Inicio · Blog · bot whatsapp base

bot whatsapp base

Bot WhatsApp con base de conocimiento personalizada 2026

Cómo implementar bot WhatsApp con base de conocimiento personalizada (RAG) entrenado en contenido real del cliente. Código, datos y dominio a tu nombre.

Pablo Estrada · 11 de mayo de 2026 · 4 min de lectura

Un bot WhatsApp con base de conocimiento personalizada usa RAG (Retrieval Augmented Generation) para consultar documentos reales del cliente (FAQ, manuales, catálogo, blog) y responder con información verificada, no con respuestas genéricas del modelo. Tu bot responde por WhatsApp en segundos con tu voz escrita, el cliente no nota la diferencia. El código, los datos y el dominio quedan a tu nombre.

Si diriges una empresa con catálogo extenso, FAQ complejas o documentación operativa que tu equipo cita seguido, este post te muestra cómo armar el bot con RAG bien.

Por qué RAG y no fine tuning

Tres razones operativas:

  1. RAG permite actualizar la base de conocimiento en minutos sin re entrenar
  2. Fine tuning es caro y se desactualiza con cada cambio de contenido
  3. RAG cita la fuente exacta, así que es auditable y defensible

Para 95% de los casos en LATAM, RAG es la decisión correcta. Fine tuning aplica para casos muy específicos (terminología técnica única, tono altamente específico) que generalmente no justifican el costo.

El caso real: base de conocimiento entrenada en una escuela

Una escuela llegó con un bot de WhatsApp sin estructura. Catalizadora entregó un bot entrenado en el contenido real de la escuela (cursos, calendario, profesores, política de pagos), que responde, hace los seguimientos de forma automática y pasa a una persona los casos complejos.

El bot atiende como un staff que conoce la escuela de memoria. La voz es propia, las respuestas son verificadas.

Arquitectura técnica de RAG

El stack para RAG productivo:

Capa Herramienta Función
Ingesta Script Python o n8n Subir documentos
Chunking LangChain o código propio Trocear texto
Embeddings OpenAI text-embedding-3-small Vectorizar
Vector DB Supabase pgvector o Pinecone Storage de vectores
Retrieval Top-k semantic search Recuperar chunks relevantes
Generación Claude o GPT 4 con contexto Respuesta final
Bot Backend Python o Node Orquestación

Supabase pgvector es nuestra recomendación por defecto: storage propio, sin SaaS adicional.

Flujo de query típico

Caso cliente pregunta política de cancelación:

  1. Cliente: "Si cancelo a 24 horas, ¿hay reembolso?"
  2. Bot recibe mensaje
  3. Bot genera embedding de la pregunta
  4. Vector DB busca top 5 chunks más similares (política de cancelación, términos, FAQ)
  5. Bot manda contexto más pregunta a Claude o GPT 4
  6. Modelo genera respuesta citando los chunks
  7. Bot manda respuesta al cliente

Tiempo total: 2 a 5 segundos. Respuesta basada en documento real, no en suposición.

Cómo organizar la base de conocimiento

Recomendaciones operativas:

  1. Un documento por tema (no juntar todo en un PDF gigante)
  2. Chunks de 500 a 1,000 tokens con overlap de 100 tokens
  3. Metadata útil: fecha de actualización, categoría, fuente
  4. Versionado: si cambia un precio, re vectorizar el chunk correspondiente
  5. Audit trail: cada respuesta del bot debe poder citar el chunk fuente

Lo que NO hace una base de conocimiento bien armada: mezclar políticas contradictorias, dejar versiones viejas, omitir metadata.

Guardrails: que el bot no alucine

Tres reglas:

  1. Si la similitud del top chunk es baja (menos de 0.7 cosine similarity), el bot dice "no tengo esa info, te paso con un asesor" en lugar de inventar
  2. Precios, stock y datos críticos vienen de base de datos, no de RAG
  3. KPIs y métricas se calculan en código TypeScript, no en respuestas del modelo

La narrativa se genera sobre datos verificados.

Cuánto cuesta y cuánto tarda

Así se ve MAGIA Solo para este caso:

  • Desde 4,500 USD
  • 15 días corridos
  • Bot WhatsApp con RAG personalizado más CRM más web más pasarela
  • Ingesta inicial de documentos (hasta 200 páginas estándar)
  • 3 sesiones de capacitación para mantener la base de conocimiento
  • Manual operativo
  • Capacitación y 6 meses de acompañamiento

Próximos pasos para tu operación

Si tu empresa tiene catálogo extenso (más de 100 productos), FAQ complejas (más de 50 preguntas frecuentes) o documentación operativa que tu equipo cita seguido, RAG es la palanca correcta.

  • MAGIA Solo para pyme y profesional independiente con contenido propio
  • MAGIA Core si manejas una empresa con varios departamentos y necesitas un bot RAG con permisos por rol

Una llamada sin pitch deck: conversación real sobre tu operación.

Cómo te ayuda Catalizadora

Construimos sistemas con IA a la medida, con el código 100% tuyo. Elige por dónde empezar:

  • Agente de IA para WhatsApp — MAGIA Solo: atiende, agenda citas y cobra con link de pago; listo en 15 días.
  • Tienda en línea con vendedor de IA — MAGIA Commerce: catálogo, carrito y cobro en tu web y en WhatsApp.
  • Agentes de IA para empresas — MAGIA Core: automatización empresarial y dashboards por rol.
  • Desarrollo de software a medida con IA — MAGIA Forge: para lo que no existe en el mercado.
  • Gratis: mide si ChatGPT y Google encuentran tu negocio — Radar
  • Ver precios · Academia de IA

Preguntas frecuentes

¿Qué es una base de conocimiento personalizada en un bot WhatsApp?

Una colección de documentos (FAQ, manuales, catálogo, blog) vectorizados que el bot consulta vía RAG para responder con información real del cliente, no con respuestas genéricas.

¿Cuánto cuesta implementar un bot WhatsApp con RAG personalizado?

Para un bot con RAG a medida, el precio está en la página de MAGIA Solo. Se entrega en 15 días con base de conocimiento propia, CRM y pasarela, y la operación mensual va de 200 a 400 USD, a costo.

¿Qué tipo de contenido se puede subir a la base de conocimiento?

PDFs, documentos Word, Google Docs, FAQ, posteos de blog, transcripciones de podcasts, manuales. Los formatos se procesan en chunks, se vectorizan y quedan listos para consulta.

¿El bot puede actualizar la base de conocimiento sin volver a entrenar?

Sí. RAG no requiere fine tuning. Si actualizas un documento, se re vectoriza solo y el bot tiene la nueva versión disponible en minutos. Cero downtime.

¿Funciona con OpenAI embeddings o solo con Anthropic?

Las dos opciones. OpenAI embeddings (text-embedding-3-small) o equivalentes son el estándar. Anthropic provee el modelo de generación (Claude). Las dos partes se eligen según caso.

¿Esto aplica a tu operación?

Déjanos tu correo y te escribimos en menos de 24 horas con un diagnóstico inicial sin costo. Sin pitch, sin agenda comercial.

¿Prefieres conversar antes? Agenda 30 minutos con Pablo Estrada — sin pitch deck.

Agendar llamada →

¿Prefieres aprender a hacerlo tú? El curso completo de la Academia son 8 clases, gratis y sin tarjeta.

Entrar a la Academia →

Sigue leyendo

Desarrollo de software a medida en Argentina: guía 2026Integrar DGI Panamá con sistema de facturación en línea 2026ROI de un agente IA para call center inmobiliario en México