Por qué la búsqueda con IA es complicada… y cómo Happeo la está dominando

La promesa de la búsqueda basada en la inteligencia artificial en el ámbito empresarial resulta muy atractiva. Imagina que los empleados encuentran sin esfuerzo la información exacta que necesitan, sin tener que lidiar con el desorden de documentos obsoletos y publicaciones irrelevantes. Es una visión de mayor productividad, intercambio fluido de conocimientos y una plantilla más conectada. Pero la realidad de la búsqueda con IA, especialmente en el complejo panorama de una intranet, es mucho más matizada.

Cómo funciona la búsqueda con IA

No todas las IA son iguales. Existen varios tipos de modelos de IA que pueden servir de base para la funcionalidad de la IA, siendo el modelo de lenguaje a gran escala (LLM) uno de los más populares debido a su profunda comprensión del contexto y a sus respuestas similares a las humanas. Esto convierte al LLM en una opción privilegiada, concretamente, para la tecnología de búsqueda basada en IA.

La mayoría de las funciones de búsqueda basadas en IA se basan en una arquitectura y una serie de pasos recomendados denominados «Generación Aumentada por Recuperación» (RAG). En términos sencillos, la IA actúa como un bibliotecario altamente eficiente, siguiendo estos pasos:

• Recuperación: busca en la intranet y en cualquier fuente integrada basándose en la consulta del usuario.
• Aumento: utiliza la información recuperada para formular una respuesta.
• Generación: entrega esa respuesta al usuario de una forma natural y comprensible.

Parece sencillo y el bombo que se le da a la IA hace que parezca una solución lista para usar. Sin embargo, hay algunos obstáculos importantes ocultos en este proceso.

Fiabilidad y calidad de los datos

La IA no es un experto en la materia; es simplemente un recuperador y sintetizador de información, un «bibliotecario», como lo llamamos, con un amplio acceso a la información. Es el proceso de recuperación el que ayuda al bibliotecario a comprender lo que quiere el usuario y a responder con una respuesta sintetizada.

Sus respuestas dependen por completo de la calidad y la precisión de los datos que encuentra. No puede determinar por sí misma qué información es «correcta» o «incorrecta». Solo puede evaluar lo que existe y, a continuación —basándose en los metadatos del usuario y en los metadatos de la información—, hacer una suposición fundamentada sobre la relevancia de esa información.

Esto plantea tres retos fundamentales:

• Datos incoherentes: si tu intranet está llena de políticas obsoletas, instrucciones contradictorias o información desorganizada, la IA tendrá dificultades para ofrecer respuestas fiables.
• Datos que faltan: si el conocimiento que buscan tus empleados simplemente no existe en tu intranet o en los sistemas conectados, la IA no tendrá nada con lo que trabajar.
• Integra todos los datos de la organización y filtra la información relevante.

Los peligros de los «cuasi-errores» y las «alucinaciones» de la IA

Uno de los aspectos más frustrantes de la búsqueda con IA son los «casi aciertos». La IA puede encontrar información que es casi correcta, lo que da lugar a respuestas que parecen precisas a primera vista, pero que contienen imprecisiones sutiles o conclusiones engañosas.

Otro reto que hay que superar son las «alucinaciones» de la IA, que se producen cuando se formula una pregunta y la IA no dispone de referencias para responder con precisión, por lo que inventa lo que considera una respuesta razonable. Estas «alucinaciones» de la IA pueden minar la confianza en la función de búsqueda y llevar a los empleados por el camino equivocado. Para que la búsqueda mediante IA tenga éxito, es fundamental —en lugar de llenar las lagunas de conocimiento con información inventada— identificar dichas lagunas y crear contenido correcto que enriquezca el conjunto de datos al que tiene acceso la IA.

Enfoque incremental para el perfeccionamiento de la IA

Aunque la solución definitiva pasa por mejorar los datos subyacentes, Happeo está trabajando activamente para mitigar estos problemas mediante mejoras continuas:

• Evaluación previa y posterior al enriquecimiento: al evaluar la información recuperada antes de que se utilice para generar una respuesta, y posteriormente evaluar la propia respuesta, podemos estar muy seguros de la calidad de la respuesta. De hecho, mostramos la evaluación de la respuesta para que puedas estar seguro de que era correcta.
• Mejoras en la recuperación: Las mejoras continuas en el algoritmo de búsqueda ayudan a garantizar que la IA recupere las fuentes más relevantes y fiables, reduciendo la probabilidad de un «fallo por poco».
• Comprensión contextual: comprender al usuario facilita que el sistema de recuperación encuentre la información relevante. Esto incluye una mejor comprensión del perfil del usuario (cargo, departamento, comportamiento de búsqueda anterior) y del aspecto temporal de los resultados, lo que mejora la relevancia de la respuesta.

• Enriquecimiento incremental e iterativo: con el paso del tiempo, a medida que se introduce nuevo contenido y se realizan mejoras adicionales, se añade más contexto y precisión a los datos subyacentes.

La solución definitiva: el motor de conocimiento

Aunque estos ajustes ayudan, la verdadera clave para una búsqueda fiable mediante IA es garantizar que los datos de los que se nutre sean precisos, completos y estén actualizados. No se trata solo de datos e información. Los datos y la información son hechos, pero la forma en que esa información se comprende, se sintetiza y se mejora allí donde falta es lo que permite que la información se transforme en conocimiento.

Por eso, el próximo «Knowledge Engine» de Happeo está revolucionando la búsqueda con IA (y mucho más). Esta sofisticada herramienta va más allá de la búsqueda tradicional con IA al ofrecer:

• Detección de lagunas: identifica de forma proactiva las lagunas de conocimiento dentro de tu intranet de Happeo basándose en las acciones de los usuarios y ofrece sugerencias a estos para que encuentren información más allá de la búsqueda. Lo más importante es que recopila las lagunas de conocimiento y las asigna a expertos en la materia.
• Creación de conocimiento: facilita la creación de nuevos contenidos para cubrir esas lagunas mediante el uso de nuestras nuevas funciones «Páginas IA» y «Asistente de redacción».
• Notificación a los usuarios: informa automáticamente a los empleados que han buscado esa información de que ya está disponible a través de un panel de control personalizado.

Al gestionar y seleccionar de forma activa la base de conocimientos de tu intranet, nuestro motor de conocimiento garantiza que todos los empleados (y la IA) tengan acceso a la información más precisa y actualizada posible, de forma instantánea y en todo momento.

El futuro de la búsqueda impulsada por IA

La búsqueda basada en IA es un campo en rápida evolución, y Happeo se enorgullece de estar a la vanguardia de la innovación. Aunque siguen existiendo retos, el potencial de una función de búsqueda verdaderamente inteligente y fiable está al alcance de la mano. Al combinar IA avanzada con un sólido sistema de gestión del conocimiento, estamos creando una experiencia de intranet que proporciona a los empleados la información que necesitan, justo cuando la necesitan.

La búsqueda basada en IA suele funcionar utilizando una arquitectura conocida como «Generación Aumentada por Recuperación» (RAG, por sus siglas en inglés). El sistema actúa de forma muy similar a un bibliotecario digital altamente eficiente, y opera mediante una secuencia de tres pasos para ofrecer respuestas naturales y similares a las de un ser humano. Este proceso se basa en modelos de lenguaje a gran escala, seleccionados por su profunda comprensión del contexto.

El primer paso de este proceso es la recuperación. Cuando un empleado escribe una consulta en la barra de búsqueda de la intranet, la IA analiza toda la intranet, así como cualquier fuente de datos externa integrada. Recopila todo el contenido relevante basándose en los términos utilizados y en la intención que subyace a la pregunta del usuario.

El segundo paso es la ampliación. En esta fase, el sistema toma toda la información sin procesar que acaba de recuperar y la estructura, utilizando los datos para formular cuidadosamente una respuesta coherente. Esto garantiza que la información se contextualice antes de pasar a la etapa final.

El paso final es la generación. El sistema de IA procesa la respuesta formulada y se la entrega directamente al usuario. En lugar de limitarse a mostrar una lista de enlaces, presenta la respuesta final en un formato natural, coloquial y muy fácil de entender.

Los motores de búsqueda basados en IA no poseen conocimientos especializados inherentes sobre la materia. En cambio, actúan como sintetizadores que dependen por completo de la calidad, la precisión y la exhaustividad de los datos de los que disponen. Dado que una IA no puede determinar de forma natural qué es objetivamente correcto o incorrecto, debe hacer conjeturas fundamentadas basadas en metadatos.

Esta dependencia de los datos existentes da lugar a «respuestas casi acertadas» cuando la IA encuentra información que es casi correcta. El sistema genera entonces una respuesta que, a primera vista, parece muy precisa, pero que en realidad contiene sutiles inexactitudes o conclusiones engañosas. Estas respuestas casi acertadas pueden minar rápidamente la confianza de los empleados en la herramienta de búsqueda.

Las «alucinaciones» se producen cuando un empleado formula una pregunta para la que la IA no dispone de datos de referencia que le permitan responder. Al existir una laguna de conocimiento, el sistema inventa lo que considera una respuesta razonable. Para evitarlo, la plataforma de búsqueda debe identificar de forma activa la información que falta y animar a los usuarios a crear contenido correcto que cubra esas lagunas.

El motor de conocimiento mejora la precisión transformando los datos estáticos en conocimiento activo y curado. En lugar de limitarse a buscar en los archivos existentes, esta herramienta gestiona y depura de forma activa la base de conocimientos de tu intranet. Para ello, se basa en tres funciones principales: detección de lagunas, creación de conocimiento y notificación a los usuarios.

Mediante la detección de lagunas, el sistema identifica de forma proactiva cuándo los empleados buscan información que no existe en la intranet. En lugar de dejar que la IA invente una respuesta, la herramienta registra estos errores de búsqueda. A continuación, señala automáticamente estas lagunas de conocimiento y las asigna a los expertos en la materia pertinentes dentro de la empresa.

Para ayudar a estos expertos, el motor facilita la creación de conocimiento. Utiliza funciones integradas, como Pages AI y un asistente de redacción, para ayudar a los expertos a redactar rápidamente el contenido que falta. Esto garantiza que la base de datos de la intranet se actualice constantemente con información precisa y actualizada.

Por último, la herramienta se encarga de notificar a los usuarios. Una vez que se ha creado y publicado la información que faltaba, el sistema avisa automáticamente a los empleados que la habían buscado anteriormente. Estas actualizaciones se envían directamente a través de un panel de control personalizado, lo que permite que todos estén al corriente.

Preguntas frecuentes

¿Cómo funciona la búsqueda basada en IA en una plataforma de intranet?
La búsqueda basada en IA suele utilizar una arquitectura denominada «Generación Aumentada por Recuperación» (RAG), basada en modelos de lenguaje a gran escala. Funciona en tres pasos: la recuperación, en la que la IA analiza la intranet y las fuentes conectadas en busca de contenido relevante; el enriquecimiento, en el que estructura esa información sin procesar para ofrecer una respuesta coherente; y la generación, en la que proporciona una respuesta natural y coloquial en lugar de limitarse a una lista de enlaces.

¿Por qué la búsqueda con IA no puede determinar si la información es correcta o incorrecta?
La IA no es una experta en la materia: es un sistema de recuperación y síntesis de información cuyas respuestas dependen por completo de la calidad y la precisión de los datos que encuentra. Solo puede evaluar lo que existe y hacer una suposición fundamentada sobre la relevancia basándose en los metadatos, pero no verificar de forma independiente la veracidad de los hechos.

¿Qué provoca que los motores de búsqueda basados en IA tengan «alucinaciones» o den respuestas «casi acertadas»?
Las respuestas «casi acertadas» se producen cuando la IA encuentra información que es casi correcta, lo que da lugar a una respuesta que parece precisa pero que contiene sutiles inexactitudes. Las «alucinaciones» se producen cuando no hay datos de referencia para responder a una pregunta, por lo que la IA inventa una respuesta que suena plausible en lugar de admitir la falta de conocimiento.

¿Cómo mejora el motor de conocimiento de Happeo la precisión de la búsqueda en la intranet?
El motor de conocimiento mejora la precisión al convertir los datos estáticos en conocimiento gestionado y curado de forma activa, en lugar de limitarse a buscar en los archivos existentes. Lo hace mediante tres capacidades: detección de lagunas, creación de conocimiento y notificación al usuario, actualizando continuamente la base de conocimiento de la intranet en lugar de dejar que la IA llene las lagunas con respuestas inventadas.

¿Cuáles son las tres capacidades principales del motor de conocimiento?
La detección de lagunas señala de forma proactiva cuando los empleados buscan información que no existe y asigna esas lagunas a expertos en la materia. La creación de conocimiento utiliza Pages AI y un asistente de redacción para ayudar a esos expertos a redactar rápidamente el contenido que falta. A continuación, la notificación a los usuarios avisa automáticamente a cualquiera que haya buscado previamente esa información una vez que se ha publicado.

¿Qué pueden hacer las organizaciones para mejorar la fiabilidad de la búsqueda mediante IA mientras trabajan en una solución completa de gestión del conocimiento?
Entre los pasos incrementales útiles se incluyen la evaluación previa y posterior a la mejora para valorar la calidad de las respuestas, las mejoras continuas del algoritmo de recuperación, una mejor comprensión del contexto del usuario (función, departamento, comportamiento de búsqueda anterior) y el enriquecimiento iterativo de los datos subyacentes a lo largo del tiempo a medida que se añade nuevo contenido.