Desde hace más de 10 años desarrollamos proyectos financieros basados en blockchain: exchanges de criptomonedas centralizados y descentralizados, bots cripto, pasarelas de pago, tokenización inmobiliaria, proyectos DeFi y NFT.
¿No sabe qué servicio le conviene?Describa su tarea y le propondremos el enfoque.Solicitar presupuesto
AI & ML
Desde 2023 desarrollamos IA para empresas: desarrollo de IA y LLM a medida, agentes de IA, chatbots e IA empresarial integrada con sus datos, productos y procesos.
Merehead crea sistemas de retrieval-augmented generation para sus empleados y clientes: búsqueda interna de conocimiento, asistentes de atención al cliente y funciones de IA dentro de un producto existente.
La mayoría de los proyectos empieza con un piloto acotado o con la revisión de un sistema que ya tiene. La calidad de las respuestas se prueba con sus preguntas reales antes de que nada pase a producción.
“Ahora el asistente RAG resuelve la mayoría de esas preguntas. Tras el piloto, el propio equipo pidió añadir materiales de nuestros otros productos.”
JC
James CarterResponsable de Atención al Cliente, EE. UU.
Consultoría RAG y evaluación de la preparación de los datos
¿Nuestros documentos darán respuestas fiables?
Desarrollo del pipeline RAG
Necesitamos búsqueda sobre nuestras fuentes, siempre sincronizada.
Aplicación e integración de LLM
Las respuestas deben aparecer en Slack, nuestro CRM o nuestro producto.
Evaluación y optimización de la calidad
Nadie sabe decir con qué frecuencia acierta nuestro prototipo.
Despliegue y soporte continuo
Tiene que funcionar en nuestro entorno, con datos que cambian cada semana.
Asistente de conocimiento internoAtención al cliente con chatbot de IAQ&A legal y de cumplimientoApoyo a ventasBúsqueda en documentación técnica
Caso de estudio
Caso: asistente RAG para una aseguradora
Condiciones de pólizas, instrucciones y procedimientos de siniestros, en departamentos que no pueden ver los archivos de los demás.
92%
de las respuestas confirmadas como correctasExpertos revisaron 500 preguntas de prueba
Tiempo para encontrar información
Antes15 min
Después3 min
Búsqueda híbrida: palabras clave + semánticaComprobación de relevancia antes de responderAcceso por departamentoEnlaces a los documentos fuenteMensaje “Información insuficiente”
Cada etapa termina con algo que puede abrir, probar y aprobar.
Informe de preparación de los datos
Sus responsables de datos confirman fuentes, carencias y reglas de acceso
Sistema RAG en funcionamiento
Sus usuarios lo prueban en la práctica con preguntas reales
Informe de evaluación de la calidad
Su revisor lo aprueba según criterios acordados
Código fuente y configuración de despliegue
Sus ingenieros lo revisan; la titularidad se fija en el contrato
Documentación y traspaso
Su equipo la revisa y asume las tareas acordadas
“La calidad del traspaso destacó. Recibimos las pruebas, la documentación y un proceso claro para actualizar la base de conocimiento. Nuestros ingenieros entendieron el sistema y asumieron su soporte sin depender del proveedor por mucho tiempo.”
Oliver BennettCTO, Reino Unido
Presupuesto
Qué determina el presupuesto de su desarrollo RAG
Dos sistemas RAG con la misma lista de funciones pueden requerir cantidades de trabajo muy distintas, porque la mayor parte del esfuerzo está en los datos que hay detrás. Por eso estimamos cada proyecto a partir de sus datos de entrada y no de una lista de precios.
1
Usted comparte los datos de entrada
Qué fuentes, cuántos usuarios, reglas de acceso, dónde se ejecuta, qué herramientas y cuánto le cuesta una respuesta incorrecta.
2
Desglose de horas por módulo
En cuanto comparta estos requisitos, nuestro Solutions Architect le enviará un desglose de horas por módulo.
3
Actualizado tras la auditoría de datos
Tras la auditoría de datos, la estimación se actualiza con lo que la auditoría encontró en sus fuentes.
4
Costes operativos tras el lanzamiento
El volumen de consultas y la elección del modelo son lo que más mueve esta cifra, así que la modelamos a partir del uso esperado dentro de la estimación.
Qué determina el coste
01
Número y formatos de las fuentes
El texto limpio en una sola wiki es fácil de indexar. Los PDF escaneados, las hojas de cálculo y las tablas complejas requieren parsing y comprobación adicionales.
02
Calidad de los datos
Los duplicados, las versiones obsoletas y los documentos contradictorios deben depurarse o clasificarse; si no, el sistema responderá a partir del documento equivocado.
03
Requisitos de control de acceso
Llevar los permisos de SharePoint o de un CRM a la búsqueda es un trabajo de ingeniería aparte.
04
Profundidad de las pruebas de calidad
Un asistente de soporte sobre documentación pública necesita menos revisión experta que una herramienta en la que confía su equipo legal.
05
Integraciones
Cada sistema de destino añade trabajo de autenticación, interfaz y mantenimiento.
06
Modelo de despliegue
Una configuración en la nube gestionada suele ponerse en marcha más rápido que una nube privada o un despliegue on-premises con un modelo autoalojado.
07
Volumen de consultas
Afecta más al dimensionamiento de la infraestructura y al coste de uso del modelo que al esfuerzo de desarrollo.
Como referencia
El asistente de la aseguradora descrito arriba cubrió 12.000 documentos de tres tipos con acceso por departamento, y un equipo de cuatro personas lo desarrolló en 10 semanas.
Un proyecto con menos fuentes y sin reglas de acceso necesita menos. Uno con más integraciones, seguridad más estricta o un modelo autoalojado necesita más.
Costes operativos tras el lanzamiento
Una vez en marcha, usted paga el uso del LLM (por token a través de una API, o alojamiento de GPU si el modelo se ejecuta en su entorno), el alojamiento de la base de datos vectorial, el cómputo para los procesos de ingesta y sincronización, y la monitorización y los logs. Añada tiempo de soporte para corregir problemas de recuperación y volver a ejecutar pruebas cuando cambia el contenido.
Los proyectos nuevos suelen pasar por cuatro fases. Cada una termina con una decisión suya antes de empezar la siguiente. Si ya tiene un sistema RAG, el trabajo empieza con su revisión y las fases se ajustan a lo que hay que corregir.
1
Descubrimiento y auditoría de datos
Qué necesitamos de usted
Acceso a fuentes de muestra, un responsable por cada fuente, un contacto de seguridad
Punto de decisiónAlcance del piloto: qué caso de uso, qué fuentes, qué usuarios
2
Piloto
Qué necesitamos de usted
Expertos en la materia que redactan preguntas de prueba y evalúan las respuestas
Punto de decisiónPasar o no a producción, según los criterios de calidad acordados
3
Desarrollo para producción
Qué necesitamos de usted
Requisitos de seguridad e infraestructura, acceso a los sistemas con los que integramos
Punto de decisiónAceptación del sistema de producción tras las pruebas finales
4
Puesta en marcha y soporte
Qué necesitamos de usted
Un responsable por cada fuente y un canal para los comentarios de los usuarios
Punto de decisiónQué fuentes o casos de uso vienen después
El calendario se fija tras la auditoría de datos. Para entonces sabemos cuántos documentos hay que depurar, cómo se almacenan los permisos y qué integraciones intervienen, y esos factores mueven el plazo más que la lista de funciones.
Modelos de colaboración
No tiene que comprometerse con un desarrollo completo desde el principio. La colaboración puede empezar solo con el descubrimiento, con un piloto o con la revisión de un sistema RAG que ya usa.
Solo el descubrimientoAuditoría de datos y alcance del piloto acordado
PilotoUn caso de uso acordado, probado con sus preguntas reales
Revisión de un sistema existenteUna revisión de un sistema RAG que ya usa
Datos y seguridad
Datos, integraciones y seguridad
Se acuerda antes de empezar el desarrollo: de dónde vienen los datos, cómo se mantienen al día, quién puede verlos y dónde funciona el sistema.
Sus fuentes, conectadas
PDF, Confluence, SharePoint, Notion, Drive, SQL, CRM, helpdesk. Las respuestas llegan al chat, a Slack o a su producto. Vea cómo integrar IA en una app.
Siempre al día
Los cambios se reindexan según el calendario y los documentos eliminados dejan de aparecer en las respuestas.
Solo para las personas adecuadas
Los permisos se comprueban en el momento de la consulta mediante su SSO, lo que elimina el riesgo descrito en OWASP LLM08:2025.
Funciona donde usted decida
Nube pública, VPC u on-premises, con un modelo comercial o self-hosted. Prompt injection y fugas de datos se cubren según el OWASP Top 10 for LLM Applications.
Pruebas de calidad
Cómo probamos la calidad de las respuestas antes del lanzamiento
Sus expertos definen qué es una respuesta correcta. Nada pasa a producción hasta que su representante aprueba los resultados.
01
Recopilar
Preguntas reales de tickets, chats y registros de búsqueda, con respuestas esperadas aprobadas por sus expertos.
02
Probar
Incluidos los casos en los que RAG falla: sin respuesta en las fuentes, documentos obsoletos, archivos restringidos.
03
Usted decide
Pasar a producción, corregir, reducir el alcance o parar. Mucho más barato tras un piloto que tras un desarrollo completo.
“El piloto sacó a la luz las carencias, así que ordenamos los documentos y afinamos la búsqueda. Ahora los nuevos empleados encuentran lo que necesitan más rápido y los responsables dedican menos tiempo a explicar lo mismo una y otra vez.”
Iryna KovalDirectora de Operaciones, Ucrania
A medida o gestionado
¿Necesita una solución RAG a medida?
El desarrollo a medida tiene sentido cuando sus fuentes son complejas o sensibles, cuando los usuarios necesitan distintos permisos de acceso o cuando el sistema debe ejecutarse en su entorno o dentro de su producto. En casos más sencillos, una plataforma RAG gestionada le lleva antes a un resultado funcional.
vs
Hecho para su caso
Implementación a medida
Ideal cuandoMuchas fuentes o fuentes poco habituales, reglas de acceso estrictas, integración en su producto
Control de datos y despliegueUsted elige nube, nube privada u on-premises, y los modelos
Profundidad de integraciónConectores creados para sus sistemas, dentro de lo que exponen sus APIs
PersonalizaciónRecuperación, ranking, prompts e interfaz creados para su caso
Tiempo hasta el primer resultadoMás largo, porque requiere descubrimiento y desarrollo
Modelo de coste continuoInfraestructura y uso de modelos bajo su control, más mantenimiento
RAG como servicio
Plataforma gestionada
Ideal cuandoPreguntas y respuestas estándar sobre documentos en formatos comunes y conectores compatibles
Control de datos y despliegueLimitado a las opciones de alojamiento y modelos del proveedor
Profundidad de integraciónLos conectores y widgets de la plataforma
PersonalizaciónConfiguración dentro de los ajustes de la plataforma
Tiempo hasta el primer resultadoMás corto para fuentes compatibles
Modelo de coste continuoSuscripción o tarifas por uso fijadas por el proveedor
Una cosa no excluye la otra
Un sistema a medida suele usar componentes gestionados, como una base de datos vectorial alojada o una API comercial de LLM; el asistente de la aseguradora descrito arriba funciona con la OpenAI API y AWS.
El fine-tuning es otra herramienta
Cambia el comportamiento del modelo, como su tono, el formato de salida o el manejo de términos del sector, pero no le da acceso a sus documentos actuales. Puede combinarlo con RAG cuando necesita tanto conocimiento actualizado como un estilo de respuesta concreto.
Si su proyecto va más allá de la recuperación, por ejemplo la selección de modelo o el fine-tuning, consulte nuestros servicios de desarrollo de LLM.
Elegir proveedor
Preguntas que hacer a una empresa de desarrollo RAG
Estas preguntas le ayudan a comparar proveedores con datos y no con promesas.
01
¿Pueden mostrar resultados medidos de un proyecto comparable y explicar cómo se midieron?
02
¿Quién decide qué es una respuesta correcta durante las pruebas y qué pasa si el sistema no cumple los criterios?
03
¿Cómo se guardan y comprueban los permisos de las fuentes en el momento de la consulta?
04
¿Dónde se ejecutará el sistema y dónde se guardarán nuestros datos y logs?
05
¿Cuánto costará al mes funcionar con nuestro uso previsto?
06
¿Quién es el propietario del código y del índice tras el traspaso?
Preguntas y respuestas
Preguntas frecuentes
Propiedad, preparación de los datos, integración, elección del stack y soporte tras el lanzamiento.
Sus datos siguen siendo suyos en cada etapa. La propiedad del código fuente, la configuración y el índice se fija en el contrato antes de empezar, así que sabe qué recibe en el traspaso.
No. La mayoría de los equipos empieza con fuentes desordenadas. Al principio lo importante es saber qué documentos son los oficiales y quién es su responsable. La auditoría de datos muestra qué hay que depurar, y la depuración que afecta a la calidad de las respuestas pasa a formar parte del alcance del proyecto.
Sí. La recuperación y la generación de respuestas pueden exponerse como una API a la que llama su producto. Las principales cuestiones de diseño son cómo su app transmite la identidad del usuario, para que se apliquen los permisos, y cómo las respuestas muestran sus fuentes en su interfaz.
Elegimos tras la auditoría de datos, en función de dónde pueden procesarse sus datos, el volumen de consultas previsto y los resultados en su conjunto de prueba. El asistente de la aseguradora descrito arriba usó Python, FastAPI, LangChain, PostgreSQL con pgvector y la OpenAI API en AWS. Si los datos no pueden salir de su entorno, un modelo open-source alojado en su infraestructura sustituye a la API externa.
El soporte cubre la monitorización, la corrección de problemas de sincronización y recuperación, y la reejecución del conjunto de prueba tras cambios en las fuentes o el modelo. Añadir nuevas fuentes o casos de uso es trabajo de desarrollo y se presupuesta aparte. El alcance y los tiempos de respuesta del soporte se fijan en un acuerdo separado.
Contacto
Cuéntenos su proyecto RAG
Para recibir una estimación, envíenos la lista de fuentes que debe usar el sistema, el número previsto de usuarios y cualquier requisito de seguridad o despliegue.
Conviene incluir
Las fuentes que debe usar el sistema
El número previsto de usuarios
Requisitos de seguridad o despliegue
Cualquier sistema RAG que ya use
Cookies en Merehead
Usamos cookies para medir el tráfico y mejorar nuestro marketing. Las cookies necesarias mantienen el sitio en funcionamiento y siempre están activas. Política de cookies
