Su mejor vendedor tiene años de respuestas en WhatsApp: ¿RAG o fine-tuning?

Imagine a su mejor vendedor. Cierra más que nadie, y lo hace desde su teléfono: sabe qué decirle al cliente que duda y al que regatea. Años de conversaciones de WhatsApp dejan ahí una parte valiosa —y desordenada— de cómo responde objeciones, explica condiciones y prepara cotizaciones. Un día, en el comité, alguien propone lo que parece obvio: «Entrenemos una inteligencia artificial con sus chats y que todos vendan como él».

La idea es buena en la intención y delicada en la ejecución. «Entrenar una IA» puede significar tres cosas muy distintas, con costos, riesgos y tiempos distintos. Elegir mal no solo gasta dinero: puede producir un asistente que repite errores, cita precios vencidos o usa datos de clientes para una finalidad que el aviso de privacidad quizá no cubra.

Este artículo es para quien decide sobre IA en un banco, una aseguradora, una fintech, una cadena de retail o una empresa regulada. Explica los conceptos sin jerga, compara las dos rutas más comunes y termina con el caso del WhatsApp resuelto, paso a paso.

Los conceptos, sin jerga

El modelo de lenguaje: un redactor que ha leído muchísimo

Un modelo de lenguaje es un sistema que ha leído enormes cantidades de texto y, con base en eso, calcula qué palabras siguen con mayor probabilidad. Por eso puede redactar y resumir con fluidez aparente; esa fluidez no sustituye la verificación de los hechos. Pero tiene dos límites que importan a un directivo: no suponga que conoce la información de su empresa (sus tarifas, políticas y expedientes) ni que lo que sabe esté vigente: se entrenó con información disponible hasta cierta fecha, no necesariamente con lo que cambió ayer. Cuando la respuesta dependa de ellos, hay que darle fuentes aprobadas y actuales. Además, puede equivocarse con total aplomo.

Instrucciones (prompting): el briefing

Es la forma más simple de dirigirlo: decirle, en cada consulta, quién es, qué tono usar, qué formato entregar y mostrarle uno o dos ejemplos. Es como darle un buen briefing a un analista nuevo antes de cada encargo. No cambia al modelo; cambia lo que se le pide.

RAG: el expediente correcto, antes de contestar

RAG significa, en inglés, generación aumentada con recuperación. La idea cabe en una frase: antes de contestar, el sistema busca en sus documentos aprobados los fragmentos pertinentes y se los entrega al modelo junto con la pregunta. Es el analista que, antes de responder, abre la política vigente y adjunta las páginas que usó.

Dos consecuencias lo hacen atractivo. La primera: el conocimiento vive en sus documentos, no dentro del modelo; si la tarifa cambia, se actualiza el documento. La segunda: la respuesta puede mostrar de dónde salió. Microsoft lo describe así en su documentación: el modelo recibe el contenido recuperado y genera «una respuesta que puede incluir citas a la fuente» [1].

Fine-tuning: el curso intensivo

Fine-tuning, o ajuste fino, es entrenar adicionalmente al modelo con ejemplos de lo que usted quiere que haga: dado este tipo de entrada, esta es la salida correcta. Es un curso intensivo para el analista. Aprende un estilo, un formato o una tarea concreta y la repite con consistencia. Lo que no aprende de forma confiable es lo que cambió después del curso: una tarifa nueva, una política corregida, el producto que se lanzó el mes pasado.

Qué resuelve y qué no resuelve cada uno

La distinción que ordena todo la plantea AWS así: si el modelo no tiene el conocimiento, se le entrega con RAG; si «el tono, el estilo de razonamiento o la ejecución de la tarea no coinciden con lo que usted requiere, a pesar de tener el conocimiento correcto», entonces fine-tuning [2]. OpenAI lo formula como dos ejes: el contexto (lo que el modelo no sabe, está desactualizado o es propietario) y el comportamiento (resultados inconsistentes, formato o tono incorrectos) [3]. Microsoft coincide: RAG para datos privados o cambiantes; fine-tuning para cambiar comportamiento, estilo o desempeño de una tarea, «en lugar de añadir conocimiento nuevo» [1]. (Las citas de proveedores están traducidas por nosotros.)

Qué implica cada ruta

Datos que se necesitan. RAG necesita documentos confiables, vigentes y con dueño. Fine-tuning necesita ejemplos aprobados de la tarea correcta. Microsoft recomienda ejemplos precisos, consistentes y representativos, y compararlos contra una evaluación independiente; la cantidad debe decidirse con pruebas, no con un umbral universal [4]. Y el punto no es la cantidad: el mismo documento pide revisar, antes de subir los datos, escenarios faltantes, duplicados, sesgos e información sensible [4].

Limpieza. En ambas rutas, preparar, revisar y mantener los datos exige trabajo relevante de negocio, jurídico y tecnología. En RAG, un documento contradictorio o viejo se convierte en una respuesta contradictoria o vieja, ahora con apariencia de fuente. Microsoft lo advierte: la calidad de un RAG depende de la preparación del contenido y de la recuperación, y aun con documentos el modelo puede dar respuestas incompletas o inexactas [1]. En fine-tuning, los ejemplos deficientes o poco representativos pueden trasladar al modelo patrones no deseados y degradar la tarea, incluidos los vicios; por eso requieren curaduría y evaluación.

Datos personales y consentimiento. Un chat de ventas contiene nombres, teléfonos, a veces datos financieros. La nueva Ley Federal de Protección de Datos Personales en Posesión de los Particulares, publicada en el Diario Oficial el 20 de marzo de 2025, dispone que todo tratamiento de datos personales está sujeto al consentimiento de su titular, salvo las excepciones de la ley (art. 7). Los datos financieros o patrimoniales requieren consentimiento expreso (art. 7) y los sensibles, expreso y por escrito (art. 8). Y si quiere usar los datos para una finalidad distinta de la que el aviso de privacidad anunció, la ley pide volver a obtener el consentimiento (art. 11) [5]. Incluso revisar los chats para preparar una muestra ya es un tratamiento de datos. La ley prevé excepciones al consentimiento, entre ellas que los datos se sometan antes a un procedimiento de disociación (art. 9), y define disociar como que los datos no puedan asociarse a la persona titular ni permitir, por su estructura, contenido o grado de desagregación, su identificación (art. 2). Pregunta para su área jurídica: ¿el aviso con el que esos clientes escribieron cubre que sus mensajes entrenen o alimenten una IA? Si la respuesta es «no sé», es una conversación que debe ocurrir antes de la técnica. Esto no es asesoría legal; es la lectura de un texto que su abogado debe confirmar para su caso.

Costo. RAG añade preparación de documentos, búsqueda y más texto por consulta (Microsoft lo enumera: costos de recuperación y de embeddings, y más tokens de entrada [1]). Fine-tuning añade preparación de ejemplos, entrenamiento, evaluación y, según el proveedor y el esquema de despliegue, costos de entrenamiento, alojamiento e inferencia [4]. Puede reducir la carga de instrucciones; la evaluación contra una línea base dirá si también mejora costo o latencia [4]. Ninguno es «siempre más barato»: depende del volumen, de la calidad de los datos y de lo que se quiera lograr.

Tiempo y mantenimiento. Con RAG, un cambio de política es un cambio de documento. Con fine-tuning, Microsoft recomienda reevaluar la calidad cuando cambian los datos de la tarea o el modelo base se acerca a retiro; podría requerirse reentrenamiento y redepliegue [4]; es decir, hay que revisar si los ejemplos aún representan la tarea y volver a validar. Es la diferencia entre actualizar una carpeta y volver a dar el curso.

Auditoría. Un RAG diseñado con control de acceso, registro y citas puede facilitar la revisión de qué contenido sustentó una respuesta: quién preguntó, qué documentos se consultaron y qué fuente se mostró. Nada de esto aparece por usar RAG; depende de cómo se construya, y Microsoft advierte que el contenido recuperado irrelevante puede producir respuestas inexactas y que el acceso debe controlarse [1]. Una cita no prueba por sí sola que la conclusión sea correcta, pero permite que alguien la revise. Un modelo ajustado no ofrece una fuente por respuesta; su rastro es el conjunto de ejemplos y las pruebas con que se aprobó, y eso hay que guardarlo y versionarlo.

Riesgo de aprender errores. Este es el punto del vendedor estrella. Sus chats crudos incluyen descuentos que no debió ofrecer, promesas que producto no cumple, respuestas improvisadas que funcionaron una vez y un tono informal que con otro cliente sería un problema. Un modelo ajustado con ese material no distingue el talento de la ocurrencia.

Con cuál empezar y por qué

La recomendación de los propios proveedores es empezar por lo más simple y subir de escalón solo cuando una prueba real lo justifique. AWS lo dice sin rodeos: «empiece con el enfoque más simple y profundice solo cuando deba» [2], y su propia secuencia va de usar el modelo tal cual, a instrucciones, a RAG, y deja el ajuste fino para cuando el comportamiento sigue sin coincidir [2]. También advierte que los equipos suelen saltar al fine-tuning «cuando un prompt bien estructurado lo habría resuelto en una tarde» [2].

Un matiz honesto: OpenAI no presenta esto como una escalera obligatoria. Su guía dice que mucha gente lo plantea como un flujo lineal (instrucciones, luego RAG, luego fine-tuning), pero que «a menudo no es así»: son palancas que resuelven cosas distintas y hay que jalar la correcta [3]. En la práctica ambas posturas coinciden en lo importante: primero diagnostique qué falla (¿falta conocimiento o falla el comportamiento?) y elija la intervención de menor complejidad que permita poner a prueba la hipótesis. Empiece midiendo el fallo: instrucciones si falta guía; RAG si falta información vigente o privada; fine-tuning si persiste una brecha repetible de comportamiento. Pueden combinarse si las pruebas lo justifican.

La razón ejecutiva: cada escalón agrega datos, costo, riesgo y operación. Antes de invertir, mida una línea base con casos reales y defina qué significa «contestó bien».

Cuándo sí conviene el fine-tuning, y cuándo combinarlos

Conviene cuando hay una brecha de comportamiento repetible y ejemplos aprobados suficientes. La documentación de Microsoft lista los casos típicos [4]:

• Formato o esquema rígido: salidas estructuradas, reportes con campos fijos.
• Estilo y tono consistentes, por ejemplo en atención a clientes.
• Reducir instrucciones muy largas, que encarecen y retrasan cada consulta.
• Destilación: usar las salidas de un modelo grande para ajustar uno menor que haga bien una tarea acotada, con menos costo y latencia.

También se combinan, y es una opción cuando las pruebas lo justifican: fine-tuning para el comportamiento, RAG para los hechos que cambian y deben citarse. Microsoft lo describe como mejorar la capacidad del modelo para usar el conocimiento recuperado y descartar lo irrelevante [4]. Un asistente que habla con el tono de su casa (ajuste) y consulta la tarifa vigente (RAG) resuelve ambas cosas.

El caso del WhatsApp, resuelto

Volvamos al comité. Esta es una secuencia para limitar el alcance inicial y generar evidencia antes de ampliar.

1. Una muestra exploratoria, no todo. Empiece con una muestra exploratoria, definida con Comercial, Jurídico y Seguridad, que cubra tipos de cliente, de objeción y de producto. Su tamaño debe bastar para evaluar el caso sin recolectar más datos de los necesarios. Menos datos personales en juego, menos limpieza.
2. Limpiar y proteger. Antes de usar una muestra, defina con jurídico la base aplicable y aplique una disociación que impida razonablemente reidentificar a clientes o colaboradores; retirar nombres, teléfonos y montos visibles por sí solo puede no bastar. Quedarse con el patrón, no con la persona.
3. Convertir en conocimiento aprobado. Del material salen preguntas frecuentes, respuestas modelo, manejo de objeciones, comparativos. El vendedor aporta el contexto; el dueño comercial o de producto y los responsables de precios, condiciones y políticas aprueban cada pieza. Así se separa lo que funciona de lo que fue una concesión de ocasión. Ese documento, con dueño y fecha de vigencia, es el activo.
4. RAG en modo «sugerencia al vendedor». El asistente no le contesta al cliente; le propone una respuesta al vendedor, con la fuente a la vista. Así se mide cuántas sugerencias acepta, cuáles corrige y dónde se equivoca. El envío y la decisión comercial siguen en manos de una persona, con criterios de revisión, poder de rechazar la sugerencia, registro de resultados y una ruta de escalamiento definida.
5. Capturar lo futuro por el canal oficial. Para que el conocimiento nuevo no siga viviendo solo en un teléfono personal, las conversaciones comerciales deberían pasar por un canal de la empresa, con aviso de privacidad claro, registro y permisos. Es la base de todo lo demás.
6. Después, y solo si hay una brecha de estilo que RAG no cierra, evaluar fine-tuning con ejemplos ya limpios y aprobados, no con chats crudos.

Una advertencia que debe decirse con claridad: extraer chats de un teléfono (exportarlos, copiarlos, usar programas que los lean) tiene implicaciones de privacidad —los clientes escribieron a una persona, no a un sistema de entrenamiento— y, si se trata de una cuenta de WhatsApp Business, no use exportadores, scrapers ni aplicaciones no autorizadas: los términos vigentes de WhatsApp Business App prohíben extraer datos del servicio y usar aplicaciones que interactúen con él sin autorización previa por escrito, y asignan a la empresa la responsabilidad de dar los avisos y obtener los derechos y consentimientos necesarios [6]. Revise el contrato, la política aplicable y el aviso de privacidad antes de integrar mensajes. No lo recomendamos como punto de partida. Antes de tocar un solo chat, consulte a su área jurídica y de seguridad, y revise con ellos qué se puede hacer, con qué base y por qué canal.

Cinco preguntas para su próximo comité

1. ¿Qué decisión va a asistir el sistema y cuál queda explícitamente en manos de una persona?
2. ¿Cuál es la fuente oficial de cada respuesta, quién es su dueño y cada cuánto cambia?
3. ¿Qué evidencia debe guardar cada respuesta para una aclaración, una auditoría o un regulador?
4. ¿Con qué base y aviso de privacidad tenemos esos datos, y qué viaja a qué proveedor o entorno? ¿Cubre el aviso este uso, quién puede ver los datos, cuánto tiempo se conservan y cómo se atienden acceso, corrección, cancelación u oposición?
5. ¿Cómo vamos a medir que funciona (qué error es tolerable, qué se escala a una persona) antes de ampliarlo?

Por dónde empezar esta semana, sin proyecto

Elija un tipo de pregunta de clientes (por ejemplo, objeciones sobre un producto). Pida a su mejor vendedor que escriba, en una hoja, las diez respuestas que daría y por qué. Con eso tiene un primer conocimiento aprobado, una muestra para probar un asistente en modo sugerencia y, sobre todo, la evidencia de si el problema es de conocimiento, de comportamiento o de ambos. Puede iniciar sin reutilizar chats históricos ni decidir una contratación.

Qué hace Hábil

Hábil lleva desde 2006 trabajando en la integración de sistemas. Hábil AI acompaña a empresas que evalúan cómo incorporar IA a procesos existentes. Cuando las políticas de su organización limitan el tratamiento de información fuera de su entorno, se revisa con usted si Nova es una alternativa aplicable y bajo qué condiciones.

La primera conversación es sin costo: parte de dónde vive hoy el conocimiento de su operación y de qué debe cuidarse antes de ponerlo a trabajar. Escríbanos por WhatsApp.

Consultadas el 6 de octubre de 2026; la referencia 4, el 19 de octubre de 2026.