Datos antes que modelos: el inventario documental

El 28 de agosto de 2023 OpenAI presentó ChatGPT Enterprise, con el compromiso de no entrenar sus modelos con los datos de las empresas clientes. Desde entonces, la petición que más recibimos de direcciones de ingenierías y estudios técnicos es parecida: "queremos que el modelo conozca nuestros proyectos".

Es una petición razonable. La técnica para hacerlo existe: recuperar fragmentos relevantes de los documentos propios y pasárselos al modelo para que responda con ellos delante, lo que se conoce como generación aumentada por recuperación. Pero casi siempre falla por el mismo motivo, y no tiene nada que ver con el modelo.

Un caso compuesto

Lo que sigue es un escenario tipo, construido a partir de varios proyectos con ingenierías de instalaciones y estructuras de tamaño medio. No describe a ninguna empresa concreta y las cifras son estimaciones orientativas.

Una ingeniería de unas cuarenta personas, con dos oficinas, decide crear un asistente interno que responda preguntas como "¿qué solución de ventilación usamos en el último centro de salud?" o "¿qué condiciones pactamos con este cliente sobre las visitas de obra?".

En la primera semana de trabajo aparecen los problemas:

• Dispersión. Los documentos viven en un servidor de ficheros, en las cuentas de correo de los jefes de proyecto, en carpetas compartidas en la nube y en los portátiles. Estimamos que casi un tercio de la documentación relevante no estaba en ningún repositorio común.
• Versiones. Para un mismo proyecto existen varias memorias técnicas con nombres como "definitiva", "definitiva_rev" y "definitiva_ok". Nadie puede afirmar con certeza cuál se presentó a visado.
• Normativa desactualizada. Plantillas internas que siguen citando una versión anterior del DB-HE, reutilizadas proyecto tras proyecto.
• Datos personales mezclados. Expedientes con datos de propietarios, nóminas escaneadas dentro de carpetas de proyecto, contratos con datos bancarios.

Si se conecta un modelo a ese repositorio, el asistente responde con seguridad usando la versión equivocada de una memoria o una plantilla obsoleta. El resultado es peor que no tener asistente.

Un modelo conectado a documentos desordenados no es inteligencia artificial; es desorden con mejor redacción.

El inventario como primer proyecto

Por eso proponemos que el primer proyecto de IA sea, en realidad, un proyecto de datos. En el escenario descrito se organizó en cuatro fases durante unas diez semanas (estimación):

1. Mapa de fuentes

Listar todos los lugares donde se guarda documentación de proyecto, con su responsable, su volumen aproximado y su nivel de acceso. Es un trabajo poco vistoso que suele llevar dos o tres semanas.

2. Tipología documental

Definir qué tipos de documentos importan para el asistente: memorias, pliegos, mediciones, actas, informes de inspección, correspondencia contractual. Para cada tipo, decidir qué versión es la válida (normalmente la visada o la entregada) y dónde se guarda.

3. Clasificación y limpieza

Etiquetar cada documento con proyecto, fase (básico, ejecución, dirección de obra), fecha, versión y nivel de confidencialidad. Separar los documentos con datos personales y decidir si deben entrar o no. En el caso compuesto, aproximadamente la mitad de los ficheros iniciales se descartó por duplicados, borradores u obsolescencia (estimación).

4. Responsabilidad

Asignar a cada tipología un responsable que garantice que lo que entra en el repositorio común es la versión válida. Sin este paso, el desorden se reproduce en seis meses.

Lo que cambia después

Con el inventario hecho, el asistente se convierte en un proyecto de semanas, no de meses, y sus respuestas pueden citar documento, versión y fecha. Esa cita es lo que permite al técnico verificar antes de usar, que es la única forma aceptable de trabajar en un despacho que firma proyectos.

El inventario tiene además beneficios que no dependen de la IA: localización más rápida de antecedentes, mejor control de versiones antes del visado y una posición más sólida ante requerimientos de protección de datos.

El coste de no hacerlo

Merece la pena detenerse en el riesgo que se evita. En una ingeniería, una respuesta del asistente que recupere una memoria no visada o una plantilla con normativa derogada puede acabar copiada en un proyecto nuevo. Si esa información llega a un documento firmado, el problema ya no es de productividad, sino de responsabilidad profesional. El técnico que firma responde del contenido, con independencia de la herramienta que le ayudó a redactarlo. Por eso el criterio de calidad de un asistente documental no es la fluidez de sus respuestas, sino la fiabilidad de las fuentes que recupera y la facilidad con la que el usuario puede comprobarlas. Esa fiabilidad se construye en el inventario, no en la elección del modelo.

Recomendaciones prácticas

1. No empezar por el proveedor. Elegir herramienta antes de conocer los propios datos lleva a decisiones caras.
2. Medir el desorden. Porcentaje de documentos fuera del repositorio común, número de versiones por memoria, plantillas con normativa no vigente.
3. Priorizar una tipología. Empezar por las memorias visadas de los últimos tres años suele dar el mejor equilibrio entre valor y esfuerzo.
4. Separar datos personales desde el inicio. Revisar con el delegado de protección de datos qué entra y qué no.
5. Nombrar responsables por tipología y revisar el estado del repositorio cada trimestre.

La conversación sobre qué modelo usar es interesante, pero secundaria. El activo diferencial de una ingeniería no es el modelo, que puede contratar cualquiera, sino veinte años de proyectos bien documentados. Solo si están ordenados.