OpenKM + IA (RAG): convertir cientos de manuales en una base de conocimientos en el sector financiero

OpenKM + IA (RAG): convertir cientos de manuales en base de conocimientos en el sector financiero

Escrito por Ana Canteli el 5 de diciembre de 2025

En muchas organizaciones del sector financiero, el área de cumplimiento normativo gestiona cientos de manuales, políticas y procedimientos internos. El conocimiento existe, pero está disperso en documentos PDF, Word y presentaciones difíciles de consultar en el día a día.

Al mismo tiempo, la dirección se plantea algo muy concreto:

“¿Podemos disponer de una IA corporativa, basada en generación aumentada por recuperación (RAG, Retrieval-Augmented Generation), que funcione en un entorno local o privado, sin exponer información a servicios externos, e integrada con nuestro sistema de gestión documental?”

Este es precisamente el escenario donde OpenKM + IA (RAG) encaja: convertir un repositorio documental de cumplimiento en una base de conocimientos corporativa, apoyada en un sistema RAG que ofrece respuestas en lenguaje natural a partir de la documentación real de la entidad, trabajando siempre con información actualizada dentro de un entorno controlado.

Qué es RAG y por qué es clave en el sector financiero

RAG (Retrieval-Augmented Generation), o generación aumentada por recuperación, es una arquitectura de modelos de inteligencia artificial que combina dos etapas:

1. Recuperación RAG (recuperación de información)

El sistema localiza los fragmentos más relevantes en una fuente de datos; en este caso, los manuales de cumplimiento y la documentación interna almacenada en OpenKM. Hablamos de una arquitectura RAG con búsqueda semántica, que utiliza una base de datos vectorial para encontrar información relevante incluso cuando la consulta del usuario se formula con palabras distintas a las del texto original.

2. Generación aumentada

Un modelo generativo de la familia de los modelos de lenguaje (LLM) toma esos fragmentos y genera una respuesta en lenguaje natural. De este modo, la inteligencia artificial genere respuestas generadas coherentes, apoyadas en el conocimiento interno de la organización.

En términos prácticos, un sistema RAG corporativo hace que los usuarios no tengan que abrir uno por uno los manuales, sino que planteen consultas complejas del tipo:

• “En cumplimiento normativo, ¿qué debo hacer si un cliente se niega a facilitar documentación KYC?”
• “¿Cuál es el protocolo para reportar una operación sospechosa en mi país?”

La recuperación RAG localiza los fragmentos relevantes (no sólo por palabra clave, sino por significado) y la generación aumentada por recuperación construye una respuesta clara, más precisa y alineada con los procedimientos internos. Esto es lo que se conoce como RAG (Retrieval-Augmented Generation) aplicada a la gestión del conocimiento y a las bases de conocimientos en el sector financiero.

OpenKM como plataforma de gestión documental y base de conocimientos de cumplimiento

Antes de que la IA cambie la forma de preguntar, hay que poner orden en los documentos. Aquí es donde OpenKM se comporta como un verdadero sistema de gestión documental y de gestión del conocimiento:

• Plan de archivo y gestión de registros para los manuales de cumplimiento normativo.
• Metadatos de versión, ámbito, normativa, caducidad, etc.
• Seguridad granular por usuario, rol, grupo y documento, útil para el gobierno corporativo y la aplicación de la política de privacidad y la declaración de privacidad.
• Servicios de suscripción y notificaciones cuando se actualiza un manual o se publica una nueva política interna.

Toda esta información se almacena en bases de datos corporativas y se convierte en un gran conjunto de datos sobre cumplimiento. OpenKM no sólo guarda documentos: construye una base de conocimientos estructurada, lista para que un sistema RAG la use como fuente de conocimiento y fuente de datos.

Cómo funciona la arquitectura RAG con OpenKM en entorno local o privado

Sobre este núcleo de gestión documental, OpenKM puede implementar RAG siguiendo una arquitectura muy clara, pensada para funcionar en un entorno local o nube privada, sin acceso a información externa por defecto:

Indexación y base de datos vectorial

• Los cientos de manuales de cumplimiento, guías de gobierno corporativo, políticas de riesgos, documentación de atención al cliente y demás contenidos se procesan mediante procesamiento del lenguaje natural.
• De cada documento se extraen representaciones vectoriales que se almacenan en una base de datos vectorial. Así, el sistema puede hacer recuperación de información por significado, no sólo por palabras exactas.

Recuperación RAG sobre OpenKM

• Cuando llega una consulta del usuario, donde el cumplimiento normativo suele ser complejo (por ejemplo, combinando producto, canal y país), el motor de recuperación RAG busca en la base de conocimientos los fragmentos más relevantes.
• Los modelos RAG pueden recuperar contenido de conocimiento interno (manuales, políticas, instrucciones) e incluso, si la entidad lo decide de forma controlada, incorporar cierto conocimiento externo (por ejemplo, resúmenes de normativa pública).

Todo ello ocurre dentro del entorno local o privado definido por la entidad, sin necesidad de enviar los manuales de cumplimiento ni otros documentos sensibles a servicios externos. La organización decide si quiere o no conectar con datos externos; por defecto, el sistema RAG trabaja exclusivamente con su propia fuente de datos interna.

Modelos de lenguaje y generación aumentada por recuperación

• Los fragmentos recuperados se pasan a los modelos de lenguaje (los modelos base de IA generativa) que, combinando los datos relevantes con sus datos de entrenamiento, generan resultados en forma de respuestas más precisas y respuestas coherentes, ya contextualizadas para el entorno del sector bancario / sector financiero de la entidad.
• La generación aumentada por recuperación (RAG) garantiza que la IA no se inventa las cosas: se apoya siempre en documentación real y datos actualizados en OpenKM, usando la propia base de conocimientos de la organización.

Automatización de respuestas y asistentes virtuales

Encima de todo esto se puede publicar un asistente virtual interno: el usuario plantea su pregunta, el sistema RAG realiza la fase de recuperación RAG sobre los manuales de cumplimiento almacenados en OpenKM y, a partir de esa información, la IA genera una respuesta en lenguaje natural.

Esta automatización de respuestas mejora la eficiencia operativa, reduce el tiempo de búsqueda y mejora la experiencia de los equipos que trabajan en procesos internos y también en interacciones con clientes.

Casos de uso en cumplimiento normativo: consultas complejas, respuestas generadas

Para una entidad del sector financiero con cientos de manuales de cumplimiento, un sistema RAG integrado con OpenKM permite:

• Que un analista de cumplimiento formule consultas complejas sobre una operativa concreta y reciba una respuesta clara basada en la política de cumplimiento y la política de privacidad vigentes.
• Que un responsable de atención al cliente acceda a información específica sobre procedimientos de reclamaciones, información precontractual o protección de datos, sin tener que leer decenas de páginas cada vez.
• Que el área de gobierno corporativo consulte de forma rápida las obligaciones que aplican a un nuevo producto financiero, combinando datos internos y, opcionalmente, algunos datos externos controlados.

En todos los casos, la recuperación RAG actúa sobre los manuales y documentación interna almacenados en OpenKM, y la generación aumentada por recuperación se encarga de que la inteligencia artificial genere una respuesta comprensible, que ofrece respuestas alineadas con la norma y con los conjuntos de datos internos.

Ventajas competitivas del enfoque RAG en OpenKM

Ventajas competitivas claras

• Pasar de “buscar documentos” a proporcionar respuestas más precisas sobre cumplimiento normativo, reduciendo errores humanos y tiempos de consulta.
• Modelos RAG y modelos de IA generativa pueden recuperar contenido disperso en múltiples manuales y combinar modelos para que el sistema de gestión documental genere una respuesta útil y verificable.

Mayor control sobre el conocimiento interno

• El contenido de OpenKM se convierte en una base de conocimientos viva y actualizada.
• La entidad financiera decide qué fuentes de conocimiento entran en el sistema RAG y cómo se gestionan la seguridad, la privacidad y el gobierno de datos, cumpliendo sus propias políticas internas y la normativa externa.

Mejor experiencia y eficiencia operativa

• Los usuarios obtienen respuestas generadas en lenguaje natural, en lugar de tener que interpretar por sí mismos largas normas.
• Esto se traduce en eficiencia operativa, menos consultas repetitivas al área de cumplimiento y un soporte más ágil a los equipos de negocio y de atención al cliente.

Flexibilidad tecnológica y despliegue en entorno local o privado

• OpenKM puede desplegarse en servidores Linux estándar, incluyendo distribuciones empresariales como Red Hat, en nubes privadas o en entornos híbridos.
• Es posible implementar RAG con diferentes modelos de lenguaje y modelos base (distintos proveedores de modelos de inteligencia artificial) sin perder el control sobre la fuente de datos ni sobre los manuales de cumplimiento, manteniendo el procesamiento en un entorno local privado sin acceso a información externa por defecto.

Conclusión: OpenKM como plataforma de gestión documental + RAG para el sector financiero

En resumen, OpenKM permite a las entidades del sector financiero transformar sus manuales de cumplimiento normativo en una verdadera base de conocimientos gobernada, sobre la que se puede construir un sistema RAG corporativo:

• con generación aumentada por recuperación aplicada a su conocimiento interno,
• donde la recuperación RAG y la generación aumentada trabajan juntas para proporcionar respuestas y respuestas más precisas basadas en la documentación real de la organización,
• y donde los modelos de lenguaje integrados en la arquitectura RAG operan siempre en un entorno local o privado, con información actualizada y bajo las propias reglas de seguridad, gobierno corporativo y privacidad (incluida la política de privacidad) de la entidad.

La combinación de gestión del conocimiento, bases de conocimientos y RAG (generación aumentada por recuperación) convierte OpenKM en algo más que un gestor documental: en la plataforma sobre la que la inteligencia artificial revoluciona la forma en que los profesionales del sector financiero acceden a la información crítica y la aplican en su trabajo diario, con un enfoque claro en control, seguridad y cumplimiento.