Nota de activación
Documento independiente del contenido "cerrado" del módulo (modulo-03-base-conocimiento.md).
Pensado para publicarse/programarse más adelante vía la tabla avisos de Supabase
(columnas visible_from / visible_until, ya creadas en
curso/supabase/schema.sql) — por ejemplo, liberarlo solo el día que el alumno
llega al mini-proyecto del Módulo 3.
Casos reales
Lead Laundry (agencia de performance marketing, Australia) — Landbot
Usaron la lógica condicional y el sistema de puntuación de Landbot para cualificar
mejor a los leads que entraban desde sus campañas. Resultado:
+35% de conversión, +50% de calidad de lead, y coste
por lead de menos de 400$ frente a más de 650$ con una landing page tradicional. La
base del resultado no fue el bot en sí, fue tener la información de cualificación bien
estructurada antes de automatizar — el mismo principio de "estructuración antes de
carga" de este módulo.
Caso de estudio completo →
Vodafone — TOBi (IBM watsonx Assistant)
El asistente virtual TOBi, entrenado sobre la base de conocimiento propia de Vodafone,
resuelve más del 70% de las consultas de clientes en primer contacto,
en unos 14 idiomas. La cifra confirma la idea central de la lección: la calidad de la
respuesta depende de la calidad y cobertura de la base de conocimiento cargada, no solo
del modelo detrás.
Caso de estudio completo →
Vodafone Ireland — modernización RAG del asistente
Cuando Vodafone Ireland migró su asistente a una base de conocimiento con RAG
(respuestas generadas y ancladas en contenido real, no solo intents fijos), consiguió
hasta un 20% más de contención en ciertas áreas y una
reducción del 80% en peticiones mal entendidas, con menos datos de
entrenamiento que antes. Es la prueba de que estructurar bien el contenido (chunks,
metadatos) importa más que ajustar el modelo.
Caso de estudio completo →
Objetivo de la práctica
Construir y probar tú mismo (antes de publicarlo a alumnos) una base de conocimiento real
cargada en un asistente de IA, siguiendo las 3 fases de la lección (extracción →
estructuración → carga), sin pagar nada — usando la misma cuenta
gratuita de Landbot Sandbox que ya se usa en la práctica piloto del Módulo 4.
Se eligió la Knowledge Base / AI Assistant nativa de Landbot porque es la
opción 1 de la lección (carga sin código, sin base vectorial ni flujo de n8n que montar)
y porque reutiliza la misma cuenta gratuita del Módulo 4 — no hace falta abrir una
herramienta nueva para esta práctica. La ruta completa del módulo (n8n + embeddings +
Supabase Vector) es el alcance real para producción, no de este piloto: aquí el objetivo
es validar el proceso de extracción y estructuración, no montar la infraestructura
vectorial.
Práctica guiada paso a paso
- Elige el negocio. Reutiliza el negocio (real o simulado) que ya
definiste en el Módulo 1/2 — así la base de conocimiento que construyas aquí es la
misma que conectarás de verdad en la práctica piloto del Módulo 4.
- Fase de extracción — reúne al menos 3 fuentes, como pide el
mini-proyecto del módulo:
- Web: copia el texto de 2-3 páginas clave del negocio (servicios,
precios, FAQ) — un copiar/pegar manual es suficiente para esta prueba.
- Documento: un PDF de tarifas, catálogo o condiciones (real si el
negocio existe, o redactado en 1 página si es simulado).
- Conocimiento tácito: haz tú mismo una mini-entrevista de 15-20
minutos con la pregunta de la lección: "¿qué le explicas siempre a un cliente que
nunca está escrito en ningún sitio?". Apunta 3-5 respuestas — esta es la fuente que
más alucinaciones evita y la que más se olvida.
- Fase de estructuración. Convierte lo recogido en
15-20 chunks de 300-500 palabras, un solo tema por chunk, con
metadatos de categoría, fuente y fecha. Al menos 2-3 chunks deben salir de la
entrevista de conocimiento tácito, no solo de la web y el PDF.
- Fase de carga — Landbot AI Assistant. En tu cuenta de Landbot (la
misma del Módulo 4), ve a la sección de Knowledge Base / AI Assistant
del bot. Sube los chunks como documento de texto o pégalos directamente (Landbot los
trocea e indexa automáticamente). Etiqueta cada bloque con su categoría si la
herramienta lo permite.
- Conecta el AI Assistant al flujo del bot. Si ya tienes el bot de
calificación del Módulo 4 montado, enlaza el bloque de "Resolución de dudas" (el que
en la práctica piloto del Módulo 4 simulaba el RAG con palabras clave) al AI Assistant
real que acabas de cargar aquí.
- Verifica con 5 preguntas reales, como pide el mini-proyecto del
módulo:
- 3 preguntas que deberían responderse bien con el contenido web/PDF.
- 1 pregunta que solo se puede responder con la entrevista de conocimiento
tácito — la prueba de que esa fuente realmente se cargó.
- 1 pregunta deliberadamente fuera de la base, para comprobar que el asistente dice
"no lo sé" o escala, en vez de inventar una respuesta.
- Ajusta y repite. Si alguna pregunta falla, revisa si el chunk existe,
si el tema está bien delimitado, o si falta metadato de categoría. Vuelve a probar tras
el ajuste.
- Documenta el resultado. Anota, para cada una de las 5 preguntas: la
pregunta, la respuesta obtenida, y si fue correcta a la primera o necesitó ajuste — esto
es lo que luego se le pedirá documentar al alumno.
Checklist de validación
Coste y límites del tier gratuito
- Landbot Sandbox (mismo tier que el Módulo 4): gratis indefinidamente
tras el trial de 14 días, 100 chats/mes, 1 asiento — suficiente para cargar y probar
esta base de conocimiento, no para operar un negocio real con volumen.
- Límite de tamaño de la Knowledge Base nativa: las bases de
conocimiento no-code (Landbot, ManyChat, Respond.io) están pensadas para catálogos de
tamaño moderado, no para bases documentales grandes con miles de páginas — a partir de
ahí, la ruta del módulo con n8n + embeddings + una base vectorial (p. ej. Supabase
Vector) deja de ser opcional.
- La ruta de producción real (n8n + embeddings + Supabase Vector, o MCP
para exponer varias fuentes a la vez) queda fuera de esta práctica piloto — aquí el
objetivo es validar el proceso de extracción/estructuración, no montar la
infraestructura vectorial completa.