Análisis de documentos
Tablas aplanadas en texto corrido, páginas escaneadas omitidas y encabezados repetidos en cada fragmento.
Análisis según el diseño, con OCR, estructura de tablas y orden de lectura preservados.
IA empresarial, fundamentada en el contexto de su negocio.
Diseñamos y construimos los sistemas RAG detrás de la IA empresarial: pipelines de documentos preparados para millones de páginas, recuperación ajustada a su corpus y contexto de negocio con control de permisos detrás de cada respuesta y de cada agente.
74M+
vectores indexados
112B+
tokens manejados
150K+
empresas basadas en Cody
87
países
Por qué decepciona la IA empresarial
El problema rara vez es el modelo. Es el contexto.
La mayoría de los pilotos de IA que se estancan ejecutan un modelo capaz sobre la evidencia equivocada. La calidad de las respuestas se decide antes: en cómo se analizan, fragmentan, indexan, filtran y ensamblan los documentos en el contexto. Esa capa es nuestra especialidad.
EtapaDónde fallaCómo lo resolvemos
Fragmentación
Un corte de tamaño fijo separa una cláusula de la excepción que cambia su significado.
Fragmentos que respetan la estructura, siguen las secciones y conservan la ruta del documento y sus encabezados.
Recuperación
La búsqueda solo vectorial pasa por alto números de pieza, SKU, siglas y nombres exactos de políticas.
Recuperación híbrida por palabras clave y semántica, fusionada y reordenada para su dominio.
Permisos
El asistente cita un documento que la persona que pregunta nunca tuvo permiso para abrir.
Permisos del sistema de origen sincronizados con el índice y aplicados en cada consulta.
Actualidad
La lista de precios del trimestre pasado responde con total seguridad a la pregunta de este trimestre.
Sincronización incremental, control de versiones y fechas de vigencia mantienen el índice alineado con la fuente de verdad.
Evaluación
Nadie sabe decir si el último cambio de prompt o de modelo mejoró o empeoró las respuestas.
Conjuntos de preguntas de referencia y evaluaciones de regresión controlan cada cambio antes de publicarlo.
Arquitectura de referencia
Anatomía de un sistema RAG en producción.
Cada proyecto parte de nuestra arquitectura de referencia y luego cada etapa se ajusta a sus documentos, sistemas, idiomas y perfil de riesgo. Nada es una caja negra: cada respuesta incluye una traza que usted puede inspeccionar.
- 01
Conectar
Ingesta desde donde ya vive el conocimiento, con sincronización programada y basada en eventos para cada fuente.
- Carpetas y unidades compartidas
- Wikis e intranets
- Sistemas de tickets y CRM
- Bases de datos y API
- 02
Analizar
Convierta PDF, escaneos, presentaciones, hojas de cálculo, correos y páginas web en texto limpio y estructurado sin perder tablas ni el orden de lectura.
- Análisis de diseño
- OCR
- Extracción de tablas
- Captura de metadatos
- 03
Fragmentar y enriquecer
Divida el documento según su propia estructura, añada títulos y rutas de sección, etiquete entidades y fechas, y elimine casi duplicados antes de generar cualquier embedding.
- Fragmentación por estructura
- Contexto padre-hijo
- Etiquetado de entidades
- Deduplicación
- 04
Vectorizar e indexar
Elija modelos de embeddings por idioma y dominio, y luego indexe los vectores junto con campos de palabras clave, metadatos y listas de control de acceso.
- Vectores densos + dispersos
- Filtros de metadatos
- Campos de ACL
- Índices versionados
- 05
Recuperar y reordenar
Reformule y descomponga la pregunta, ejecute la búsqueda híbrida, filtre por permisos y reordene para que solo sobreviva la evidencia más sólida.
- Reformulación de consultas
- Búsqueda híbrida
- Fusión de rankings
- Reordenamiento con cross-encoder
- 06
Generar y verificar
Ensamble el contexto dentro de un presupuesto estricto de tokens, responda con citas, verifique cada afirmación contra su fuente y absténgase o escale cuando la evidencia sea insuficiente.
- Presupuesto de tokens
- Citas en línea
- Verificación de afirmaciones
- Abstenerse o escalar
Traza de recuperación
Una respuesta, de principio a fin
Ilustrativo922 ms
¿Pueden nuestros técnicos de campo reemplazar la válvula X200 según el contrato de servicio de 2025?
Técnico de campoEMEANivel de servicio 2
Reformular y descomponer
3 subconsultas
38 msBúsqueda híbrida
palabras clave + vectores · 240 candidatos
71 msConsulta al CRM
contrato de servicio SA-2025-118
118 msFiltro de permisos
212 de 240 visibles para este usuario
5 msReordenar
cross-encoder · se conservan los 8 mejores
94 msEnsamblar el contexto
8 pasajes + 1 registro · 3.840 tokens
9 msGenerar
respuesta fundamentada · 3 citas
652 msVerificar afirmaciones
3 de 3 respaldadas
53 ms
Respuesta fundamentada
Sí. La cláusula 7.2 del contrato de 2025 cubre el reemplazo de válvulas in situ por técnicos certificados.1 Use la especificación de par TS-14 del procedimiento X200.2 Registre el cambio de pieza en la orden de trabajo.3
- 1Contrato de servicio 2025 · p. 14
- 2Manual de mantenimiento X200 · §4.3
- 3PNO de operaciones de campo v12 · p. 3
Observado de principio a fin. Cada etapa se traza y se mide, desde el recall de recuperación y la fundamentación hasta la latencia y el costo por respuesta, para que las mejoras se demuestren en lugar de suponerse.
Ingeniería de contexto
Los documentos son solo la mitad del contexto.
Una respuesta correcta depende de quién pregunta, de lo que es cierto en este momento y de lo que su empresa quiere decir con sus propias palabras. Diseñamos todo eso en una ventana de contexto que el modelo realmente puede aprovechar.
ventana contextual
Lo que ve el modelo para una respuesta
- Instrucciones y políticas800
- Quién pregunta150
- Estado de la conversación550
- Evidencia recuperada3600
- Registros de negocio en vivo1000
- Glosario y entidades300
- Reservado para la respuesta1600
Asignación ilustrativa. Los presupuestos se ajustan por modelo, idioma y caso de uso, y cada token tiene que ganarse su lugar.
Quién pregunta
El rol, el equipo, la región y los permisos deciden qué se puede recuperar y cómo debe plantearse la respuesta.
Lo que sabe la empresa
Políticas, manuales, contratos y resoluciones anteriores, recuperados como evidencia y citados hasta el pasaje exacto.
Lo que es cierto ahora mismo
Registros en vivo del CRM, el ERP y los sistemas de tickets y pedidos, consultados mediante herramientas en el momento de la pregunta en lugar de vectorizarse y quedar desactualizados.
Cómo habla su empresa
Glosarios, nombres de productos, siglas y resolución de entidades, para que «X200», «X-200 Pro» y «la válvula 200» se identifiquen como la misma pieza.
Lo que nunca debe ocurrir
Políticas, reglas de rechazo y rutas de escalamiento aplicadas antes de que el modelo escriba una sola palabra.
Diseñado para escalar
Pensado para millones de documentos, no para una carpeta de demostración.
Un piloto con 200 PDF demuestra muy poco. Producción significa ingesta continua, reindexación sin interrupciones y una latencia y un costo que siguen siendo predecibles a medida que crecen su corpus y su uso. En toda la plataforma Cody ya indexamos más de 74 millones de vectores.
Ingesta incremental
La detección de cambios solo vuelve a procesar lo que cambió, y las eliminaciones se propagan para que el contenido retirado deje de responder.
Reindexación sin interrupciones
¿Nuevo modelo de embeddings o nueva estrategia de fragmentación? Construimos el nuevo índice junto al que está en producción, lo evaluamos y después cambiamos el tráfico.
Presupuestos de latencia
Cada etapa tiene un presupuesto de tiempo. La caché, la recuperación en paralelo y el streaming mantienen las respuestas rápidas a medida que crece el corpus.
Costo por respuesta
Las dimensiones de los embeddings, la compresión del índice, la caché y el enrutamiento de modelos se ajustan para que los costos unitarios sigan siendo predecibles a gran volumen.
Recuperación multilingüe
Embeddings multilingües y análisis de palabras clave sensible al idioma, para que una pregunta en español encuentre la política redactada en inglés.
Aislamiento y residencia de datos
Índices separados o espacios de nombres filtrados por unidad de negocio, región o cliente, según sus requisitos de residencia de datos.
Medido y gobernado
Medido antes del lanzamiento. Trazable después.
La calidad y la gobernanza son trabajo de ingeniería, no una revisión al final. Construimos el marco de evaluación y los controles junto con el sistema, para que los responsables vean cómo funciona y por qué respondió lo que respondió.
Marco de evaluación incluido
Evaluar
Calidad de recuperación
Recall@k, MRR y nDCG medidos sobre conjuntos de preguntas de referencia redactados con sus expertos en la materia.
Evaluar
Calidad de las respuestas
Fundamentación, exactitud de las citas y exhaustividad puntuadas automáticamente y calibradas con revisión humana.
Evaluar
Controles de regresión
Cada cambio en prompts, modelos, fragmentación o índices vuelve a ejecutar la batería de pruebas antes de llegar a los usuarios.
Gobernar
Recuperación con control de permisos
Reglas de acceso de cada sistema de origen aplicadas en el momento de la consulta, con un registro de qué se recuperó y para quién.
Gobernar
Trazabilidad de extremo a extremo
Cada respuesta conserva su consulta, sus pasajes, las versiones del índice y del prompt, y el modelo, para que los revisores puedan reconstruir exactamente lo que ocurrió.
Gobernar
Revisión humana y escalamiento
Los umbrales de confianza derivan a personas las preguntas con poca evidencia, con un comportamiento alternativo claro.
Cómo trabajamos
De la auditoría del corpus a producción, un paso medido a la vez.
Cada paso produce evidencia que usted puede revisar: perfiles del corpus, líneas base de recuperación, puntuaciones de evaluación y un plan de producción con costos.
01
Auditar el corpus
Perfilamos sus fuentes por formato, volumen, calidad, duplicación, permisos y actualidad, y definimos los límites de gobernanza que el sistema debe respetar.
02
Línea base de recuperación
Con sus expertos creamos un conjunto de preguntas de referencia y medimos qué tan bien se puede recuperar su contenido antes de que un modelo escriba una respuesta.
03
Piloto con trabajo real
Un sistema funcional sobre una muestra representativa del corpus, usado por personas reales, con trazas y puntuaciones de evaluación que usted puede inspeccionar.
04
Escalar a producción
Ingesta completa, monitoreo, control de costos y un modelo operativo con un responsable claro para cada parte del sistema.
Estudio de diseño de solución
Explore el estudio de diseño de solucionesConvierta el enfoque en un plan listo para tomar decisiones.
Cuando la oportunidad está clara pero el sistema adecuado no, un Estudio de Diseño de Solución acotado pone a prueba sus documentos, la calidad de recuperación, los controles y los costos antes de que se comprometa con una implementación.
01
Evaluación del corpus y de la recuperación
Perfiles de las fuentes, líneas base de recuperación y las brechas que más importan.
02
Arquitectura de referencia
Decisiones de análisis, indexación, recuperación, modelos, integraciones y despliegue.
03
Prueba funcional con sus datos
Una experiencia representativa con trazas y puntuaciones de evaluación.
04
Plan de control y despliegue
Riesgos, propietarios, evidencia, costos y un camino práctico hacia la producción.
De nuestra investigación
Ver todos los artículosPublicamos lo que aprendemos.
Análisis extensos e independientes de proveedores sobre las partes de RAG que deciden la calidad de las respuestas: análisis de documentos, embeddings, bases de datos vectoriales y costos.
Análisis de documentos
¿Qué es Docling? Una guía práctica para el análisis de documentos para RAG
Docling convierte archivos PDF, archivos de Office, imágenes, correos electrónicos y más en datos estructurados para IA. Descubra cómo funciona, dónde encaja en RAG y cómo se compara con otros analizadores de documentos.
Leer artículoBases de datos vectorialesLas 8 principales bases de datos vectoriales para RAG en 2026
Compare ocho bases de datos vectoriales líderes para RAG mediante búsqueda híbrida, filtrado, implementación, multiinquilino y ajuste de producción, además de un marco de selección práctico.
Leer artículoCosto de indexación¿Cuánto cuesta vectorizar una base de datos para RAG?
Descubra lo que realmente cuesta vectorizar una base de datos para RAG, desde incrustaciones y análisis hasta almacenamiento vectorial, consultas, réplicas y reindexación.
Leer artículoModelos de análisisCohere Parse v5.0: Por qué el mejor RAG comienza con mejores documentos
Cohere Parse v5.0 convierte archivos PDF, diapositivas, tablas, formularios e imágenes en RAG listo para Markdown. Esto es lo que lo hace diferente, dónde encaja y qué significan sus límites para la búsqueda empresarial.
Leer artículoHabla con el equipo empresarial
Tráiganos sus documentos más difíciles.
Comparta el corpus, los sistemas y las preguntas que importan. Le diremos qué precisión es realista, qué hace falta para lograrla y si un Estudio de Diseño de Solución es el primer paso adecuado.
Una evaluación honesta de su corpus y de la calidad de recuperación
Una arquitectura diseñada en torno a sus sistemas y permisos
Un piloto medido con sus preguntas reales