Ertas para Bases de Conocimiento Internas

The Challenge

Toda organización acumula conocimiento institucional a través de wikis, páginas de Confluence, sitios de SharePoint, hilos de Slack, archivos de email y las mentes de empleados con larga trayectoria. Encontrar la información correcta cuando la necesitas es uno de los desafíos de productividad más persistentes en las organizaciones modernas. Los empleados dedican un estimado del 20% de su semana laboral buscando información, haciendo preguntas a colegas y recreando conocimiento que ya existe en algún lugar de la organización.

Las herramientas genéricas de chat con IA y las soluciones de búsqueda empresarial abordan parcialmente este problema pero se quedan cortas en aspectos críticos. Pueden recuperar documentos que contienen palabras clave relevantes pero no pueden responder preguntas que requieren sintetizar información de múltiples fuentes o comprender el contexto específico de la organización. Preguntas como '¿Cuál es nuestro proceso para manejar una violación de datos de un cliente?' o '¿Qué equipo es dueño de la integración de facturación con Stripe?' requieren conocimiento de los procesos específicos de la organización, estructuras de equipos y stack tecnológico — contexto que los modelos genéricos no tienen y que la búsqueda por palabras clave no puede proporcionar.

The Solution

Ertas permite a las organizaciones ajustar modelos de base de conocimiento con su propia documentación interna, pares de preguntas y respuestas de mesas de ayuda y canales de soporte, y documentación de procesos. El modelo resultante aprende la terminología, las estructuras de equipo, las herramientas y los procedimientos de la organización, de modo que responde en el contexto de la empresa y orienta a los empleados hacia los recursos adecuados. Combinado con RAG sobre los documentos vigentes, responde a partir de lo que aprendió en el entrenamiento y de la documentación actualizada.

En Ertas Studio, los equipos de gestión del conocimiento entrenan con pares de preguntas y respuestas seleccionados de canales de soporte internos, tickets de la mesa de ayuda de TI, respuestas a preguntas frecuentes de RRHH y entrevistas con expertos. El modelo aprende el contexto de cada respuesta: a qué equipo acudir, qué herramienta usar, qué proceso seguir y qué excepciones aplican. Exportado desde Hub y servido en infraestructura interna a través de AnythingLLM, Dify o una interfaz de chat propia, se convierte en un asistente conversacional que los empleados consultan en lenguaje natural, y las preguntas y respuestas se quedan dentro de la red de la empresa. Los datos de entrenamiento se cargan en las GPU en la nube de Ertas, así que deja fuera del conjunto de entrenamiento cualquier material restringido. Los permisos a nivel de documento corresponden a la capa de recuperación. Un modelo entrenado puede repetir cualquier cosa de sus datos de entrenamiento a quien se lo pregunte, así que entrénalo solo con conocimiento que todos los usuarios del asistente puedan ver.

Key Features

Example Workflow

Una empresa de tecnología de 2,000 personas tiene su conocimiento institucional repartido entre Confluence (15,000 páginas), Slack (3 años de historial) y una mesa de ayuda en Zendesk (50,000 tickets resueltos). Los equipos de TI y People Ops extraen 25,000 pares de preguntas y respuestas de tickets, canales de soporte en Slack y documentos de preguntas frecuentes seleccionados, eliminan datos personales y todo lo que esté restringido a equipos concretos, y los cargan en Ertas Studio. Los expertos revisan en Data Craft las respuestas de RRHH y de seguridad antes de aprobarlas. El equipo ajusta un modelo que conoce las herramientas de la empresa (nombres internos de sistemas, siglas, nombres de equipos), sus procesos (incorporación, compras, respuesta a incidentes) y sus políticas (vacaciones, gastos, clasificación de datos), y compara los entrenamientos con un conjunto reservado de preguntas reales de empleados. El modelo elegido se exporta y se sirve a través de AnythingLLM en infraestructura interna, con las páginas de Confluence cargadas como contexto RAG bajo los permisos existentes. Los empleados acceden mediante un bot de Slack y una interfaz web. El equipo sigue el volumen de tickets de la mesa de ayuda y la precisión de las respuestas con sus propias evaluaciones, y vuelve a entrenar cada trimestre con los nuevos tickets resueltos.