Comparación con Herramientas Similares
Para terminar con esta breve introducción resulta indispensable situar la solución desarrollada en el panorama actual de herramientas que, de una u otra forma, intentan dar respuesta al mismo problema: hacer accesible el conocimiento de una organización de forma inteligente. Las categorías analizadas a continuación representan las alternativas más habituales en el mercado:
Motores de búsqueda empresariales clásicos
Herramientas como Elasticsearch o Apache Solr permiten indexar grandes volúmenes de documentos y realizar búsquedas de alta velocidad. Son robustas, maduras y ampliamente adoptadas en el sector. Sin embargo, su modelo de recuperación es fundamentalmente léxico: buscan coincidencias de términos, no significado. Una consulta formulada en lenguaje natural o con vocabulario diferente al del documento puede no arrojar ningún resultado útil.
Adicionalmente, estas herramientas no generan respuestas: presentan listas de documentos que el usuario debe interpretar por sí mismo. No mantienen contexto de conversación ni sintetizan información proveniente de múltiples fuentes.
Asistentes de IA genéricos
Herramientas como ChatGPT o Microsoft Copilot han democratizado el acceso a modelos de lenguaje de gran tamaño y ofrecen capacidades conversacionales muy avanzadas. No obstante, presentan una limitación estructural para el caso de uso industrial de Xabet: no conocen los datos internos de la organización.
Plataformas RAG comerciales
Existen plataformas especializadas en RAG empresarial, como Azure AI Search con integración de modelos de lenguaje, AWS Kendra o diversas soluciones de enterprise AI search. Estas herramientas ofrecen infraestructura de indexación semántica, conectores a fuentes de datos y capacidades de generación de respuestas. Son soluciones potentes y bien soportadas.
Sin embargo, presentan desventajas significativas para nuestro caso: el coste de licencias y uso por consulta puede resultar elevado en un entorno multi-cliente, y la dependencia directa de las tarifas de terceros introduce una variable de coste difícil de controlar a largo plazo. Más relevante aún es una limitación estructural: estas plataformas están concebidas para trabajar sobre documentos genéricos, no sobre el modelo de datos vivo de una aplicación. No pueden consultar directamente las variables, reglas o grupos almacenados en DWall, ni integrarse como parte nativa de la interfaz de la plataforma. El resultado es una herramienta externa que convive con DWall, no una capacidad integrada en ella.
La solución desarrollada en este TFG
La solución que se construye en este proyecto parte de un enfoque distinto: en lugar de adaptar una herramienta genérica al contexto de DWall, se construye un sistema RAG nativo a la plataforma, aprovechando la infraestructura existente.
| Dimensión | Búsqueda clásica | IA genérica | Plataforma RAG comercial | DWall Agentic |
|---|---|---|---|---|
| Búsqueda semántica | No | Sí | Sí | Sí |
| Conocimiento del dominio | No | No | Parcial | Sí (nativo) |
| Integración con DWall | No | No | Con adaptación | Nativa |
| Datos en infraestructura propia | Sí | No | Depende | Sí |
| Routing inteligente por tipo de consulta | No | No | Parcial | Sí |
| Extensibilidad modular (MCP) | No | No | Limitada | Sí |
| Coste operativo | Bajo | Variable | Alto | Controlado |
El sistema resultante no compite en prestaciones generales con las plataformas de IA de los grandes proveedores, pero ofrece algo que ninguna de ellas puede garantizar en este contexto: comprensión nativa del modelo operacional de la organización, sin necesidad de exportar datos, sin dependencias externas para el núcleo del sistema y con total control sobre la evolución de la plataforma.