Empieza por una tarea que puedas comprobar: responder con tus documentos, preparar presupuestos, resumir reuniones, clasificar facturas o crear borradores. Aquí verás qué caso elegir, cómo montar una base de conocimiento, cómo configurar un primer agente con revisión humana y cuándo merece la pena pasar a un equipo dedicado.
Preguntas "¿qué garantía damos en producto de ocasión?" y responde citando la página exacta de tu tarifa o tu manual. Tarifas, contratos, procedimientos, catálogos: todo consultable en lenguaje normal.
Desde el primer día: pegas un correo largo y te lo resume o te redacta la respuesta con un clic. Y cuando quieras el nivel automático — resumen del buzón cada mañana y borradores esperando en Outlook — el camino está en el paso final.
Exportas fichas e históricos desde tu programa de gestión en un formato controlado —por ejemplo PDF, CSV o Excel— y los incorporas a la base de conocimiento. La conexión en tiempo real con un ERP o CRM es otro proyecto: requiere API, permisos, pruebas y un técnico que conozca ese sistema.
La mejor primera prueba es una tarea frecuente, con una entrada clara y un resultado que una persona pueda revisar. Elige un solo caso, reúne ejemplos reales y mide cuánto corrige el equipo antes de ampliar.
La IA lee la consulta, busca condiciones en tus tarifas o catálogos y prepara un borrador con las preguntas que todavía faltan. La persona comprueba precio, disponibilidad y compromiso antes de enviarlo.
Puede localizar proveedor, fecha, base, impuestos y vencimiento en facturas; también comparar varias ofertas y presentar diferencias en una tabla. Al principio prepara la información, pero no contabiliza ni aprueba pagos.
El equipo pregunta en lenguaje normal y recibe una respuesta basada en los documentos autorizados. Es útil para garantías, procesos internos, catálogo, incorporación de personal y dudas que se repiten.
Transcribe una reunión, separa acuerdos, responsables y fechas, o resume un hilo de correo antes de redactar una respuesta. El resultado entra directamente en el flujo de revisión habitual.
A partir de datos de producto puede redactar descripciones, adaptar textos a varios canales, traducir información de proveedores y preparar propuestas de boletín. La publicación continúa bajo control de una persona.
Consulta manuales, incidencias anteriores y procedimientos para proponer comprobaciones ordenadas. No sustituye la decisión del técnico: ayuda a no olvidar pasos y a documentar lo realizado.
si el resultado no ahorra tiempo o necesita demasiadas correcciones, cambia el proceso o el modelo antes de comprar más hardware.
Los tres casos anteriores son una entrada sencilla. Después puedes probar estos usos con ejemplos reales de tu empresa, uno por uno y siempre con revisión humana. No todos ahorrarán tiempo en todos los negocios: conserva únicamente los que superen una prueba concreta.
Cuando el modelo y la interfaz están alojados en tu equipo, las consultas pueden procesarse localmente. Las integraciones con servicios externos —por ejemplo Microsoft 365— siguen comunicándose con ese proveedor y deben configurarse con sus permisos y políticas.
No existe un único modelo para toda la empresa. La tarea determina la familia y el tamaño; la prueba real determina el equipo.
Qwen, Llama o Gemma. Empieza por una variante pequeña o intermedia. Son familias generales para redactar, clasificar, resumir y seguir instrucciones.
Ver familias de chatDeepSeek-R1 o gpt-oss. Úsalos cuando necesitas razonamiento, código o análisis más elaborado; revisa siempre hechos y cálculos.
Ver modelos de razonamientoUn modelo de chat más un modelo de embeddings. El primero redacta; el segundo convierte documentos y preguntas en vectores para recuperar las fuentes adecuadas.
Montar la consulta documentalWhisper + LLM + síntesis de voz. Whisper transcribe, el LLM interpreta la intención y Piper u otro motor convierte la respuesta en audio.
Montar voz, citas y WhatsAppSubir archivos no basta. Para que las respuestas sean útiles necesitas documentos vigentes, una colección bien delimitada, instrucciones claras y preguntas de prueba. El objetivo no es que la IA “sepa de todo”, sino que encuentre la información correcta y reconozca cuándo no está documentada.
Adjunta un contrato, una oferta o un manual para una consulta puntual. Es la forma más rápida de comprobar si el modelo entiende ese tipo de documento.
Agrupa archivos que se consultarán muchas veces: garantías, procedimientos, catálogo, formación o documentación de un proyecto.
Vincula modelo, instrucciones, documentos y permisos en una configuración reutilizable para que todos trabajen con las mismas reglas.
Por ejemplo: garantías, procedimientos del almacén o dudas sobre una línea de producto. No mezcles en la primera colección documentación de departamentos que necesitan permisos distintos.
Retira versiones antiguas, duplicados, borradores y datos personales innecesarios. Añade fecha o versión al nombre y comprueba que el texto del PDF se pueda seleccionar; una imagen escaneada puede necesitar reconocimiento de texto.
En Open WebUI entra en Workspace → Knowledge, pulsa New Knowledge y utiliza un nombre que cualquiera entienda, como “Garantías vigentes” o “Procedimientos de almacén”.
Empieza con cinco o diez documentos. Abre alguno desde la colección y verifica que el contenido extraído es legible antes de evaluar las respuestas.
Ve a Workspace → Models → New Model, elige el modelo base, asigna un nombre claro y vincula la colección en el apartado de conocimiento. Así no tendrás que adjuntar los mismos archivos en cada conversación.
Indica qué fuentes puede usar, cómo debe citar, qué debe hacer cuando no encuentre información y qué decisiones siguen siendo humanas. Utiliza la plantilla que aparece a continuación.
Deja el asistente privado durante la prueba y después limita su visibilidad al grupo correspondiente. Finanzas, recursos humanos, ventas y soporte no deberían ver automáticamente las mismas colecciones.
Incluye preguntas fáciles, ambiguas, contradictorias y una cuya respuesta no exista. Da por válida la configuración solo si cita bien y reconoce la ausencia de información.
Eres el asistente interno de [EMPRESA] para [ÁREA].
OBJETIVO
Responder dudas utilizando la base de conocimiento adjunta.
REGLAS
1. Busca la respuesta en los documentos antes de contestar.
2. Indica el documento o apartado utilizado.
3. Si la información no aparece, responde: "No está documentado".
4. No inventes precios, plazos, garantías ni condiciones.
5. Separa los datos confirmados de cualquier propuesta.
6. No reveles información de otras áreas o usuarios.
FORMATO
- Respuesta breve
- Fuente utilizada
- Siguiente paso recomendadoRecuperación o documento completo: para una colección amplia utiliza la búsqueda de fragmentos relevantes. Para revisar un único documento corto de principio a fin puede convenir cargarlo completo, siempre que quepa en el contexto del modelo. La guía de Open WebUI desarrolla la instalación y los ajustes.
Un asistente responde. Un agente sigue un proceso y, si le das herramientas, puede consultar sistemas o preparar acciones. Para una pyme, el primer agente útil suele ser prudente: busca información, estructura el resultado y deja la decisión final a una persona.
Redacta, resume o clasifica siguiendo una plantilla. No accede a documentos ni a sistemas.
Riesgo bajo · ideal para empezarBusca en una colección, cita fuentes y aplica un procedimiento definido. Todavía no modifica nada.
Primer objetivo recomendadoConsulta una API, crea un borrador o lanza un flujo de n8n. Necesita permisos, límites, registros y aprobación.
Añádelo después de validar el nivel 2“Preparar un borrador para una consulta de garantía” es mejor que “atender clientes”. Define también qué recibe y qué debe entregar.
En Workspace → Models crea un modelo de trabajo con un nombre visible, por ejemplo “Asistente de garantías”. Elige un modelo que responda bien a tus diez casos de prueba.
Vincula la colección correspondiente. Cuantos más documentos sin relación añadas, más difícil será comprobar por qué ha elegido una respuesta.
Indica el orden de los pasos, las decisiones que no puede tomar, la información que debe pedir y el formato final. La plantilla inferior sirve como punto de partida.
Haz que prepare respuestas, tablas o listas de tareas. Si el resultado todavía necesita mucha corrección, conectar el correo o el ERP solo automatizará los errores.
Puede ser un flujo de n8n o una API que consulte un pedido, una ficha o un calendario. Utiliza una cuenta técnica con los permisos mínimos y limita las operaciones permitidas.
El primer paso razonable es crear un borrador en Outlook, no enviarlo; preparar una línea para el ERP, no contabilizarla; proponer una actualización, no aplicarla.
Anota quién lo utilizó, qué herramienta llamó, qué devolvió y si una persona aprobó la acción. Debe poder desactivarse sin interrumpir el proceso habitual.
NOMBRE
Asistente de consultas de [ÁREA]
OBJETIVO
Preparar una respuesta revisable a partir de la consulta recibida.
FUENTES AUTORIZADAS
- Base de conocimiento [NOMBRE]
- Datos aportados por la persona en el chat
PROCESO
1. Identifica la intención y los datos que faltan.
2. Busca la información en las fuentes autorizadas.
3. Redacta el borrador.
4. Cita las fuentes y marca cualquier duda.
5. Solicita aprobación antes de cualquier acción externa.
PROHIBIDO
- Inventar datos o completar huecos por intuición.
- Confirmar precio, stock, plazo o condición sin una fuente actual.
- Enviar mensajes o modificar sistemas sin aprobación.
SALIDA
Resumen · borrador · fuentes · datos pendientes · siguiente pasoCarga: condiciones y procedimientos vigentes.
Hace: prepara la respuesta y pide los datos que faltan.
No hace: autorizar una devolución.
Carga: catálogo, plantilla y reglas comerciales.
Hace: estructura un borrador y detecta requisitos ausentes.
No hace: fijar descuentos o prometer disponibilidad.
Carga: facturas o albaranes recibidos.
Hace: extrae campos y señala incoherencias.
No hace: contabilizar, pagar o aprobar.
Las herramientas y funciones de Open WebUI pueden ejecutar código en el servidor. Deben revisarse, probarse en un entorno separado y quedar bajo control de administradores de confianza.
Este caso no se resuelve con un solo modelo. Es un flujo de piezas pequeñas y controladas: el audio se transcribe, un LLM extrae la intención, el calendario devuelve huecos reales y WhatsApp confirma únicamente después de que la persona acepte una fecha.
El modelo no debe inventar huecos ni escribir directamente en la agenda. Primero solicita disponibilidad a la API, ofrece opciones reales, pide una confirmación inequívoca y solo entonces crea el evento.
Primera prueba: diez llamadas simuladas, un único tipo de cita y una agenda de pruebas.
ollama pull gpt-oss:120b; en un equipo modesto, comienza por una variante pequeña de Qwen y comprueba la calidad con tus ejemplos.Una prueba local puede montarse con soltura informática general. Para compartirla, conectar Microsoft 365 o consultar un ERP, conviene coordinar permisos y red con el técnico interno o proveedor habitual. También puedes plantear el caso, los usuarios y los sistemas implicados en una consulta comercial.
Pegar un correo y pedir un resumen funciona con cualquier cliente de correo. El paso avanzado consiste en leer mensajes con Microsoft Graph y crear borradores en Outlook para que una persona los revise y envíe. Se monta con n8n y requiere un perfil técnico que gestione permisos, credenciales, filtros y registros. La guía completa está en n8n, Ollama y Outlook. La regla sigue siendo la misma: la IA redacta; las personas envían.
Para el primer piloto no necesitas Kubernetes, un comité extenso ni una arquitectura con numerosas capas. Sí necesitas una tarea concreta, documentos controlados, copias de seguridad y una persona responsable. Las guías de seguridad, evaluación y varios nodos quedan disponibles para cuando el uso crezca o el riesgo lo justifique.
No todas las pymes deben comprar el mismo hardware. Empieza por la opción más sencilla que permita comprobar el caso de uso y sube de nivel únicamente cuando falte memoria, continuidad o capacidad para varios usuarios.
Útil para un modelo pequeño, una persona y una tarea concreta. Sirve para saber si el caso aporta valor antes de dimensionar.
Mantiene la clase de 128 GB de memoria de la familia GB10 y reduce el almacenamiento local. Encaja cuando guardarás pocos modelos y datos controlados.
Alternativa GB10 dentro del canal profesional Lenovo. Conserva 128 GB y permite elegir la referencia exacta según cobertura y condiciones.
Para una biblioteca local mayor y modelos o contextos que necesitan la capacidad de 128 GB. La ficha comercial disponible incorpora 4 TB.
Cuando la carga cabe en 96 GB y la prioridad es el rendimiento de GPU, compara también una RTX PRO 6000 dentro de un servidor compatible. No es un mini ordenador completo.
Ver cuándo encaja la RTX PRO 6000Instala Ollama, utiliza un modelo pequeño y valida una tarea real antes de comprar.
Compara DGX Spark, ASUS GX10, Lenovo PGX y una GPU profesional según memoria, velocidad y uso.
Utiliza la guía de implantación para definir alcance, red, copias e integraciones. Si quieres consultar opciones adicionales, indica el caso de uso, los sistemas implicados y el número de usuarios.
Las especificaciones, funciones y límites descritos se contrastan con documentación primaria de Open WebUI, documentos y agentes, Ollama y modelos. Las recomendaciones de compra, el orden de los pasos y los márgenes de planificación son criterios editoriales de AI Supercomputers: deben confirmarse con la versión instalada y una prueba real.
Workspace de Open WebUI · Knowledge y RAG · Modelos configurados · Seguridad de Tools · Documentación oficial de Ollama · Biblioteca oficial de modelos · Contexto y comprobación de offload
Para una prueba local en un solo ordenador, basta una persona con soltura para instalar aplicaciones y copiar comandos. Para compartir el servicio, proteger documentos, automatizar Outlook o conectar un ERP, conviene un técnico interno o un proveedor de sistemas.
No existe una cifra universal. Depende del modelo, el contexto, la longitud de las respuestas y cuántas personas pregunten a la vez. Empieza con pocos usuarios y mide la cola, el primer token, la velocidad y la memoria antes de ampliar.
El chat y los documentos pueden procesarse dentro del equipo si utilizas modelos locales y bloqueas proveedores externos. Descargar modelos y actualizar software necesita red. Una automatización con Microsoft 365 continúa comunicándose con Microsoft Graph, aunque el texto se procese con el modelo local.
En un DGX Spark puedes evaluar gpt-oss:120b, cuyo paquete de Ollama ocupa alrededor de 65 GB. En un equipo modesto, empieza por una variante pequeña de Qwen. Revisa siempre la biblioteca de Ollama y prueba la calidad con tus propios ejemplos.
Sí para validar la idea con un modelo que quepa en su memoria. Un equipo dedicado se justifica cuando necesitas servicio continuo, más capacidad, varias personas o separación de los puestos de trabajo.
Sí, puedes explicar el caso de uso, el número de usuarios, el hardware y los sistemas que deseas conectar. Te indicaremos qué opciones pueden valorarse y qué información necesita tu técnico habitual para coordinar el proyecto.
Empieza por una colección pequeña de documentos vigentes que respondan a una misma familia de preguntas: por ejemplo garantías, procedimientos o catálogo. Retira duplicados y versiones antiguas, utiliza nombres claros y comprueba que el texto se puede extraer antes de evaluar la IA.
El asistente documental busca información y responde con fuentes. Un agente añade un proceso: puede clasificar la petición, decidir qué paso ejecutar y, si tiene herramientas autorizadas, consultar una API o preparar una acción. Para empezar, conviene que solo prepare resultados y espere revisión humana.
Puede hacerlo únicamente si se conecta a una herramienta o API con permisos para ello. En un primer despliegue es más prudente que cree borradores o propuestas, mantenga credenciales fuera del prompt y exija aprobación antes de enviar o modificar datos.