RAG por clínica · cómo entrenar un chatbot con tus precios y servicios sin alucinaciones

El problema más frecuente con chatbots de IA en clínicas no es que sean lentos. Es que inventan cosas. Precios que no existen · servicios que no ofreces · información sobre tratamientos no actualizada. Esto se llama alucinación. Tiene solución técnica: RAG.

1 · Qué es RAG · explicado sin doctorado

RAG = Retrieval-Augmented Generation. Idea simple:

Un modelo (GPT · Claude) sabe de mundo en general — qué es ortodoncia · cómo conversar. Pero NO sabe TUS precios · TUS servicios · si tienes parking. Sin RAG, cuando pregunta "¿cuánto cuesta una carilla en vuestra clínica?", inventa un número plausible. Eso es alucinación.

Con RAG, el flujo cambia:

• Paciente hace pregunta
• Sistema busca en base de conocimiento específica de tu clínica
• Fragmentos relevantes se pasan al modelo como contexto
• Modelo responde usando ese contexto · no inventando
• Si no encuentra respuesta · NO inventa: lo admite o escala

2 · Qué va en la base de conocimiento

Servicios y precios

• Lista tratamientos · descripción · rango precios. Nunca precio fijo si hay variabilidad — usar "entre X y Y según diagnóstico".
• Servicios que sí hacéis y los que NO. Evitar "sí hacemos lo que no hacemos" es crítico.
• Condiciones especiales (financiación · acuerdos mutuas).

Información operativa

• Horarios por ubicación · días de cierre · horario verano
• Dirección · teléfono · email · instrucciones aparcamiento
• Proceso primera cita: documentación · necesidad cita diagnóstico previa

FAQ clínica

• Las 15-20 preguntas que tu equipo responde más veces. Escritas como las hace el paciente · no como las formularía un odontólogo.
• Respuestas sobre dolor · recuperación · duración. Precisas: "entre 2 y 4 semanas según el caso".

Política cancelación y depósitos

• Cómo y con qué antelación se puede cancelar
• Política depósito si existe (cuánto · cuándo · reembolsable)

3 · El proceso de carga · de tu web a la knowledge base

Paso 1 · Scrape de la web

Extrae contenido automáticamente: servicios · precios públicos · FAQ · "sobre nosotros" · blog. Resultado: texto limpio segmentado.

Paso 2 · Chunking y embedding

Texto se divide en fragmentos (chunks · 2-4 oraciones). Cada chunk se convierte en vector numérico (embedding) que representa su significado semántico. Se almacenan en base vectorial.

Paso 3 · Refinamiento manual

• Eliminar contenido obsoleto (precios viejos · ofertas caducadas)
• Añadir información que no está en web pero es frecuente en consultas
• Corregir formulaciones que scrape captura mal (tablas HTML complejas)

Paso 4 · Testing

Antes de activar con pacientes: probar con preguntas frecuentes reales. Verificar precisión · ausencia de alucinaciones · admisión honesta cuando no hay info.

4 · Guardrails · la capa que evita que el bot invente

Guardrail 1 · No precios fuera de KB

Si pregunta por tratamiento no en KB: "Para ese tratamiento necesitamos verte en consulta para presupuesto exacto · ¿agendamos primera visita?". Correcto clínicamente y honesto.

Guardrail 2 · No orientación clínica

El bot NO puede decir "probablemente tienes periodontitis" · NO recomienda tratamientos · NO interpreta pruebas. Ante contenido clínico: escala. No negociable.

Guardrail 3 · Admitir desconocimiento con acción

Cuando no encuentra respuesta: "No tengo esa información · pero puedo pasarte con una persona del equipo. ¿Te parece bien?"

Guardrail 4 · Escalado por palabras críticas

"Dolor fuerte" · "emergencia" · "accidente" · "sangrado" · "queja" → escalado inmediato a humano sin más preguntas.

5 · Mantenimiento · el paso que se olvida

Knowledge base no es setup único. Si cambian precios · servicios · horarios · debe actualizarse. Un bot con info desactualizada es casi tan problemático como uno sin RAG.

El proceso debe ser simple. Si actualizar requiere email a técnico + 3 días · no se actualiza. Si hay panel donde la recepcionista edita directamente · se actualiza.

6 · Cómo AI Empire implementa RAG por clínica

• Cada clínica tiene knowledge base aislada · datos no compartidos
• Scrape inicial de tu web · revisión del contenido
• Sesión refinamiento conjunto · 20 preguntas frecuentes
• Testing previo · tú validas antes del lanzamiento
• Panel admin · actualizas información autónomamente
• Guardrails no-diagnóstico · pre-configurados · no desactivables sin autorización

7 · Qué pasa cuando el bot falla de todas formas

RAG + guardrails reduce alucinaciones drásticamente · no las elimina al 100%. Los modelos actuales tienen casos edge. Diseño correcto: no "perfecto", sino "falla de forma controlada":

• Cada conversación queda registrada · puedes revisar
• Cuando detectas error · actualizas KB · no vuelve a ocurrir
• Handoff humano existe siempre como red de seguridad
• Supervisión humana es parte del diseño · no opcional

Un chatbot de clínica bien diseñado no es autónomo. Es primera respuesta que maneja volumen predecible y escala lo que requiere criterio humano. El equipo no desaparece — se ocupa de lo que realmente necesita una persona.

Disclaimer: este artículo es informativo · NO asesoramiento técnico ni médico. La implementación específica puede variar por proveedor y caso de uso. La supervisión humana de respuestas del chatbot es responsabilidad del director/owner de la clínica · ningún sistema sustituye el criterio clínico profesional.