Anonimización antes del modelo
Los datos personales se sustituyen antes de la llamada al modelo, nunca después. El proceso es fail-closed: si falla, la petición no sale.
Ingeniería · Inteligencia artificial
RAG empresarial privado, con los datos dentro de la UE
Construimos sistemas RAG privados: el modelo responde con tus documentos, cita la fuente de cada afirmación y nunca ve un dato personal. La anonimización va antes de la llamada al modelo y la inferencia corre dentro de la Unión Europea. Es exactamente cómo funcionan nuestras propias plataformas en un dominio donde equivocarse tiene consecuencias legales.
Actualizado:
Definiciones clave
- RAG (Retrieval-Augmented Generation)
- Patrón en el que el modelo recupera fragmentos de una base documental y redacta a partir de ellos, citando la fuente, en lugar de generar la respuesta de memoria.
- RAG privado
- Sistema RAG en el que los documentos y la inferencia no salen del perímetro acordado. En CyberVaultLabs ese perímetro es la Unión Europea: Vertex AI sobre Gemini en la región europe-southwest1 (Madrid).
- Anonimización previa a la inferencia
- Sustitución de los datos personales antes de enviar el texto al modelo. El proceso es fail-closed: si la anonimización falla, la petición no sale.
- Alucinación
- Afirmación generada por un modelo que suena plausible y no está respaldada por ninguna fuente. Con citas obligatorias, una afirmación sin fuente no llega a emitirse.
Qué es un RAG privado y por qué importa la palabra «privado»
Un RAG empresarial responde con los documentos de la empresa, no con lo que el modelo recuerda. Recupera los fragmentos relevantes del expediente, redacta a partir de ellos y cita la fuente de cada afirmación. Esa cita es lo que convierte una respuesta en algo verificable: el profesional puede abrir el documento, comprobar la frase y decidir si la firma.
La palabra que importa en RAG privado es privado. Los datos personales se anonimizan antes de la llamada al modelo, nunca después, y el proceso es fail-closed: si la anonimización falla, la petición no sale. No hay una ruta por la que un nombre, un DNI o una dirección lleguen al modelo por accidente. Los documentos de ingesta tampoco se guardan: se parsean y se descartan.
La inferencia corre en Vertex AI sobre Gemini, en la región europe-southwest1 (Madrid). Los datos y el modelo permanecen dentro de la Unión Europea. La residencia de datos no es una cláusula de marketing: es la región en la que está desplegado el proyecto, y se puede enseñar en la consola. Cuando el dominio está regulado, esa región aparece en el contrato y en la auditoría, y responder «está en la nube» no vale.
Contra la alucinación no hay una capa mágica: hay una regla dura. Sin fuente no hay afirmación. El modelo recupera, cita y el profesional revisa y firma. Es la misma arquitectura que sostiene la redacción asistida de Perizial, que gestiona el gabinete pericial entero y está en producción con clientes de pago, y el copiloto de redacción de Tramitia, en early access con un cliente enterprise.
Si el sistema además tiene que aislar los datos de varias organizaciones, ese aislamiento se aplica en la base de datos con Row-Level Security, no solo en el código de aplicación. Y si lo que necesitas demostrar es el cumplimiento del RGPD con hechos técnicos, esos controles viven en la arquitectura de seguridad y cumplimiento, no en un documento aparte.
Qué incluye un RAG privado
Inferencia dentro de la UE
Vertex AI sobre Gemini, en la región europe-southwest1 (Madrid). Datos y modelo permanecen en la Unión Europea.
Citas obligatorias
Cada afirmación generada apunta al fragmento del que sale. Sin fuente, la afirmación no se emite.
Recuperación sobre tu expediente
El índice se construye con los documentos de la organización, no con conocimiento general del modelo.
Revisión y firma humanas
El sistema propone, la persona revisa y firma. En trabajo regulado, la responsabilidad no se delega en un modelo.
Ingesta por correo, PDF o integración
El documento entra por donde ya trabaja el cliente. Los documentos de ingesta no se persisten después del parseo.
Aislamiento por organización
Cuando el sistema sirve a varias organizaciones, el aislamiento se aplica con Row-Level Security en la base de datos.
Trazabilidad de la respuesta
Queda registrado qué documento sostiene qué frase. Es lo que permite defender un informe si alguien lo discute.
CI antes de producción
Cada cambio pasa por integración continua antes de desplegarse. El desarrollo se hace con Claude Code.
Dónde se puede ver funcionando
Perizial es la prueba. Es un SaaS B2B multi-tenant que gestiona el gabinete pericial entero —del encargo a la factura—, en producción con clientes de pago y con planes públicos desde 69,99 € al mes. Su redacción asistida no genera texto de memoria: recupera del expediente, cita la fuente de cada afirmación y el perito revisa y firma. La anonimización previa a la inferencia y la residencia de datos en la UE no son una propuesta para tu proyecto: son cómo está construido el nuestro, y se puede abrir y probar 30 días.
Preguntas frecuentes
- ¿Qué es un RAG empresarial?
- Un RAG empresarial es un sistema que responde con los documentos de la empresa en lugar de generar texto de memoria: recupera los fragmentos relevantes, redacta a partir de ellos y cita de dónde sale cada afirmación. RAG son las siglas de Retrieval-Augmented Generation. La diferencia práctica con un chatbot genérico es que la respuesta se puede verificar: cada frase apunta al documento que la sostiene.
- ¿Qué significa que un RAG sea privado?
- Que los documentos y la inferencia no salen del perímetro acordado. En nuestras plataformas ese perímetro es la Unión Europea: la inferencia corre en Vertex AI sobre Gemini, en la región europe-southwest1 (Madrid), y los datos personales se anonimizan antes de la llamada al modelo. No es una promesa comercial: es la región en la que está desplegado el proyecto.
- ¿Qué pasa con los datos personales antes de llegar al modelo?
- Se anonimizan antes de la llamada al modelo, nunca después. El proceso es fail-closed: si la anonimización falla, la petición no sale. No existe una ruta por la que un dato identificable llegue al modelo por accidente. Los documentos de ingesta, además, no se persisten después del parseo.
- ¿Cómo se evita que el modelo se invente información?
- Con citas obligatorias: el modelo no redacta de memoria, recupera del expediente y cita la fuente de cada afirmación, de modo que el profesional puede verificarla antes de firmar. Sin fuente no hay afirmación. En peritaje o en un trámite oficial, una frase inventada no es un error de estilo: tiene consecuencias legales.
- ¿Habéis puesto un sistema RAG en producción?
- Sí. Perizial redacta el informe pericial recuperando del expediente y citando la fuente de cada afirmación, con revisión y firma del perito; está en producción con clientes de pago. Tramitia incluye un copiloto de redacción sobre RAG con citas verificables y está en early access con un cliente enterprise. Se pueden enseñar funcionando.
- ¿Usáis OpenAI o Claude?
- La inferencia de nuestras plataformas corre en Vertex AI sobre Gemini, en la región europe-southwest1. El desarrollo del código se hace con Claude Code. El criterio para elegir modelo no es la marca: es dónde se procesan los datos, qué se puede demostrar y si el sistema puede citar sus fuentes.
- ¿Cuándo NO tiene sentido un RAG?
- Cuando la respuesta no está en ningún documento. Un RAG recupera y cita; no razona sobre información que la empresa no tiene escrita en ninguna parte. Si el conocimiento vive solo en la cabeza de las personas, el primer trabajo no es de IA: es escribirlo.
- ¿Podéis construir un RAG privado para mi empresa?
- Sí. Es una línea abierta: si tu empresa necesita un sistema propio que lea sus documentos y redacte citando la fuente, lo construimos contigo, con la misma arquitectura que corre hoy en Perizial y en Tramitia. El alcance se cierra por escrito antes de empezar, y el repositorio y la cuenta cloud quedan a tu nombre.
Servicios relacionados
Seguridad y cumplimiento →
El RGPD aplicado en la arquitectura: anonimización, minimización y trazabilidad verificables.
SaaS B2B multi-tenant →
Cuando el sistema con IA sirve a varias organizaciones y los datos no pueden cruzarse.
Automatización de procesos →
Cuando la extracción de datos de un documento es un paso de un proceso más largo.
¿Hablamos de tu proyecto?
Escribe a [email protected] y cuenta qué proceso quieres automatizar, qué datos toca y con qué sistemas tiene que hablar. Con eso se puede responder si tiene sentido, qué alcance tendría y en qué rango de precio cae.