Implementación del conocimiento empresarial en agentes de voz

A medida que las organizaciones adoptan Agentes de voz para ayudar a empleados y clientes, la calidad de la información en la que se basan estos Agentes se convierte en un factor crítico para su rendimiento. Los Agentes pueden razonar bien por sí solos, pero cuando deben reflejar políticas específicas de la empresa, detalles de productos o procedimientos internos, necesitan acceder a conocimientos fiables y bien estructurados.

Las bases de conocimientos para Agentes proporcionan esta base y especialización. Almacenan documentación, políticas, referencias técnicas, especificaciones de productos, materiales de soporte y otros recursos internos. Para utilizarlos eficazmente, el contenido debe seleccionarse, organizarse y estructurarse para que los Agentes puedan generar respuestas precisas y fundamentadas, en lugar de depender del conocimiento general del modelo, que puede estar incompleto o desactualizado.

Esta guía presenta estrategias prácticas para gestionar bases de conocimientos empresariales en implementaciones de Agentes, lo que permite que los Agentes de voz funcionen de forma consistente incluso con colecciones grandes y diversas de documentos.

Cómo acceden los Agentes de voz a tu base de conocimientos

Puedes configurar una base de conocimientos directamente en la plataforma ElevenLabs Agents. Ese contenido estará disponible para tu Agente durante las conversaciones.

La plataforma ofrece dos modos de uso para este contenido:

• Inclusión directa en el contexto: En bases de conocimientos pequeñas, el contenido se introduce directamente en la ventana de contexto del modelo. Esto ofrece acceso instantáneo con una latencia mínima y funciona mejor con bases de conocimientos pequeñas.
• Generación aumentada por recuperación (RAG): Cuando una base de conocimientos es demasiado grande para caber en el contexto, el sistema la busca y recupera únicamente las secciones más relevantes según la consulta del usuario.

Cuándo RAG es eficaz y cuándo no lo es

La decisión entre la inclusión directa y RAG depende principalmente del tamaño de la base de conocimientos.

Imagina una «Biblioteca de manuales de producto» con 1000 documentos que suman aproximadamente 2 millones de palabras (~2,6 millones de tokens). En este caso, la inclusión directa supera los límites de contexto de la mayoría de los LLM rápidos y RAG se activa. Por tanto, solo se recuperan fragmentos relevantes, lo que mantiene el contexto manejable independientemente del tamaño total de la base de conocimientos.

En cambio, para un documento de políticas de 4 páginas (~3000 tokens), la inclusión directa es más rápida y sencilla. RAG añadiría una latencia innecesaria. 

La plataforma ElevenLabs se encarga de esto automáticamente: la opción de activar RAG solo está disponible cuando tu base de conocimientos alcanza un tamaño en el que la recuperación sería más eficiente que la inclusión directa.

Las bases de conocimientos eficaces empiezan por preparar los documentos

Si una empresa tiene una base documental interna grande y variada, el primer paso no es la implementación, sino la selección del contenido. Las fuentes excelentes producen respuestas excelentes, mientras que las fuentes deficientes introducen errores y alucinaciones.

Selecciona el contenido antes de implementar. Archiva o elimina borradores desactualizados, versiones sustituidas y materiales irrelevantes. Si un documento no debería utilizarse para responder a preguntas de clientes, no debería estar en tu base de conocimientos. Esta selección garantiza que la fuente de información siga siendo fiable y reduce el ruido durante la recuperación.

Organiza por dominios. Estructura los documentos restantes en categorías diferenciadas y lógicas, como políticas de RR. HH., documentación de productos, acuerdos legales, manuales técnicos o procedimientos de atención al cliente. Esta organización por dominios se vuelve fundamental al implementar workflows multiagente en la plataforma ElevenLabs, donde Agentes especializados gestionan áreas de conocimiento específicas.

Calidad antes que cantidad. Una colección bien seleccionada de unos pocos documentos de alta calidad superará a un gran número de archivos de calidad diversa. Céntrate en la integridad, la precisión y la relevancia dentro de cada dominio. Empezar con datos limpios y organizados no es solo una buena práctica: marca la diferencia entre un Agente que satisface a usuarios y otro que les frustra con respuestas irrelevantes o contradictorias.

Estrategias de implementación de bases de conocimientos

Una vez que tienes los conocimientos y los patrones de acceso, la siguiente pregunta es cómo configurar la arquitectura de tu Agente para acceder a la base de conocimientos de forma eficaz. Las organizaciones pueden elegir entre cinco enfoques arquitectónicos que se implementan directamente en la plataforma ElevenLabs Agents, desde configuraciones sencillas hasta otras más complejas según la escala de conocimientos y los requisitos.

1. Base de conocimientos para un único Agente

La implementación más sencilla conecta una base de conocimientos directamente a un único Agente. Sube tus documentos seleccionados a la plataforma ElevenLabs Agents para crear una base de conocimientos y asígnala a tu Agente en los ajustes de configuración. No necesitas workflows, enrutamiento ni herramientas externas. Este enfoque ofrece el retorno de valor más rápido; es ideal para casos de uso concretos, como políticas de RR. HH. únicamente, documentación de productos únicamente o atención al cliente para una sola línea de productos.

Las limitaciones aparecen al aumentar la escala. El rendimiento puede empeorar con bases de conocimientos muy grandes o muy diversas. Sin especialización, el Agente busca en todos los documentos y puede recuperar resultados menos relevantes cuando los conocimientos abarcan temas muy distintos. Cuando notes que la precisión disminuye por la diversidad de la base de conocimientos, es el momento de pasar a workflows multiagente.

2. Separación de conocimientos entre varios Agentes

Para colecciones de documentos grandes y variadas, una arquitectura de workflow multiagente permite escalar de forma eficiente. Un Agente de orquestación analiza las preguntas entrantes y las dirige a Agentes especializados, cada uno con una base de conocimientos centrada en su dominio. Cuando un usuario pregunta «¿Cuál es la política de permiso parental en California?», el sistema identifica que está relacionado con RR. HH. y lo dirige a un Agente especializado en RR. HH., con acceso únicamente a documentos de RR. HH.

La implementación consiste en crear bases de conocimientos independientes para cada dominio, diseñar un workflow con nodos especializados y configurar condiciones de enrutamiento. Los contextos más pequeños y específicos mejoran la precisión y reducen la latencia, mientras que la separación por dominios simplifica el mantenimiento, ya que cada área se actualiza de forma independiente. Este enfoque es adecuado para empresas que implementan Agentes en varias áreas temáticas.

3. Enfoque híbrido: base de conocimientos para descubrir, herramientas para datos

Este patrón separa la comprensión de la consulta de datos. La base de conocimientos identifica la terminología y la vincula con identificadores del sistema añadidos como documento a la base de conocimientos, mientras que las herramientas webhook recuperan datos actualizados de fuentes autorizadas. 

Por ejemplo, ante la pregunta «¿Cuáles son los detalles de mi plan Premium Plus?», el Agente utiliza su base de conocimientos para identificar el ID del plan PLAN_001 y, después, llama a una herramienta que consulta tu base de datos en tiempo real para obtener los precios y las funciones actuales.

Esto garantiza la precisión porque los datos proceden de bases de datos en lugar de generarse mediante un LLM, proporciona datos en tiempo real que reflejan el estado actual y crea registros de auditoría mediante llamadas a herramientas registradas. Es adecuado para casos que requieren tanto comprender documentación como recuperar datos estructurados, algo habitual en atención al cliente, gestión de cuentas y comercio electrónico, donde los documentos explican conceptos pero las bases de datos contienen los datos actuales.

4. Base de datos vectorial externa

Las organizaciones pueden gestionar su propia base de datos vectorial (Pinecone, Weaviate, Qdrant) y exponerla mediante herramientas webhook personalizadas. Esto ofrece control total sobre la segmentación, los embeddings y los algoritmos de recuperación, pero añade carga operativa por la gestión de la infraestructura y latencia adicional por las llamadas a API externas. Puede aportar flexibilidad, pero también añade carga operativa y latencia externa. 

5. La arquitectura de doble cerebro

Algunas empresas ya mantienen sus propios LLM ajustados, y la forma más eficaz de conectarlos es directamente con la plataforma ElevenLabs Agents (LLM personalizado) o mediante una arquitectura de doble cerebro.

La arquitectura de doble cerebro (dos LLM activos) se utiliza normalmente cuando el LLM personalizado es demasiado lento para facilitar una conversación en tiempo real. En los casos en que se requiere un razonamiento más profundo o contexto adicional, el Agente funciona con un LLM más rápido que puede llamar al LLM personalizado del cliente para obtener información, que después se añade a la conversación mediante actualizaciones contextuales.

Como estas llamadas son asíncronas, la conversación se mantiene fluida mientras el backend realiza cálculos más complejos. Este enfoque permite a las empresas aprovechar su infraestructura de IA existente. 

Conclusión

Los Agentes de voz eficaces se basan en conocimientos claros y bien organizados. Cuando la información empresarial está estructurada, es precisa y resulta fácil de navegar para los Agentes, se convierte en una fuente fiable de la que pueden obtener respuestas fundamentadas y coherentes. 

La plataforma ElevenLabs ofrece gestión nativa de bases de conocimientos, workflows multiagente, integración con webhooks y API completas diseñadas para funcionar conjuntamente sin problemas. Cuando se implementa de forma meditada, con datos limpios y una arquitectura adecuada, la experiencia empresarial se vuelve accesible mediante conversaciones naturales. Bien hecho, no es solo un detalle de implementación, sino una ventaja operativa.

Guía práctica: escalar la subida de documentos

Consolida antes de subir. En lugar de subir 500 archivos individuales, combina todos los documentos de un dominio en un único archivo. Esto reduce la complejidad de gestión, simplifica la configuración del Agente y mejora la recuperación al mantener juntos los contenidos relacionados.

Agrupa los documentos estratégicamente por línea de producto, región, departamento o función. Cada base de conocimientos consolidada se asigna a un Agente (un único Agente) o a un nodo de Agente especializado (workflows multiagente). 

Aprovecha la API de ElevenLabs para subir contenido desde URL, texto o archivos. Integra las subidas en tu canalización de CI/CD para que la consolidación y las actualizaciones se realicen automáticamente cada vez que cambie la documentación de origen.

Guía práctica: actualización automatizada de conocimientos

Supervisa tus repositorios de documentación (Git, SharePoint, CMS). Cuando se detecten cambios, activa un reprocesamiento automatizado para consolidar los documentos actualizados.

Utiliza la API para actualizar bases de conocimientos mediante programación. Un workflow habitual: actualización de documentación → activación de la canalización de CI/CD → consolidación de documentos → llamada a la API para sustituir la base de conocimientos → los Agentes acceden al instante a la información actualizada.

Trata la documentación como código. Aplica a las actualizaciones de la base de conocimientos el mismo rigor de DevOps que a los despliegues de código. La arquitectura API-first de la plataforma facilita la integración con las canalizaciones existentes y mantiene la precisión y el cumplimiento normativo sin intervención manual.