Los equipos de oficina de IskayPet enfrentaban un desafío de conocimiento. Las respuestas a preguntas operativas cotidianas, como una política de devoluciones, un protocolo veterinario o un paso de incorporación, se encontraban en cientos de documentos de Microsoft SharePoint repartidos en cuatro idiomas y tres países. Encontrar la información correcta en grandes repositorios de documentos tomaba mucho tiempo. Cada nueva tienda, país o procedimiento hacía el problema más grande.
La Generación Aumentada por Recuperación (RAG) es la forma habitual de resolver esto. Pero ejecutar RAG en producción normalmente significa operar usted mismo bases de datos vectoriales, pipelines de embeddings y tareas de ingesta.
En esta publicación, mostramos cómo IskayPet, una empresa líder en cuidado de mascotas en Iberia, construyó un asistente de conocimiento corporativo sobre Amazon Bedrock Managed Knowledge Bases. El asistente responde a las preguntas de los empleados sobre operaciones de retail, atención veterinaria, personas e incorporación, y compras, en cuatro idiomas y en tres países, sin infraestructura RAG que gestionar. El equipo construyó toda la solución, desde el frontend orientado a las tiendas hasta la arquitectura y el despliegue en AWS, usando Kiro con Claude Haiku 4.5. Cubrimos la arquitectura, la integración con SharePoint, las decisiones de configuración de la recuperación y los resultados en producción.
Acerca de IskayPet
IskayPet es una empresa líder en cuidado de mascotas en Iberia. Opera más de 330 tiendas en España, Portugal y Francia bajo las marcas Kiwoko, Tiendanimal, Kivet, Clinicanimal y Animalis. Con más de 4,500 empleados y 7 millones de clientes, IskayPet dirige operaciones que abarcan retail, clínicas veterinarias, cuidado de animales, compras, y personas e incorporación. Cada área tiene sus propias políticas y procedimientos, en español, portugués, francés e inglés.
El desafío
En todas las áreas de negocio, el personal de oficina de IskayPet buscaba a mano entre cientos de documentos de SharePoint para responder preguntas operativas sobre procedimientos, políticas, contratos e incorporación. Con operaciones en tres países y cuatro idiomas, esto tomaba tiempo real, y la respuesta a menudo estaba desactualizada o era incorrecta.
No había una forma confiable de consultar el conocimiento corporativo, y el problema crecía con cada país, área o documento añadido. IskayPet necesitaba una solución que pudiera hacer lo siguiente:
- Responder preguntas en lenguaje natural basadas en sus propios documentos corporativos.
- Funcionar en cuatro idiomas sin mantener sistemas separados.
- Enrutar cada pregunta al cuerpo de conocimiento adecuado (un área, un país) sin contaminación cruzada.
- Escalar a nuevas áreas y países sin rediseñar la arquitectura.
- Citar sus fuentes para que los empleados puedan confiar y verificar las respuestas.
- Reutilizar sus repositorios existentes de SharePoint sin una migración costosa.
Por qué Amazon Bedrock Managed Knowledge Bases
IskayPet eligió Amazon Bedrock Managed Knowledge Bases por su infraestructura RAG administrada, que eliminó la necesidad de ejecutar almacenes vectoriales, embeddings o pipelines de ingesta. Las razones principales fueron:
- RAG administrado: Amazon Bedrock gestiona la ingesta de datos, el análisis multimodal, el almacenamiento vectorial, la generación de embeddings y la recuperación. IskayPet paga solo por lo que almacena y recupera.
- Conector nativo de SharePoint: El conector ingiere documentos directamente del entorno de SharePoint existente de IskayPet, lo que evitó una migración de datos. Con la indexación avanzada habilitada, también procesa contenido de imágenes incrustadas en los documentos.
- Búsqueda híbrida integrada: Combinar búsqueda semántica y por palabras clave (BM25) sin costo adicional recupera términos exactos, como códigos de producto y referencias, que la búsqueda puramente semántica puede omitir.
- Reordenamiento administrado: Los pasajes recuperados se reordenan por relevancia sin cargo adicional.
- Control de acceso a nivel de documento: La base de conocimiento puede aplicar los permisos del sistema de origen en el momento de la recuperación, de modo que una consulta devuelva solo pasajes de documentos que el usuario solicitante ya está autorizado a leer. Esto permite a IskayPet reutilizar los permisos de SharePoint en lugar de reconstruir un modelo de autorización.
- Flexibilidad de modelos: IskayPet puede comenzar con un modelo rentable y cambiarlo más tarde sin reescribir la infraestructura.
- Evaluación RAG nativa: El equipo midió la calidad en cada paso con las herramientas de evaluación integradas.
Descripción general de la solución
El siguiente diagrama muestra el flujo de extremo a extremo, desde la pregunta del empleado hasta la recuperación consciente de permisos y la respuesta fundamentada y con citas.
Figura 1: Arquitectura de la solución
La solución es un asistente al que los empleados acceden a través de sus canales existentes. Cuando un empleado hace una pregunta, el asistente recupera los pasajes más relevantes de su base de conocimientos, restringidos a los documentos que el empleado está autorizado a leer. Luego genera una respuesta fundamentada y con citas en el idioma del empleado.
A grandes rasgos, el flujo funciona de la siguiente manera:
- Un empleado envía una pregunta en lenguaje natural a través de la interfaz de chat.
- La aplicación consulta la base de conocimiento del asistente solicitado, pasando la identidad del empleado para que se apliquen permisos a nivel de documento en la recuperación.
- La base de conocimiento ejecuta una búsqueda híbrida (semántica y por palabras clave) sobre el contenido indexado, reordena los resultados y devuelve los pasajes más relevantes con sus referencias de origen.
- Un modelo fundacional (FM) genera una respuesta fundamentada a partir de los pasajes recuperados. El prompt exige citar las fuentes e indica al modelo que diga cuándo la respuesta no está en el contenido recuperado.
- El empleado recibe la respuesta junto con los documentos de origen y puede dejar retroalimentación (pulgar arriba o abajo) que alimenta el conjunto de evaluación.
Construcción de la solución con Kiro y Claude Haiku 4.5
IskayPet construyó toda la solución, desde el frontend orientado a la tienda hasta la arquitectura de AWS y el despliegue de servicios, usando Kiro, el entorno de desarrollo agéntico, ejecutándose sobre Claude Haiku 4.5 en Amazon Bedrock. A medida que haya nuevos modelos disponibles en Amazon Bedrock, IskayPet planea evaluarlos y adoptarlos para cada caso de uso.
Para conocer la disponibilidad de modelos por región de AWS, consulte Modelos compatibles por región de AWS en Amazon Bedrock.
- Frontend orientado a la tienda – El equipo usó Kiro para construir el frontend que los empleados de la tienda utilizan para interactuar con el asistente, generando e iterando el código de la interfaz de usuario con Claude Haiku 4.5.
- Arquitectura y despliegue – Kiro también ayudó a diseñar la arquitectura de AWS y a aprovisionar los servicios detrás de la solución: configuración de la base de conocimiento, fuentes de datos, roles de AWS Identity and Access Management (IAM) y la capa de aplicación.
Un flujo de trabajo agéntico con Kiro y un modelo rápido y rentable como Claude Haiku 4.5 ayudó a un equipo pequeño a pasar del concepto a producción rápidamente. También mantuvo el código de la aplicación y la infraestructura consistentes y fáciles de mantener.
Ingesta: el conector de SharePoint con indexación avanzada
Los documentos de IskayPet ya se encontraban en SharePoint, organizados por área y país. En lugar de migrarlos, el equipo usó el conector nativo de SharePoint en Amazon Bedrock Managed Knowledge Bases.
En las configuraciones avanzadas de la fuente de datos, en Indexación de contenido e Indexación avanzada, IskayPet habilitó Contenido visual en documentos. Esta configuración extrae contenido de imágenes incrustadas en documentos (PDF, DOCX, PPTX) y de imágenes independientes. Las figuras y el contenido escaneado dentro de los documentos de procedimientos se volvieron buscables sin necesidad de un pipeline de preprocesamiento separado.
El conector se sincroniza incrementalmente, de modo que los documentos nuevos y actualizados se detectan en cada sincronización.
Arquitectura multipaís y multiárea
Una decisión de diseño clave fue cómo estructurar el conocimiento para cuatro idiomas, varias áreas de negocio y tres países. IskayPet evaluó dos enfoques:
- Una única base de conocimiento compartida, con cada documento etiquetado por país y área y un filtro de recuperación aplicado por consulta. Esto maximiza la reutilización del contenido compartido, pero acopla todos los dominios en un solo índice.
- Una base de conocimiento dedicada por asistente, cada una limitada a los sitios o bibliotecas de SharePoint pertinentes. Esto mantiene cada cuerpo de conocimiento aislado de extremo a extremo y permite ajustar cada asistente de forma independiente.
IskayPet eligió una base de conocimiento por asistente. Cada asistente apunta a sitios específicos de SharePoint y puede delimitarse aún más a bibliotecas o carpetas de documentos específicas mediante rutas de inclusión, de modo que solo indexa el contenido previsto y no todo el sitio corporativo. Añadir una nueva área o país significa agregar un asistente y apuntarlo al contenido adecuado, no rearquitectar el sistema.
Control de acceso
El acceso se rige por los permisos existentes de SharePoint de los usuarios. El asistente no otorga acceso a nada nuevo: solo hace más sencillo consultar documentos que un empleado ya podía abrir. Esto funciona en dos niveles.
- Qué asistentes ve un usuario – A un empleado solo se le muestran los asistentes cuya documentación subyacente tiene derecho a leer, ya sea que ese derecho provenga de un permiso directo, de la pertenencia a un grupo o del acceso a una carpeta específica. Si no se puede confirmar el acceso, el asistente se oculta en lugar de mostrarse.
- Qué documentos fundamentan una respuesta – El acceso se aplica nuevamente en el momento de la recuperación, por documento: la identidad del empleado se pasa a la base de conocimiento, que devuelve pasajes solo de los documentos que esa persona está autorizada a ver. Amazon Bedrock Managed Knowledge Bases admite este control de acceso a nivel de documento de forma nativa, por lo que la misma respuesta a la misma pregunta puede legítimamente diferir entre dos empleados con permisos diferentes.
Dado que los permisos se leen de SharePoint en cada comprobación de acceso, revocar o conceder acceso en SharePoint se refleja en el asistente sin cambios en la aplicación.
Configuración de recuperación y generación
La calidad de un sistema RAG se decide principalmente en la ingesta, la recuperación y la generación. El fine-tuning es una técnica complementaria. Para este caso de uso, IskayPet ajustó las siguientes configuraciones:
- Chunking – Lo gestiona la base de conocimiento administrada, por lo que el equipo no tuvo que construir ni ajustar un pipeline de chunking. Esto eliminó un componente que suele suponer un esfuerzo operativo significativo en un RAG autogestionado.
- Búsqueda híbrida – La base de conocimiento combina la recuperación semántica y por palabras clave, lo que recupera términos exactos, como códigos de producto, que la búsqueda puramente semántica puede pasar por alto.
- Número de resultados – Ajustado frente a un conjunto de evaluación. El asistente recupera 25 pasajes y, tras eliminar duplicados y fragmentos demasiado cortos para aportar contexto, inyecta hasta 15 en el prompt. Este número es la principal palanca de costes, porque multiplica los tokens de entrada en cada pregunta.
- Prompt de generación – Aplica un tono corporativo, exige citar las fuentes e indica al modelo que diga cuándo la respuesta no se encuentra en el contenido recuperado, lo que reduce las alucinaciones y añade trazabilidad.
Como control de producción, el equipo está añadiendo Amazon Bedrock Guardrails para aplicar el filtrado de contenido y las políticas de IA responsable a las respuestas generadas.
- Evaluación– La evaluación RAG nativa de Amazon Bedrock, que utiliza los comentarios de pulgares arriba y abajo del uso real como un conjunto de evaluación para medir la calidad antes y después de cada cambio.
Generación de la respuesta
Para la generación de respuestas, IskayPet utiliza un modelo fundacional rentable en Amazon Bedrock. Como la base de conocimiento desacopla la recuperación de la generación, IskayPet puede cambiar o actualizar el modelo de generación sin tocar las capas de ingesta o de recuperación. Esto permite al equipo equilibrar el coste y la calidad de las respuestas a medida que crece el uso.
Eficiencia de costes
La base de conocimiento incluye el análisis multimodal, la generación de embeddings y la reordenación sin coste adicional, por lo que el coste continuo de IskayPet proviene principalmente del almacenamiento del índice, las llamadas a la API de recuperación y los tokens del modelo de generación. En producción, los tokens de entrada dominan ese coste, debido a los pasajes inyectados en cada prompt. El equipo está evaluando más optimizaciones a medida que crece el uso, incluida la caché de prompts para la parte estable del prompt y la inferencia por lotes para cargas de trabajo no interactivas.
Resultados
En aproximadamente los primeros dos meses en producción, IskayPet ha visto:
- Respuestas más rápidas – El tiempo para encontrar una respuesta operativa pasó de 3–5 minutos a unos 7 segundos.
- Mayor productividad – Alrededor de un 95 por ciento menos de tiempo dedicado a buscar procedimientos y políticas.
- Escala – Se espera que la solución gestione alrededor de 100,000 consultas al mes en todas las áreas de negocio y países.
Conclusión
IskayPet construyó un asistente de conocimiento corporativo en producción sobre Amazon Bedrock Managed Knowledge Bases que da servicio a tres países, cuatro idiomas y varias áreas de negocio, sin infraestructura RAG que gestionar. El conector nativo de SharePoint reutilizó sus repositorios existentes. Una base de conocimiento dedicada por asistente les dio un diseño multipaís limpio con cada dominio aislado de extremo a extremo. El análisis, la generación de embeddings y la reordenación gestionados mantuvieron bajos tanto el esfuerzo operativo como el coste. Construir el frontend y la arquitectura de AWS con Kiro y Claude Haiku 4.5 permite a un equipo pequeño llegar a producción rápidamente.
Si te enfrentas a un desafío similar de recuperación de conocimiento, puedes empezar en el AWS Free Tier y crear tu primera base de conocimiento en la consola de Amazon Bedrock. Para profundizar, consulta los siguientes recursos y prueba el conector de SharePoint y el control de acceso a nivel de documento con tus propios documentos.
Para saber más, consulta Amazon Bedrock Managed Knowledge Base y Evalúe el rendimiento de las fuentes de RAG mediante las evaluaciones de Amazon Bedrock.