# 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.<br>

{% tabs %}
{% tab title="⚖️ Despacho Legal (GDL)" %}

#### 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.
  {% endtab %}

{% tab title="🏥 Distribuidora Médica (CDMX)" %}

#### 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.
  {% endtab %}

{% tab title="🛠️ Ferretería Regional (Puebla)" %}

#### 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.
  {% endtab %}
  {% endtabs %}

***

#### Lecciones transversales de estos casos

1. **Empieza por el dolor:** Ninguno de estos casos empezó diciendo "queremos usar IA". Empezaron diciendo "Odiamos capturar pedidos" o "Perdemos mucho tiempo investigando".
2. **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.
3. **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.

{% hint style="info" %}
**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.
  {% endhint %}


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://incmty.gitbook.io/llama/sesion-3/3.5.-casos-de-estudio-rag.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.