El verdadero poder de Azure AI: construyendo un RAG corporativo en minutos

En casi todas las empresas pasa lo mismo: hay miles de documentos en SharePoint, OneDrive, carpetas de red o correo, y aunque la información está ahí, encontrarla en el momento correcto es casi imposible.

La realidad es que las organizaciones no tienen un problema de falta de información, sino de acceso a conocimiento. Y aquí entra en juego el concepto de RAG (Retrieval-Augmented Generation): una técnica que combina búsqueda semántica con modelos generativos para entregar respuestas en lenguaje natural, fundamentadas en documentos internos.

---

¿Por qué usar Azure para RAG?

Con el ecosistema de Azure Cognitive Services es posible implementar un RAG sin reinventar la rueda:

1. Azure Cognitive Search: indexa documentos en diferentes formatos (PDF, Word, Excel, imágenes escaneadas), aplica OCR, extrae texto y metadatos.
2. Azure OpenAI Service: genera respuestas en lenguaje natural, pero solo usando como contexto la información recuperada de tu índice de búsqueda.
3. Seguridad y compliance: todo ocurre dentro del tenant de Azure, con permisos basados en roles, integración con Azure AD y cumplimiento regulatorio.

[Usuario] → [Bot en Teams / WebApp interna]  
   → [Azure OpenAI GPT-4 / GPT-4o-mini]  
      → [Azure Cognitive Search (conector a SharePoint, Blob, OneDrive)]  
         → [Índice de documentos]  
            → [Respuesta contextualizada + fuentes]

Ejemplo técnico 1: Indexar documentos en Azure Cognitive Search (C#)

El primer paso es cargar documentos (ejemplo: PDFs legales) y que Azure Cognitive Search los procese.

using Azure;
using Azure.Search.Documents.Indexes;
using Azure.Search.Documents.Indexes.Models;

var indexClient = new SearchIndexClient(
    new Uri("https://<your-search-service>.search.windows.net"),
    new AzureKeyCredential("<api-key>")
);

var fieldBuilder = new FieldBuilder();
var searchFields = fieldBuilder.Build(typeof(DocumentModel));

var definition = new SearchIndex("<index-name>", searchFields);
indexClient.CreateOrUpdateIndex(definition);

public class DocumentModel
{
    [SimpleField(IsKey = true)]
    public string Id { get; set; }

    [SearchableField(AnalyzerName = LexicalAnalyzerName.Values.EnLucene)]
    public string Content { get; set; }

    [SimpleField]
    public string FileName { get; set; }
}

Ejemplo técnico 2: Consultar el índice y pasar el contexto al modelo (C#)

using Azure.AI.OpenAI;
using Azure.Search.Documents;
using Azure.Search.Documents.Models;

// Conectar al índice
var searchClient = new SearchClient(
    new Uri("https://<your-search-service>.search.windows.net"),
    "<index-name>",
    new AzureKeyCredential("<api-key>")
);

// Buscar en documentos
var searchResults = searchClient.Search<SearchDocument>("cláusula de confidencialidad");
string context = string.Join("\n", searchResults.GetResults()
    .Select(r => r.Document["Content"].ToString()));

// Conectar al modelo GPT-4 en Azure
var openAiClient = new OpenAIClient(
    new Uri("https://<your-openai-endpoint>.openai.azure.com/"),
    new AzureKeyCredential("<api-key>")
);

var response = openAiClient.GetChatCompletions(
    "gpt-4",
    new ChatCompletionsOptions
    {
        Messages =
        {
            new ChatMessage(ChatRole.System, "Eres un asistente que responde solo con documentos internos."),
            new ChatMessage(ChatRole.User, $"Pregunta: ¿Qué dice la cláusula de confidencialidad?\n\nContexto:\n{context}")
        }
    });

Console.WriteLine(response.Value.Choices[0].Message.Content);

Ejemplo técnico 3: Llamando a Cognitive Search + OpenAI en Python

from azure.core.credentials import AzureKeyCredential
from azure.search.documents import SearchClient
from openai import AzureOpenAI

search_client = SearchClient(
    endpoint="https://<your-search-service>.search.windows.net",
    index_name="<index-name>",
    credential=AzureKeyCredential("<api-key>")
)

# 1. Buscar documentos
results = search_client.search("manual de seguridad")
context = "\n".join([doc["content"] for doc in results])

# 2. Pasar contexto a GPT-4
client = AzureOpenAI(
    azure_endpoint="https://<your-openai-endpoint>.openai.azure.com/",
    api_key="<api-key>",
    api_version="2024-05-01-preview"
)

response = client.chat.completions.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "Responde solo con datos internos."},
        {"role": "user", "content": f"Pregunta: ¿Qué dice el manual de seguridad?\n\nContexto:\n{context}"}
    ]
)

print(response.choices[0].message.content)

Ejemplo técnico 4: Integración en Teams con un bot ligero

Con Azure Bot Framework o incluso Power Virtual Agents, puedes conectar este pipeline y tenerlo en Teams para que cualquier empleado pregunte cosas como:

• “¿Cuál es la política de vacaciones?”
• “Muéstrame los KPIs del Q2”
• “Dame la cláusula de no competencia en los contratos de proveedores”

---

Lo que logras

• Acceso instantáneo a conocimiento crítico.
• Respuestas naturales, fundamentadas y con fuentes.
• Automatización de búsquedas internas.
• Integración sencilla en Teams, intranets, o incluso un add-in de Office.

---

Reflexión final

La mayoría de las empresas piensa en IA como “un bot que responde bonito”, pero el valor real está en conectar GPT con la base de conocimiento interna. Eso es lo que convierte la IA en una herramienta estratégica y no solo en un juguete.

Al construir un RAG corporativo en Azure, logras que la información deje de ser un lastre y se convierta en ventaja competitiva en segundos.

Cheers!