Un agent IA comercial no falla només perquè el model respongui malament. Moltes vegades falla perquè la informació disponible està desordenada, incompleta, duplicada, desactualitzada o barrejada amb regles que ningú ha definit.
La base de coneixement és la capa que converteix documentació dispersa en context accionable. Sense aquesta capa, l’agent improvisa més del necessari: pregunta allò que no toca, respon amb poca precisió, no sap quan derivar i deixa l’equip comercial amb resums poc útils.
Aquest article complementa el marc de què és un agent IA comercial, l’arquitectura d’un agent que pregunta, filtra i deriva oportunitats i la integració amb CRM, formularis i eines internes.
En resum
Preparar la base de coneixement d’un agent IA comercial consisteix a decidir quina informació necessita l’agent, d’on surt, com s’estructura, com es recupera i com es valida. No és pujar documents a una eina i esperar bons resultats.
Una bona base de coneixement ha d’ajudar l’agent a fer cinc coses: entendre l’oferta, identificar intenció comercial, formular preguntes útils, recuperar context verificable i derivar a una persona quan no hi ha evidència suficient.
Quin problema ha de resoldre la base de coneixement
El problema no és “l’agent no sap”. El problema real sol ser que el sistema no té una font operativa clara.
En automatització comercial, la informació sol viure repartida entre pàgines del web, propostes, notes de CRM, emails, documents interns, FAQs, argumentaris, pricing, processos de venda i experiència informal de l’equip. Si aquesta informació no s’ordena, l’agent no pot distingir entre una resposta oficial, una regla comercial, una excepció o una suposició.
Una base de coneixement ha de resoldre aquestes friccions:
- Respostes inconsistents davant preguntes semblants.
- Leads que arriben sense context suficient per decidir el pas següent.
- Preguntes de qualificació que canvien segons qui atén.
- Documents útils que existeixen, però no estan preparats per a recuperació.
- Informació d’oferta, preus o condicions que queda obsoleta.
- Handoffs humans sense resum, evidència ni criteri de prioritat.
Lewis et al. van plantejar RAG com una forma de combinar coneixement intern del model amb memòria externa recuperable. En un agent comercial, aquesta memòria externa no hauria de ser una enciclopèdia genèrica: hauria de ser la informació concreta que permet entendre el negoci, l’oferta, els criteris de qualificació i els límits d’actuació.
Definició operativa
La base de coneixement d’un agent IA comercial és el conjunt estructurat de fonts, regles, exemples i dades que l’agent pot consultar per respondre, preguntar, qualificar, resumir, activar accions o derivar oportunitats dins d’un procés comercial.
No convé barrejar conceptes.
| Element | Què defineix | Exemple en un agent comercial | Risc si es confon |
|---|---|---|---|
| Prompt | Instruccions de comportament. | ”Pregunta per objectiu, urgència i context abans de recomanar una trucada.” | Convertir regles canviants en text rígid i difícil de mantenir. |
| Base de coneixement | Context recuperable. | Serveis, FAQs, casos d’ús, criteris d’encaix, documentació tècnica. | Respostes vagues o inventades quan falta evidència. |
| Regles de negoci | Condicions de decisió. | ”Derivar si hi ha pressupost, urgència i encaix B2B.” | L’agent respon, però no sap decidir. |
| Memòria conversacional | Context d’una interacció concreta. | El que el lead ja ha respost en la conversa actual. | Repetir preguntes o perdre senyals rellevants. |
| Eines | Accions externes. | Buscar al CRM, crear tasca, enviar resum, consultar calendari. | Aïllar la IA com a chat sense impacte operatiu. |
El prompt dona direcció. La base de coneixement aporta evidència. Les regles converteixen aquesta evidència en decisió operativa.
Principi central: no comença pel prompt
Un agent IA comercial no hauria de començar per una pantalla de configuració. Hauria de començar per una pregunta més incòmoda:
Què necessita saber l’agent per decidir si ha de respondre, preguntar, filtrar, resumir o derivar?
Aquest canvi d’enfocament evita que la solució es converteixi en un chatbot amb documents enganxats. La preparació correcta comença pel procés comercial:
- Quines entrades rep el negoci: formularis, chats, emails, trucades, CRM o campanyes.
- Quines decisions cal preparar: qualificar, descartar, demanar més dades, agendar o derivar.
- Quina informació es necessita per a cada decisió.
- Quines fonts són fiables i quines no.
- Quins límits ha de respectar l’agent.
- Com es mesurarà si la resposta o el resum són útils.
Anthropic recomana usar retrieval quan una aplicació necessita respostes consistents basades en un conjunt d’informació fix. Per a un agent comercial, això significa que la base de coneixement no és decorativa: és una forma de reduir variabilitat, millorar traçabilitat i sostenir regles.
Quina informació ha d’incloure
Una base de coneixement comercial útil no és un abocament complet de documents. És una selecció preparada per a tasques comercials.
| Bloc d’informació | Què hauria de contenir | Per a què ho usa l’agent | Risc si falta |
|---|---|---|---|
| Oferta i serveis | Què es ven, per a qui, abast, entregables, límits. | Explicar opcions i detectar encaix. | Respostes genèriques o promeses mal plantejades. |
| ICP i criteris d’encaix | Tipus d’empresa, mida, maduresa, sector, senyals de necessitat. | Qualificar i prioritzar oportunitats. | Leads tractats tots igual. |
| Preguntes freqüents | Dubtes repetits, objeccions, condicions, propers passos. | Respondre preventa i reduir fricció inicial. | Repetició manual de preguntes bàsiques. |
| Casos d’ús | Exemples de captació, qualificació, briefing, seguiment o CRM. | Aterrar possibilitats segons context del lead. | Converses abstractes sobre IA. |
| Regles comercials | Quan preguntar, filtrar, insistir, aturar-se o derivar. | Prendre decisions controlades. | Automatització erràtica o massa oberta. |
| Polítiques i límits | Què no prometre, dades sensibles, restriccions, condicions. | Evitar errors, excés d’automatització i risc reputacional. | L’agent pot sonar segur sense tenir autoritat. |
| Integracions | CRM, formularis, eines internes, camps i esdeveniments. | Connectar resposta amb acció real. | La IA queda aïllada d’operacions. |
| Exemples de bons resums | Format de briefing, to, camps obligatoris i propers passos. | Preparar handoff humà. | Resums llargs, incomplets o poc accionables. |
| Mètriques | Leads qualificats, descart, temps de resposta, reunions i conversió. | Mesurar utilitat del sistema. | No se sap si l’agent millora alguna cosa. |
La qualitat no depèn només de quantitat. Un document llarg i ambigu pot ser pitjor que una fitxa breu amb font, data, abast i ús previst.
Com estructurar la base de coneixement
Abans de pensar en embeddings o vector stores, convé ordenar la informació amb criteris humans.
| Font | Format recomanat | Metadades útils | Freqüència de revisió |
|---|---|---|---|
| Pàgines de servei | Markdown o text net per servei. | Servei, audiència, fase comercial, data, propietari. | Cada canvi d’oferta. |
| FAQs comercials | Pregunta i resposta breu. | Tema, intenció, prioritat, versió. | Mensual o quan canviï l’oferta. |
| Argumentaris i objeccions | Fitxes per objecció. | Objecció, resposta, condició, límit. | Trimestral o després de feedback comercial. |
| Criteris de qualificació | Taula de senyals i llindars. | Camp CRM, scoring, regla, responsable. | Cada ajust del procés de vendes. |
| Casos d’ús | Fitxa d’escenari. | Sector, problema, solució, eines, límits. | Quan s’afegeixin nous serveis. |
| Polítiques i límits | Regles explícites. | Risc, acció permesa, acció prohibida, escalat. | Cada revisió legal/comercial. |
| Documentació tècnica | Blocs per integració o sistema. | Eina, versió, entorn, owner. | Cada canvi tècnic rellevant. |
L’estructura ha de permetre tres coses:
- Recuperar el context correcte en la conversa adequada.
- Saber si una font és vigent.
- Explicar per què l’agent ha recomanat una resposta, una pregunta o un handoff.
OpenAI descriu la recuperació com a cerca semàntica sobre dades indexades en vector stores. Aquesta cerca pot trobar resultats rellevants encara que no coincideixin exactament les paraules de l’usuari. Per això les metadades són importants: ajuden a filtrar per categoria, servei, data, idioma, etapa comercial o nivell de risc.
Flux RAG per a un agent IA comercial
RAG no significa simplement “pujar PDFs”. Significa dissenyar un flux on l’agent recupera informació externa abans de generar o decidir.
Si el procés encara no està definit, abans de preparar aquesta capa convé revisar com auditar un procés comercial abans d’automatitzar-lo amb IA.
El flux mínim hauria de funcionar així:
- S’identifiquen documents comercials i tècnics rellevants.
- Es netegen duplicats, versions obsoletes i contingut contradictori.
- S’estructura la informació per oferta, intenció, regla i cas d’ús.
- Es fragmenta el contingut en peces recuperables.
- S’afegeixen metadades per filtrar i explicar context.
- S’indexa en un vector store o sistema equivalent.
- L’agent recupera context abans de respondre.
- Si hi ha evidència suficient, respon, pregunta o deriva.
- Si falta evidència, demana una dada pendent o activa handoff humà.
- Es revisen logs, errors i mètriques per millorar la base.
La documentació de n8n descriu una implementació pràctica amb dos moments: inserir documents en un vector store i consultar-los des d’un agent o node. També recomana triar una estratègia de fragmentació i afegir metadades quan calgui enriquir el context o filtrar després.
OpenAI File Search segueix el mateix principi operatiu: el model pot consultar arxius pujats a un vector store mitjançant cerca semàntica i per paraules clau, limitar resultats, incloure resultats de cerca i filtrar per metadades. En una arquitectura comercial, aquestes opcions ajuden a controlar cost, latència, evidència i precisió.
Decisions de disseny que importen
La base de coneixement no es prepara una vegada i s’oblida. Hi ha decisions de disseny que afecten directament la qualitat de l’agent.
Què ha de recuperar
No tot document ha d’estar disponible per a qualsevol cas. Un agent de qualificació no necessita consultar documentació tècnica profunda en cada resposta. Pot necessitar primer ICP, oferta, preguntes de discovery, límits i criteris de derivació.
Què no ha de recuperar
Convé excloure esborranys antics, propostes personalitzades sense context, notes internes sensibles, dades personals innecessàries, condicions ja vençudes i documents contradictoris.
Com dividir el contingut
Els fragments massa grans dilueixen la resposta. Els fragments massa petits perden context. n8n documenta diverses estratègies de split: per caràcters, per tokens o de forma recursiva segons Markdown, HTML, codi o separadors simples. Per a documentació comercial, sol funcionar millor mantenir blocs amb una idea completa i un títol clar.
Quines metadades afegir
Les metadades no són un detall tècnic. Són una capa de control comercial.
| Metadada | Exemple | Per a què serveix |
|---|---|---|
service | agente_ia_comercial | Limitar recuperació per línia d’oferta. |
audience | agencia, founder, equipo_comercial | Adaptar exemples i preguntes. |
funnel_stage | captacion, cualificacion, discovery, seguimiento | Recuperar contingut segons moment comercial. |
source_type | faq, politica, caso_uso, regla | Separar evidència d’exemple o regla. |
valid_from | 2026-05-18 | Detectar vigència. |
owner | ventas, operaciones, legal, tecnologia | Saber qui ha de revisar canvis. |
risk_level | bajo, medio, alto | Forçar revisió humana si cal. |
Quan demanar més dades
L’agent no hauria d’omplir buits amb suposicions. Si falta pressupost, urgència, tipus d’empresa, eina actual o necessitat concreta, pot fer una pregunta breu abans de recomanar un pas següent.
Quan derivar
Ha de derivar quan hi hagi ambigüitat, alt valor potencial, risc contractual, dades sensibles, excepció comercial o falta d’evidència. El handoff ha d’incloure resum, fonts usades, dubtes oberts i recomanació.
Validacions abans d’usar-la amb leads reals
Una base de coneixement preparada per a producció necessita proves editorials, tècniques i comercials.
| Validació | Què comprova | Senyal de problema |
|---|---|---|
| Cobertura d’intenció | Si respon preguntes reals de captació, qualificació i seguiment. | L’agent demana sempre el mateix o respon amb generalitats. |
| Recuperació | Si porta la font correcta per a la pregunta correcta. | Recupera documents irrellevants o antics. |
| Evidència | Si la resposta es recolza en context disponible. | L’agent afirma més del que sap. |
| Consistència | Si manté format, to i criteris. | Canvia de criteri entre converses semblants. |
| handoff | Si deriva amb resum i propers passos. | L’humà rep una conversa sense context. |
| Mesura | Si deixa esdeveniments, logs o camps revisables. | No se sap què ha funcionat ni què cal corregir. |
Gao et al. situen RAG com a resposta a problemes habituals dels LLMs: al·lucinacions, coneixement desactualitzat i raonament poc traçable. En negoci, aquests problemes es tradueixen en pèrdua de confiança. Per això la validació no pot quedar-se en “respon bonic”; ha de comprovar si l’agent recupera, decideix i deriva amb evidència.
Errors tècnics comuns
Els errors més freqüents no són sofisticats. Solen aparèixer per falta de preparació.
- Pujar documents sense netejar versions antigues.
- Barrejar contingut comercial, legal i tècnic sense metadades.
- Usar PDFs llargs amb seccions ambigües i sense títols clars.
- No separar regles de negoci d’informació descriptiva.
- No definir què fer quan no hi ha evidència suficient.
- No registrar quina font ha usat l’agent.
- No revisar respostes fallides per millorar la base.
- No connectar la base de coneixement amb CRM, formularis o eines reals.
També hi ha un error estratègic: creure que més documentació equival a més intel·ligència. En molts casos, l’agent millora quan es redueix el corpus a informació més neta, jerarquitzada i mantenible.
Versió mínima viable
La primera versió no hauria d’intentar cobrir tota l’empresa. Per a un agent IA comercial, una base mínima viable pot començar amb cinc blocs.
| Bloc MVP | Contingut mínim | Resultat esperat |
|---|---|---|
| Oferta | Serveis principals, abast, límits, públic objectiu. | L’agent entén què es ven i a qui. |
| Qualificació | Preguntes clau, criteris d’encaix, senyals de descart. | L’agent pregunta millor abans de derivar. |
| FAQs preventa | Objeccions, condicions, dubtes habituals i propers passos. | Menys respostes manuals repetides. |
| handoff | Format de resum, camps obligatoris i criteri d’escalat. | L’equip rep context accionable. |
| Mesura | Esdeveniments i camps mínims: intenció, font, estat, resultat. | El sistema pot aprendre del que passa. |
Després poden afegir-se casos d’ús per sector, integracions avançades, scoring, documentació tècnica específica, històric de converses i avaluació automatitzada.
Checklist tècnic-comercial
Abans de publicar o escalar l’agent, convé revisar aquesta checklist:
- L’oferta està descrita amb abast, límits i audiència.
- Les preguntes de qualificació estan lligades a decisions comercials.
- Cada font té propietari, data i estat de vigència.
- Les regles de negoci estan separades del contingut descriptiu.
- Hi ha criteris explícits per preguntar, filtrar, derivar o aturar-se.
- Els documents estan fragmentats en unitats amb sentit.
- Les metadades permeten filtrar per servei, audiència, etapa i risc.
- L’agent sap què fer si no troba evidència suficient.
- El handoff humà inclou resum, fonts, dubtes oberts i següent pas.
- Existeixen mètriques per revisar utilitat, errors i oportunitats generades.
Com ho plantejaria Nicolás Torres
No començaria per demanar tots els documents de l’empresa. Començaria per auditar el procés comercial i detectar quina informació s’usa realment per decidir.
Primer maparia entrades: formularis, chats, emails, trucades, CRM, campanyes i sol·licituds internes. Després identificaria què necessita saber l’agent per a cada acció: respondre un dubte, fer una pregunta, qualificar, descartar, crear una tasca o derivar a una persona.
Després prepararia la base per capes:
- Capa comercial: oferta, ICP, criteris d’encaix, objeccions i preguntes.
- Capa operativa: processos, handoff, owners, CRM, camps i eines.
- Capa de control: límits, polítiques, riscos, validacions i mètriques.
- Capa tècnica: fragmentació, metadades, vector store, file search i logs.
L’objectiu no seria que l’agent “sàpiga molt”. L’objectiu seria que usi la informació correcta en el moment correcte, amb límits clars i traçabilitat suficient per millorar.
Auditar la informació disponible per a un agent IA
Si la teva empresa o agència vol crear un agent IA comercial, el primer pas no és triar eina. És revisar quina informació existeix, què està desactualitzat, quines regles falten i què necessita saber l’agent per qualificar, respondre i derivar amb seguretat.
Auditar la informació disponible per a un agent IA
Preguntes freqüents
- Què és la base de coneixement d'un agent IA comercial?
- És el conjunt de documents, dades, regles, exemples, FAQs, criteris comercials i fonts internes que l'agent pot usar per respondre, preguntar, qualificar, resumir i derivar oportunitats.
- Quina informació ha d'incloure?
- Ha d'incloure oferta, ICP, serveis, preus o rangs, criteris de qualificació, casos d'ús, objeccions, processos, polítiques, límits, preguntes freqüents, integracions i regles de handoff humà.
- La base de coneixement és el mateix que un prompt?
- No. El prompt defineix instruccions; la base de coneixement aporta context recuperable, verificable i actualitzable perquè l'agent no depengui només de memòria del model.
- Quan convé usar RAG o cerca vectorial?
- Convé usar RAG o cerca vectorial quan l'agent necessita consultar documentació canviant, extensa o específica del negoci abans de respondre o prendre una decisió.
- Com es valida si la base de coneixement funciona?
- Es valida amb preguntes de prova, revisió de fonts recuperades, qualitat de respostes, detecció de buits, taxa de handoff, errors, mètriques de conversió i revisió humana periòdica.