RAG Dual en aplicaciones de negocio: separando el asistente público del contexto privado de administración
Cómo estructurar asistentes de IA conectados a tablas y documentos empresariales manteniendo una frontera estricta entre la información pública para clientes y los datos internos.
Al integrar asistentes basados en inteligencia artificial dentro de software de gestión para pymes, surge rápidamente una pregunta de arquitectura y seguridad: ¿qué datos debe poder leer el asistente cuando habla con un cliente externo frente a cuando habla con el propietario del negocio?
1. Dos usuarios, dos necesidades opuestas
Durante el desarrollo del sistema de gestión para negocios, identificamos que un único asistente con acceso global a la base de datos suponía un riesgo innecesario. Las consultas se dividen claramente en dos dominios:
- Dominio Público (De cara al cliente en WhatsApp o Web): El cliente necesita conocer el catálogo de servicios, tarifas vigentes, políticas de cancelación, ubicación del local y disponibilidad de agenda para reservar o modificar su cita.
- Dominio Privado (Exclusivo para el administrador en el panel): El dueño del negocio quiere preguntar en lenguaje natural sobre comisiones de empleados, facturación mensual, normativas internas, inventario o documentos de consentimiento.
2. Diseño de la arquitectura de doble capa (RAG Dual)
Para resolverlo sin duplicar la infraestructura ni comprometer la privacidad, estructuramos la base de conocimiento en el panel de administración en dos módulos específicos (Tablas de Lógica IA y Documentos), aplicando aislamiento a nivel de permisos y endpoints:
Capa 1 · IA Pública (WhatsApp / Web)
└── Acceso de solo lectura a: Catálogo público, Tarifas, Horarios y Endpoints de Reserva.
Capa 2 · IA Privada (Panel Admin Autenticado)
└── Acceso completo a: Métricas financieras, Comisiones de empleados, Tablas internas y Documentos.
No confiamos únicamente en instrucciones dentro del system prompt («no reveles datos internos») para proteger la información sensible. El aislamiento se aplica en la capa de recuperación de datos (backend): el flujo que atiende el canal público de WhatsApp simplemente no tiene credenciales ni rutas para consultar tablas de facturación, comisiones o fichas privadas de otros clientes.
3. Autonomía operativa mediante tablas dinámicas
Uno de los mayores aciertos al construir este módulo fue permitir que el propio administrador edite desde su panel en Angular las tablas y documentos que alimentan al asistente. Cuando un salón actualiza el precio o la duración de un servicio en su tabla, el contexto que recupera el agente se actualiza al instante sin necesidad de reentrenar modelos ni tocar código.