañana al mismo documento, el hilo sigue ahí, con su historial.
Casos de uso típicos:
Lo importante de este modo es que el foco está exclusivamente en ese documento. El modelo no ve el expediente al que pertenece, ni los documentos relacionados, ni el ciclo de vida. Si la pregunta requiere esa información, este no es el modo correcto.
En Athento, el chat sobre documento individual mantiene hilos persistentes por documento, permite adjuntar otros ficheros puntuales en la conversación, soporta streaming de respuestas en tiempo real y, una capa más allá, permite al asistente ejecutar acciones sobre el propio documento desde el chat —actualizar un metadato, cambiar el estado del ciclo de vida, lanzar una operación. Esa última capacidad es la que convierte al asistente en algo más que un lector inteligente.
Aquí cambia el alcance de lo que a grosso modo se conoce como chat con documentos. El asistente tiene acceso al expediente completo —no solo a un documento, sino al conjunto de documentos, datos estructurados y metadatos que componen el caso.
Una reclamación con cinco documentos asociados (formulario inicial, fotos del producto, respuesta del soporte, factura, propuesta de resolución) se convierte en un objeto único sobre el que conversar.
Casos de uso típicos:
La diferencia clave con el modo 1 es que aquí el LLM recibe datos del expediente —no sólo binarios. Tipo de caso, estado actual, fechas relevantes, asignación, valor económico. Esto permite respuestas que mezclan información del documento con información del proceso de negocio, algo imposible en el modo individual.
Como en el modo anterior, el asistente puede ejecutar acciones sobre el expediente desde el chat, lo que es especialmente útil en gestión de casos donde la conversación lleva naturalmente a una decisión —marcar como resuelto, asignar a un equipo, generar la respuesta al cliente.
La diferencia entre chat con un documento y chat con un expediente no es de potencia: es de unidad. Para un equipo de soporte, el expediente —no el documento— es la unidad de trabajo. Este es el modo que más atención recibe porque escala. También es el modo que genera más expectativas irreales. Muchas organizaciones esperan que un asistente responda correctamente a cualquier pregunta sobre cualquier documento desde el primer día, cuando el resultado depende en gran medida de cómo se haya preparado la información.
En lugar de conversar con un documento o con un expediente, el usuario conversa con un conjunto de miles —o millones— de documentos. La pregunta dispara un proceso de recuperación: el sistema convierte la pregunta en embedding, busca los chunks más relevantes en el índice vectorial, los inyecta como contexto y deja al LLM generar la respuesta.
Casos de uso típicos:
La calidad de las respuestas en un sistema RAG está estrechamente ligada a la calidad del preprocesado. Sin un buen pipeline de preparación —extracción correcta de texto, conversión a Markdown, enriquecimiento con metadatos, chunking adecuado— las respuestas son inconsistentes. Con un buen pipeline, los resultados son medibles: en una evaluación reciente sobre la documentación oficial de Athento (1.761 artículos en español e inglés), el sistema alcanzó un 94,5% de recall y un 86,3% de precisión.
La calidad del modelo importa, pero rara vez compensa una base de conocimiento mal preparada. Algunas capacidades que distinguen un buen RAG de uno mediocre en este modo:
El cuarto modo de chat con documentos es el menos conocido y, en muchos escenarios, el más útil. Curiosamente, es también uno de los modos que más valor aporta a usuarios expertos, porque les permite combinar su conocimiento del negocio con la capacidad de síntesis del modelo.
El usuario lanza una búsqueda en el gestor documental con sus criterios habituales —tipo documental, fechas, palabras clave, estado del ciclo de vida— y, sobre los resultados, abre una conversación. El asistente procesa los documentos del resultado y responde preguntas sobre ese subconjunto concreto.
Casos de uso típicos:
Este modo es el puente entre la potencia del documento individual (control total sobre qué procesa el LLM) y la potencia del RAG (capacidad de hacer preguntas amplias). El usuario decide qué documentos entran en la conversación, lo que aporta precisión, y luego deja al asistente trabajar.
La limitación técnica en este modo es el número de documentos procesados. Por capacidad de contexto del LLM, Athento procesa los 10 primeros documentos de la página actual y soporta extensiones .doc, .docx, .html, .json, .md, .pdf, .pptx y .txt. Pero, para conjuntos pequeños y cuidadosamente seleccionados, este modo suele ofrecer respuestas más precisas que un RAG generalista.
La pregunta práctica es: ¿qué modo de chat con documentos conviene a cada caso de uso? En la práctica, estas pautas suelen funcionar bien:
Una observación final que conviene mantener presente: los cuatro modos no compiten entre sí, se complementan. Un mismo usuario puede empezar el día consultando la base de conocimiento general (modo 3), aterrizar en un expediente concreto que ha aparecido como referencia (modo 2), abrir un documento específico para revisarlo en profundidad (modo 1) y, al final del día, hacer una búsqueda transversal sobre todos los casos del trimestre para analizar tendencias (modo 4). Una buena plataforma documental ofrece los cuatro modos de forma integrada y permite saltar entre ellos sin perder contexto.
Cuando hablamos de chat con documentos solemos pensar en una única experiencia. En realidad, detrás de esa interfaz conversacional hay formas muy distintas de trabajar con la información, cada una diseñada para resolver problemas diferentes.
Confundir los modos —o reducirlos a una sola experiencia genérica— produce un asistente que funciona regular en todo y mal en lo importante. Distinguirlos y elegir el correcto en cada caso de uso es lo que separa un proyecto de chat con documentos basado en inteligencia artificial que aporta valor real de uno que se queda en demo.
En Athento, la gestión documental y las capacidades conversacionales conviven dentro de una misma plataforma, permitiendo trabajar con documentos, expedientes, bases de conocimiento y resultados de búsqueda desde una experiencia unificada.
Si quieres explorar qué modo de chat con documentos encaja mejor con tus procesos, podemos ayudarte a evaluarlo sobre casos reales de tu organización, contáctanos.
Es la estrategia de reducir el número de aplicaciones que utiliza una organización, sustituyéndolas por una plataforma capaz de cubrir varios procesos de negocio.
Athento puede substituir o consolidar procesos que tradicionalmente se gestionan mediante un ECM legacy, aplicaciones desarrolladas a medida y herramientas SaaS utilizadas por departamentos como RRHH, Legal, Finanzas, Operaciones o Atención al Cliente, unificando toda esa gestión en una única plataforma.
Depende del punto de partida. Según el perfil de la organización, el ahorro anual estimado puede situarse entre 40.000 € y 400.000 €, al reducir licencias, mantenimiento e integraciones.
No. Es posible comenzar por un único proceso e incorporar nuevos casos de uso de forma progresiva, obteniendo beneficios antes de completar la consolidación.
La cuarta edición de la Conferencia de Gestión Documental + IA en Español se celebrará online y de forma gratuita del 20 al 22 de octubre, con 12 sesiones en directo
Descubre la agenda de #Acelera2026, el evento IA en gestión documental con ponencias sobre IA, RAG, MCP, automatización y casos reales. ¡Regístrate gratis!
Descubre cómo preparar documentos para la IA mediante extracción de texto, limpieza OCR, metadatos y chunking para mejorar la precisión de los sistemas RAG ⚡️
Déjanos tus datos y te enviaremos el acceso por email
De conformidad con el art. 13 del RGPD y el art. 11 de la LOPDGDD, tus datos personales van a ser tratados por ATHENTO EUROPA S.L. con la finalidad de atender las consultas realizadas por los usuarios, siendo el consentimiento nuestra base legal para el tratamiento de tus datos personales. Sólo trataremos los datos que nos proporciones y podrán ser cedidos a terceros para poder cumplir la finalidad, como a ActiveCampaig u Open AI. Existen automatizaciones a través de Open AI, no obstante, hay intervención por lo que no se trata de decisiones automatizadas. Puedes ejercer tus derechos de acceso, rectificación, oposición, supresión, portabilidad y limitación de sus datos de carácter personal a través del email: dpo@athento.com. Puedes consultar la información adicional y detallada sobre Protección de Datos en nuestra Política de Privacidad.