Un chatbot de WhatsApp que solo repite lo que ChatGPT sabe de memoria no sirve de mucho para un negocio: necesitas que responda sobre TUS documentos — el manual de tu producto, tu lista de precios, tus políticas de devolución. Eso se llama RAG (Retrieval-Augmented Generation) y la pieza que lo hace posible es un índice FAISS con embeddings de tus propios PDFs.
Qué problema resuelve RAG que un chatbot normal no resuelve
Un modelo como gpt-4o-mini no conoce tu PDF — nunca lo vio durante su entrenamiento. RAG le da acceso a ese documento en el momento de responder: busca los fragmentos más relevantes del PDF y se los pasa como contexto junto a la pregunta del usuario. El modelo no “adivina” la respuesta, la lee del fragmento que le diste.
Las tres piezas del flujo
- ▸Embeddings: conviertes cada fragmento de tu PDF en un vector numérico con text-embedding-3-small de OpenAI. Dos fragmentos con significado parecido quedan cerca en ese espacio vectorial.
- ▸Índice FAISS: una librería de Meta que guarda esos vectores y busca, en milisegundos, cuáles son los más parecidos a la pregunta del usuario.
- ▸Generación: le pasas a gpt-4o-mini la pregunta original más los 3 o 4 fragmentos más relevantes que encontró FAISS, y el modelo redacta la respuesta final basándose en ese texto.
Armar este flujo completo — desde subir el PDF hasta recibir la respuesta en WhatsApp — es el núcleo de Construye un AI Chatbot con WhatsApp API, ChatGPT y Python, un curso regrabado en 2026 con las versiones de API vigentes de WhatsApp Cloud API y OpenAI.
Por qué el tamaño del fragmento importa más de lo que parece
El error más común al empezar con RAG es partir el PDF en fragmentos demasiado grandes o demasiado pequeños. Si el fragmento es muy grande, FAISS encuentra el documento correcto pero el modelo recibe tanto texto irrelevante que la respuesta se vuelve vaga. Si es muy pequeño, pierdes el contexto — una frase sobre “el plazo de devolución” sin el párrafo anterior que dice a qué productos aplica puede generar una respuesta incorrecta con total seguridad.
Un fragmento de 300 a 500 palabras con algo de superposición entre fragmentos consecutivos suele ser el punto de partida más seguro antes de ajustar fino.
Dónde vive todo esto: Docker y Google Cloud Run
El chatbot no corre en tu laptop las 24 horas. Se empaqueta en un contenedor Docker con Flask como backend y se despliega en Google Cloud Run, que solo cobra por el tiempo real de ejecución — si nadie le escribe al chatbot a las 3am, no pagas nada por esas horas. El PDF y su índice FAISS se guardan en Google Cloud Storage para que el servicio pueda reiniciarse sin perder la información ya procesada.
Qué tan preciso es, en la práctica
RAG no es perfecto: si la pregunta del usuario no tiene relación con ningún fragmento del PDF, el modelo puede igual intentar responder algo plausible. La forma de evitarlo es instruir explícitamente al modelo — en el prompt del sistema — para que diga “no tengo esa información” cuando los fragmentos recuperados no son suficientemente relevantes, en vez de inventar una respuesta con el mismo tono seguro de siempre.
Qué pasa cuando el PDF cambia
Si actualizas tu lista de precios o tu manual, el índice FAISS viejo no se actualiza solo — tienes que volver a generar los embeddings del documento nuevo y reemplazar el índice guardado en Google Cloud Storage. Para un negocio con catálogos que cambian poco (una vez al mes, digamos) basta un script manual; si tus documentos cambian todos los días, conviene automatizar ese reproceso con un trigger cada vez que se sube un archivo nuevo.
También vale la pena vigilar el costo: cada mensaje que llega gasta tokens de embeddings para la búsqueda más tokens de gpt-4o-mini para la respuesta. No es caro — hablamos de fracciones de centavo por conversación — pero si tu chatbot recibe miles de mensajes al mes, conviene revisar el consumo real en el dashboard de OpenAI antes de prometerle a un cliente que el costo es “insignificante”.
Antes de este curso
Si todavía no tienes claro cómo funcionan los embeddings o qué diferencia hay entre un modelo de texto y uno de imágenes, vale la pena empezar por Introducción a la Inteligencia Artificial — te da el mapa general antes de meterte a construir algo con código.
Lo que te llevas
Construye un AI Chatbot con WhatsApp API, ChatGPT y Python tiene 40 clases, certificado y proyectos prácticos. Al terminarlo tienes un chatbot propio, desplegado en la nube, que responde preguntas sobre documentos reales — no una demo que solo funciona en tu computadora.
