Toda tu normativa está enterrada en correos y PDFs. Así la conviertes en algo que puedes preguntar
Pregunta en lenguaje natural — «¿qué pide esta compañía para un daño por agua?» — y obtén la respuesta con el párrafo exacto del documento original señalado. No una respuesta que tienes que creerte: una que puedes verificar.
El problema que nadie llama por su nombre
En un gabinete de peritos o en una gestoría, el conocimiento que de verdad importa no está en la cabeza de nadie: está disperso. Circulares de aseguradoras que llegan por correo. PDFs de criterios de tramitación. Normativa que cambia y de la que te enteras en un email de hace seis meses. Instrucciones de cada compañía sobre cómo quieren los informes, los plazos, los baremos.
Y cuando hace falta saber algo concreto —¿qué documentación pide esta compañía para este tipo de siniestro?, ¿cuál era el criterio nuevo que mandaron en marzo?— empieza la búsqueda. Alguien rebusca en el correo. Pregunta a la compañera, que tampoco se acuerda exactamente. Abre tres PDFs hasta dar con el bueno. O peor: tira de memoria y se equivoca.
Ese conocimiento existe, lo tenéis, lo habéis recibido. Pero está enterrado de tal forma que encontrarlo cuesta más que no tenerlo. Y la persona que lleva la administración acaba siendo el cuello de botella de algo que debería estar al alcance de cualquiera en segundos.
Lo que se puede hacer
Convertir toda esa montaña de correos y PDFs en algo a lo que simplemente le preguntas.
Subes los documentos —circulares, normativas, criterios, instrucciones— y el sistema los indexa. A partir de ahí, en lugar de buscar, preguntas en lenguaje normal: «¿qué plazo da esta compañía para entregar el informe?», «¿qué cambió en el último criterio de daños por agua?». Y el sistema te responde.
Pero la respuesta no es lo importante. Lo importante es esto:
La respuesta viene con la prueba
Aquí está la diferencia entre algo en lo que puedes confiar y algo peligroso.
Una IA que solo te da una respuesta es inútil para este trabajo, porque no puedes actuar sobre una circular de una aseguradora fiándote de algo que la máquina podría haberse inventado. En seguros y en normativa, equivocarte tiene consecuencias.
Por eso el sistema que construí no se limita a responder: te enseña el documento original, abierto en la página exacta, con el párrafo de donde ha sacado la respuesta resaltado. No tienes que creerte nada. Lees la fuente, en su contexto, en el PDF de verdad. La IA te lleva hasta la frase; tú decides.
Eso convierte el sistema de «un asistente del que desconfías» a «una forma rapidísima de encontrar exactamente dónde lo pone».
Honestidad sobre en qué punto está esto
El motor de todo esto —subir documentos, indexarlos, preguntar en lenguaje natural y obtener la respuesta con la fuente exacta señalada sobre el PDF— lo tengo construido y funcionando. Es un sistema real, no una idea sobre una servilleta. Está público en mi GitHub.
Lo que adaptaría contigo es lo específico de tu caso: conectar la entrada de tus circulares (por correo, por carpeta), organizarlas por compañía, ajustar las consultas a vuestro vocabulario. El motor está probado; el traje a medida es lo que haríamos juntos.
Y un punto que para vosotros pesa: esto se puede montar en infraestructura propia, sin que vuestros documentos —que a menudo contienen datos sensibles— tengan que salir a la nube de un tercero. Si el cumplimiento y la confidencialidad os importan, y en este sector deberían, es una conversación que conviene tener desde el principio.
La parte técnica (para quien le interese el cómo)
Si has llegado hasta aquí buscando el detalle de ingeniería, aquí está.
El sistema es una aplicación web completa: frontend en React + TypeScript, backend en Node + Fastify, y una arquitectura de datos pensada para esto. Cuando subes un PDF, se extrae el texto conservando las coordenadas de cada fragmento en la página (en qué página está y en qué recuadro), se trocea en fragmentos con solapamiento para no perder contexto, y cada fragmento se convierte en un vector mediante embeddings.
La consulta funciona así: tu pregunta se convierte también en un vector, se buscan por similitud los fragmentos más relevantes en una base de datos vectorial (Qdrant), se construye el contexto y se le pasa a un modelo de lenguaje para que redacte la respuesta. Hasta aquí, un RAG estándar.
La parte que marca la diferencia para este sector es la prueba visual de la fuente: como cada fragmento guarda sus coordenadas en el documento, la interfaz puede abrir el PDF en la página correcta y dibujar un resaltado justo encima del párrafo que respalda la respuesta. La cita no es un número al pie; es el texto original señalado con el dedo.
Otros detalles relevantes:
- Cada documento se puede consultar aislado o en conjunto, eligiendo qué fuentes entran en cada pregunta.
- Multiusuario con aislamiento de datos: cada usuario solo ve y consulta lo suyo.
- Despliegue autohospedado con Docker, lo que permite mantener los documentos dentro de tu propia infraestructura.
- Las claves y credenciales nunca se guardan en claro; van cifradas.
Stack: React · TypeScript · Node · Fastify · MongoDB · MariaDB · Qdrant · Docker.
¿Tu equipo pierde tiempo buscando «dónde lo ponía»?
Si en tu gabinete o gestoría el conocimiento útil está repartido entre correos viejos y PDFs que nadie encuentra cuando hacen falta, se puede convertir en algo que simplemente preguntas, con la fuente siempre a la vista. Cuéntame qué documentación manejáis y te digo con franqueza cómo encajaría.
Si tu gabinete maneja normativa, circulares y documentación dispersa, puedes ver el enfoque completo aquí: automatización para gabinetes de peritos.
Si este problema te suena, he preparado una página específica sobre el enfoque completo: gestión documental con IA.