3.5. Casos de estudio RAG
3.5.1. Casos de uso reales: RAG en la trinchera
La teoría convence, pero los resultados arrastran. Ejemplificamos 3 implementaciones en México, con sus métricas, dolores y victorias.
El "Abogado Jr." automático
Contexto: Despacho boutique en Guadalajara con 19 abogados. Especialidad: Derecho Corporativo. El Dolor: La investigación de antecedentes para nuevos casos consumía 12 horas semanales por abogado senior. Leer jurisprudencia, buscar en contratos viejos y revisar el DOF era manual y propenso a errores por fatiga. Costo estimado: $720k MXN anuales en horas-hombre desperdiciadas.
La Solución (RAG): Implementaron un sistema local con Llama 3.1 70B (vía Together AI por el contexto largo).
Corpus: Indexaron 850 documentos internos (contratos anonimizados, sentencias ganadas, estrategias procesales).
Input: El abogado describe el caso nuevo en lenguaje natural.
Output: El sistema devuelve 5 antecedentes relevantes de la base interna + referencias a leyes vigentes.
Resultados a 90 días:
📉 Tiempo de investigación: Reducción del 68% (de 12h a 3.8h por caso).
🎯 Precisión: El sistema encuentra el 87% de los precedentes relevantes automáticamente.
🚀 ROI: 420% en el primer año.
Cualitativo: Se convirtió en la herramienta #1 de onboarding para abogados junior.
Automatización de pedidos
Contexto: Distribuidora de insumos (42 empleados) atendiendo a 180 hospitales y clínicas. El Dolor: Recibían los pedidos por correo electrónico en texto libre ("Mándame 5 cajas de lo de siempre y checa si tienes jeringas del 5"). Tres ejecutivas dedicaban 42 horas semanales a leer correos y capturar pedidos en el ERP. Tasa de error manual: 6.8% (envíos equivocados).
La Solución (Agente RAG):
Inferencia: Llama 3.2 8B procesando los correos.
RAG: Conectado al catálogo de productos (SKUs, precios, equivalencias) y al historial de compra del cliente ("lo de siempre").
Acción: Make.com toma la respuesta estructurada JSON y crea la pre-orden en el ERP.
Resultados a 120 días:
📉 Tiempo de captura: Reducción del 74% (de 42h a 11h semanales).
🎯 Errores: Bajaron del 6.8% al 1.9%.
⭐ Satisfacción: Las ejecutivas ahora dedican el tiempo libre a ventas proactivas y atención al cliente.
El experto de bolsillo
Contexto: Cadena con 3 sucursales y 8,000 SKUs. Alta rotación de personal de piso. El Dolor: Los clientes llegaban con preguntas técnicas ("¿Qué tubería uso para gas en exterior?"). Los vendedores nuevos no sabían la respuesta o tardaban 20 minutos buscando al gerente o en catálogos físicos. Se perdían ventas por falta de confianza.
La Solución (Chatbot RAG):
Interfaz: WhatsApp Business (herramienta que ya usaban).
Cerebro: RAG conectado a las fichas técnicas de los 8,000 productos y manuales de instalación de proveedores.
Uso: El vendedor escribe la duda del cliente en el grupo de WhatsApp y el bot responde al instante con el producto exacto y su ubicación en pasillo.
Resultados a 90 días:
⏱️ Atención: Tiempo de consulta reducido de 25 min a 3 min.
💰 Ventas: Aumento del 15% en ticket promedio (el bot sugería complementos: "Si llevas tubo, ofrece teflón y codos").
Cultura: Los vendedores nuevos se sienten expertos desde la primera semana.
Lecciones transversales de estos casos
Empieza por el dolor: Ninguno de estos casos empezó diciendo "queremos usar IA". Empezaron diciendo "Odiamos capturar pedidos" o "Perdemos mucho tiempo investigando".
Human-in-the-Loop: En todos los casos, la IA sugiere, el humano decide. El abogado revisa la jurisprudencia, la ejecutiva aprueba el pedido, el vendedor confirma el producto.
Datos sucios = Fracaso: La ferretería tuvo que dedicar 2 semanas a limpiar su Excel de productos antes de que funcionara. Sin ese paso, el RAG fallaba.
TU TURNO ¿Cuál de estos patrones se parece más a tu negocio?
El Buscador: (Legal) Buscar agujas en pajares de documentos.
El Traductor: (Médica) Convertir pedidos desordenados en datos estructurados.
El Asistente: (Ferretería) Dar conocimiento experto en tiempo real.
Última actualización