--- title: "Wiki empresarial preparada para IA: arquitectura" canonical: https://wavect.io/es/blog/ai-ready-company-wiki/ language: es description: "Crea una wiki empresarial para personas y agentes. Arquitectura, permisos, RAG, MCP, gobernanza y un piloto práctico de 30 días." image: "https://wavect.io/img/blog/headers/header_ai-ready-company-wiki.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 13 de agosto de 2026 Última revisión 13 de agosto de 2026 [**Siguiente**](/es/blog/linux-for-ai-agents/) # Wiki empresarial preparada para IA: arquitectura y guía de implementación Resumen Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia y vigencia. Separa conceptos canónicos y legibles de índices reconstruibles de palabras, vectores y grafos. Aplica los permisos de la fuente antes de recuperar, devuelve citas con cada respuesta y deja que los agentes propongan diffs revisados en vez de publicar directamente. Empieza con un flujo valioso, 25 preguntas reales y 30 a 50 conceptos curados. Escala solo cuando una evaluación ciega mejore corrección con fuentes, tiempo de respuesta o esfuerzo de revisión sin fallos de permisos. **Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes de IA pueden recuperar con los mismos permisos, procedencia y señales de vigencia.** No es un chatbot conectado a una carpeta. El sistema útil separa conocimiento canónico, índices derivados, control de acceso, entrega a agentes y revisión humana. Esta guía responde a la pregunta de implementación: cómo diseñar y comprar ese sistema. Nuestra [guía de Open Knowledge Format](/es/blog/open-knowledge-format-okf/) explica el formato de intercambio, el [análisis de OpenKB](/es/blog/openkb-review-vs-rag/) evalúa un compilador de conocimiento y la [lista de preparación de RAG para producción](/es/blog/rag-production-readiness-checklist-eu/) cubre la calidad de recuperación. Aquí conectamos esas capas en un modelo operativo para toda la empresa. ## ¿Qué hace que una wiki empresarial esté preparada para IA? Una wiki está preparada para IA cuando una persona y un agente pueden encontrar, autorizar, atribuir, verificar y probar la misma respuesta. La búsqueda semántica mejora el descubrimiento, pero no asigna responsables, resuelve contradicciones ni conserva por sí sola los permisos documentales. | Señal | Wiki empresarial convencional | Wiki preparada para IA | | --- | --- | --- | | Fuente de verdad | Páginas, carpetas y adjuntos | Conceptos canónicos con ID estables y enlaces a fuentes | | Confianza | El lector infiere la autoridad de la página | Responsable, fuente, verificación y fecha de revisión explícitos | | Vigencia | "Última edición" sin política | Intervalo de revisión, estado obsoleto y ruta de sustitución | | Permisos | Comprobados en la interfaz de la wiki | Aplicados de nuevo durante la recuperación y el acceso del agente | | Descubrimiento | Navegación y búsqueda por palabras | Navegación, búsqueda, recuperación y recorrido de relaciones | | Escritura por agentes | A menudo sin límites o no disponible | Cola de borradores, diff, revisor y registro de auditoría | | Calidad | Comentarios y visitas | Preguntas con fuente, pruebas de recuperación y resultados de tarea | ## ¿Qué arquitectura funciona para personas y agentes de IA? El patrón duradero es un sistema de conocimiento de seis capas. Cada capa tiene una función, por lo que puedes cambiar el buscador o el modelo sin mover la fuente de verdad. 1. **Sistemas fuente.** Wikis, políticas, tickets, repositorios, bases de datos y conversaciones aprobadas siguen siendo evidencia, no un volcado indiferenciado. 2. **Conocimiento canónico.** Los conceptos duraderos, como una regla de precios, un runbook de incidentes o una definición de cliente, tienen ID estables, responsables, fuentes y metadatos de ciclo de vida. 3. **Plano de control de gobernanza.** Clasificación, política de acceso, revisiones, aprobaciones, retención y auditoría acompañan al concepto. 4. **Índices derivados.** Los índices de palabras, vectores y grafos son proyecciones reconstruibles. Nunca son la única copia del conocimiento. 5. **Capa de entrega.** Una API o servidor MCP consciente de permisos entrega el contexto mínimo relevante y remite a la fuente canónica. 6. **Experiencias.** Las personas navegan y editan una wiki; los asistentes responden; los agentes cargan contexto para tareas acotadas. La [especificación Open Knowledge Format v0.2](https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md) de Google Cloud encaja en la capa canónica porque mantiene los conceptos en Markdown legible e incorpora campos opcionales de procedencia, verificación, ciclo de vida y vigencia. No define recuperación, permisos ni entrega en ejecución. Por eso siguen haciendo falta las demás capas. ## ¿Deberías sustituir tu wiki actual? **Normalmente no al principio.** Trata la wiki actual como superficie de edición o fuente de evidencia y construye una capa gobernada alrededor de un flujo valioso. Sustituir todas las páginas antes de probar la calidad de recuperación crea un proyecto de migración sin demostrar valor empresarial. Hay tres modelos viables de fuente de verdad: | Modelo | Mejor encaje | Principal compensación | | --- | --- | --- | | La wiki existente sigue siendo canónica | Equipos con alta adopción y API fiables | Piloto más rápido, pero metadatos y portabilidad dependen de la plataforma | | Markdown respaldado por Git se vuelve canónico | Equipos técnicos que valoran diffs, revisiones y portabilidad | Excelente para agentes y gobernanza, pero los perfiles no técnicos necesitan una interfaz amable | | Una capa curada refleja fuentes aprobadas | Organizaciones con muchos sistemas y permisos mixtos | Separa bien evidencia y respuestas, pero exige operar sincronización y propiedad | Un buen piloto puede empezar con 30 a 50 conceptos de alto valor. No ingieras toda la unidad corporativa. Empieza por las preguntas que retrasan onboarding, soporte, ventas o respuesta a incidentes, y por la evidencia que las responde. ## ¿Cómo deben recuperar conocimiento los agentes? Ningún método gana en todas las preguntas. Usa el más barato que conserve el significado y la evidencia necesarios. | Método | Úsalo para | No esperes que | | --- | --- | --- | | Jerarquía y enlaces | Navegación progresiva, manuales y dominios conocidos | Encuentre toda pregunta reformulada | | Búsqueda por palabras | Nombres, códigos de error, números de política y términos exactos | Resuelva preguntas vagas o conceptuales | | RAG vectorial o híbrido | Preguntas en lenguaje natural sobre corpus mayores | Aporte gobernanza o garantice la fuente correcta | | Grafo de conocimiento | Responsables, dependencias, excepciones y relaciones de varios saltos | Justifique su coste para una búsqueda documental simple | | Recurso o herramienta MCP | Acceso estándar de agentes a operaciones aprobadas de búsqueda y lectura | Sustituya el almacén o su política de acceso | La evaluación debe incluir lenguaje real e imperfecto. La nota de Google Cloud sobre [evaluación del descubrimiento de agentes](https://cloud.google.com/blog/products/data-analytics/evaluate-agent-performance) plantea la recuperación como buscar una aguja en un pajar y pregunta cuánto puede degradarse una consulta antes de fallar. Prueba abreviaturas, nombres antiguos, preguntas incompletas y fuentes contradictorias, no solo prompts pulidos por el equipo de implementación. ## ¿Cómo se mantienen seguros los permisos y las escrituras? El control de permisos pertenece a la ruta de recuperación. Copiar documentos restringidos a un índice vectorial común y filtrar después de generar es demasiado tarde. Cada búsqueda y lectura debe derivar la identidad, cruzarla con los permisos de la fuente y devolver solo conceptos autorizados. La [guía de OWASP sobre debilidades de vectores y embeddings](https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/) identifica fugas entre contextos, conocimiento envenenado y controles débiles como riesgos concretos de RAG. Recomienda almacenes conscientes de permisos, validación de fuentes confiables, clasificación y registros de recuperación. Si la wiki se expone mediante MCP, conserva autenticación y autorización en esa frontera. La [guía actual de seguridad de MCP](https://modelcontextprotocol.io/docs/2026-07-28/tutorials/security/security_best_practices) exige verificar las solicitudes entrantes y rechaza el paso directo de tokens porque puede eludir controles y romper la trazabilidad. El ID de un resultado o un handle de estado no demuestra permiso para leer la página subyacente. Empieza con una política de escritura asimétrica: - **Las personas publican; los agentes proponen.** Los agentes crean borradores o parches con fuentes y el motivo del cambio. - **Los revisores aceptan un diff.** Conceptos críticos como precios, políticas legales y runbooks de producción requieren responsables nombrados. - **Los índices se reconstruyen tras la aprobación.** El contenido rechazado o sin revisar nunca se convierte en contexto confiable. - **Cada respuesta permanece trazable.** Registra consulta, ID recuperados, decisión de política, respuesta y feedback sin registrar secretos. La reciente [arquitectura de referencia de Cloudflare para un espacio empresarial de agentes](https://developers.cloudflare.com/reference-architecture/diagrams/ai/enterprise-ai-agent-workspace/) usa la misma separación: el contexto compartido se publica de forma central en una biblioteca versionada y de solo lectura, mientras modelos, herramientas, credenciales y ejecución se gobiernan fuera del espacio. ## ¿Qué debe contener cada concepto? Un concepto debe responder una pregunta duradera y mostrar metadatos suficientes para decidir si es seguro usarlo antes de leer todo su cuerpo. ``` --- type: Policy title: Escalado de incidentes de producción owner: team:platform status: stable classification: internal generated: { by: human:platform-lead, at: 2026-08-13T09:00:00Z } verified: { by: human:security-owner, at: 2026-08-13T11:00:00Z } stale_after: 2026-11-13 sources: - id: incident-policy resource: https://intranet.example/policies/incidents --- ## Decisión Avisar al comandante de incidentes ante un evento confirmado de severidad uno. ## Excepciones Los despliegues gestionados por clientes siguen el runbook contractual. ## Procedimiento 1. Abrir el canal del incidente. 2. Registrar evidencia y hora de inicio. 3. Avisar al responsable. ``` El frontmatter no sustituye una redacción clara. Permite que una persona, un filtro determinista o un agente descarte un concepto obsoleto, sustituido o no autorizado antes de gastar tiempo y contexto del modelo. ## ¿Cómo es un piloto de 30 días? 1. **Días 1 a 3, elegir el flujo.** Escoge una ruta costosa, como incorporar a un desarrollador, responder una escalada de soporte o diagnosticar un incidente. Define responsable y métrica. 2. **Días 4 a 7, crear el conjunto de preguntas.** Recoge 25 preguntas reales, respuestas esperadas, fuentes aprobadas, roles autorizados y casos de rechazo. 3. **Días 8 a 14, curar el segmento.** Normaliza 30 a 50 conceptos, asigna responsables, elimina duplicados y registra contradicciones sin fusionarlas en silencio. 4. **Días 15 a 20, construir recuperación y acceso.** Compara búsqueda léxica e híbrida, aplica permisos antes de recuperar y devuelve enlaces de fuente con cada respuesta. 5. **Días 21 a 25, añadir ambas interfaces.** Las personas navegan y corrigen; un agente aprobado busca y lee mediante una API o superficie MCP estrecha. 6. **Días 26 a 30, ejecutar evaluación ciega.** Mide corrección con fuentes, recall, calidad del rechazo, tiempo mediano, esfuerzo de revisión y fallos de permisos contra el flujo actual. Escala solo si el piloto mejora un resultado empresarial sin debilitar acceso ni crear una cola sin dueño. Nuestro [modelo de costes de un asistente interno en DACH](/es/blog/internal-ai-assistant-cost-dach/) explica por qué preparación del contenido, permisos, evaluación y mantenimiento suelen importar más que la factura del modelo. ## ¿Conviene construir, comprar o ampliar? | Decisión | Elígela cuando | Pregunta antes de firmar | | --- | --- | --- | | Ampliar la wiki actual | Ya tiene adopción, API, permisos y revisiones | ¿La recuperación preserva ACL de páginas y adjuntos para cada usuario? | | Comprar una plataforma de conocimiento con IA | Conectores estándar y preguntas internas cubren casi todo | ¿Puedes exportar contenido canónico, metadatos, citas y auditoría? | | Construir una capa gobernada | El flujo cruza sistemas, permisos propios o agentes de producto | ¿Quién posee sincronización, evaluación, incidentes y revisión continua? | | Usar un híbrido | Las personas necesitan un editor familiar y los agentes contexto portable y probado | ¿Qué sistema es canónico para cada concepto y cómo muestra conflictos? | Una demo comercial no debe decidirlo. Exige una exportación, una prueba de permisos y una evaluación ciega con tus preguntas. Si el sistema no explica por qué recuperó una respuesta, quién puede verla y cuándo se verificó su fuente, no está preparado para ser la memoria de la empresa. ## Lista de aceptación para una wiki preparada para IA 1. Un responsable nombrado para cada concepto crítico. 2. ID estables y enlaces visibles a fuentes aprobadas. 3. Estado, verificación y fecha de revisión explícitos. 4. Permisos de fuente aplicados antes de recuperar. 5. Contenido canónico separado de índices reconstruibles. 6. Las respuestas citan los conceptos realmente recuperados. 7. Los agentes proponen cambios mediante borradores o diffs revisables. 8. Las contradicciones y el contenido obsoleto se muestran, no se mezclan. 9. Un conjunto fijo cubre preguntas vagas, rechazos y límites de acceso. 10. Exportación, auditoría y portabilidad del modelo probadas antes del despliegue. ## Preguntas frecuentes ### ¿Qué es una wiki empresarial preparada para IA? Es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia, propiedad y vigencia. El contenido canónico queda separado de los índices de búsqueda y vectores reconstruibles. ### ¿Una wiki preparada para IA necesita RAG? No. Un corpus pequeño y bien enlazado puede funcionar con jerarquía y búsqueda por palabras. RAG ayuda con lenguaje natural sobre colecciones mayores, pero sigue necesitando permisos, citas, evaluación y gobernanza. ### ¿MCP es la base de conocimiento? No. MCP ofrece a los agentes una forma estándar de buscar o leer recursos aprobados. La fuente de verdad, permisos, lógica de recuperación y revisión viven detrás de esa interfaz. ### ¿Pueden los agentes actualizar la wiki automáticamente? Pueden proponer cambios. El valor seguro por defecto es un borrador o diff con fuentes y revisor nombrado. Los cambios aprobados se publican en el corpus canónico y reconstruyen los índices. ### ¿Cómo evitamos fugas de información confidencial? Lleva clasificación y permisos de la fuente a la recuperación, autentica cada solicitud, filtra antes de recuperar, valida fuentes, aísla tenants y registra decisiones. Nunca uses el prompt como frontera de acceso. ### ¿Cómo debe empezar una empresa? Elige un flujo valioso, reúne 25 preguntas reales y cura 30 a 50 conceptos. Compara el piloto con el proceso actual y escala solo si mejoran corrección, tiempo o revisión sin fallos de permisos. ## Reflexiones finales La mejor wiki empresarial preparada para IA no es la que contiene más documentos. Es el sistema gobernado más pequeño capaz de responder un conjunto valioso de preguntas para personas y agentes con la misma evidencia, permisos y ciclo de revisión. Mantén la fuente legible, trata los índices como desechables, integra la autorización en la recuperación y deja que los agentes propongan antes de publicar. Esa arquitectura sobrevive a cambios de modelo y ofrece algo mejor que otro chatbot: una memoria operativa que la empresa puede inspeccionar y mejorar. ## También te puede gustar.. [**Open Knowledge Format: guía empresarial** Cómo OKF v0.2 empaqueta conocimiento portable y legible con señales de procedencia, confianza y vigencia.](/es/blog/open-knowledge-format-okf/) [**AI enablement frente a consultoría genérica** Compara una implementación medible en tu infraestructura con un proyecto solo estratégico.](/es/compare/ai-enablement-vs-generic-ai-consultancy/) Modelos e infraestructura ## Continúa por este clúster Selección de modelos, economía de inferencia, despliegue local, compresión y serving. [Empieza por el artículo fundamental**Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open Weights**](/es/blog/self-hosting-llms-eu-cost/) - [Cómo autoalojar LiteLLM en producción: guía 2026](/es/blog/self-host-litellm-production-2026/) - [¿Claude añade marcas de agua al texto? Respuesta API 2026](/es/blog/claude-text-watermark-api-2026/) - [Review de OpenKB: compilador de conocimiento vs RAG](/es/blog/openkb-review-vs-rag/) - [Unsloth Desktop: ¿workstation privada de IA local?](/es/blog/unsloth-desktop-local-ai-workstation-review/) - [NeMo Switchyard 0.2: ¿routing de agentes sin entrenar?](/es/blog/nemo-switchyard-model-router/) Tu bandeja, sin ruido ## Sigue el trabajo que te importa Recibe un correo breve cuando publiquemos algo nuevo. Sigue todo el blog o solo los temas que te interesan. [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 13 de agosto de 2026 Última revisión 13 de agosto de 2026 [**Siguiente**](/es/blog/linux-for-ai-agents/) Nuevos artículos por correo × × Recibe nuevos artículos por correo Un correo breve cuando publicamos. Gratis y sin seguimiento. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/ai-ready-company-wiki/#webpage", "@type": "WebPage", "dateModified": "2026-08-13", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-13", "url": "https://wavect.io/es/blog/ai-ready-company-wiki/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia y vigencia. Separa conceptos canónicos y legibles de índices reconstruibles de palabras, vectores y grafos. Aplica los permisos de la fuente antes de recuperar, devuelve citas con cada respuesta y deja que los agentes propongan diffs revisados en vez de publicar directamente. Empieza con un flujo valioso, 25 preguntas reales y 30 a 50 conceptos curados. Escala solo cuando una evaluación ciega mejore corrección con fuentes, tiempo de respuesta o esfuerzo de revisión sin fallos de permisos.", "articleBody": " Resumen del blog/IA y agentes/Modelos e infraestructura Wiki empresarial preparada para IA: arquitectura y guía de implementación Resumen Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia y vigencia. Separa conceptos canónicos y legibles de índices reconstruibles de palabras, vectores y grafos. Aplica los permisos de la fuente antes de recuperar, devuelve citas con cada respuesta y deja que los agentes propongan diffs revisados en vez de publicar directamente. Empieza con un flujo valioso, 25 preguntas reales y 30 a 50 conceptos curados. Escala solo cuando una evaluación ciega mejore corrección con fuentes, tiempo de respuesta o esfuerzo de revisión sin fallos de permisos. Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes de IA pueden recuperar con los mismos permisos, procedencia y señales de vigencia. No es un chatbot conectado a una carpeta. El sistema útil separa conocimiento canónico, índices derivados, control de acceso, entrega a agentes y revisión humana. Esta guía responde a la pregunta de implementación: cómo diseñar y comprar ese sistema. Nuestra guía de Open Knowledge Format explica el formato de intercambio, el análisis de OpenKB evalúa un compilador de conocimiento y la lista de preparación de RAG para producción cubre la calidad de recuperación. Aquí conectamos esas capas en un modelo operativo para toda la empresa. ¿Qué hace que una wiki empresarial esté preparada para IA? Una wiki está preparada para IA cuando una persona y un agente pueden encontrar, autorizar, atribuir, verificar y probar la misma respuesta. La búsqueda semántica mejora el descubrimiento, pero no asigna responsables, resuelve contradicciones ni conserva por sí sola los permisos documentales. SeñalWiki empresarial convencionalWiki preparada para IA Fuente de verdadPáginas, carpetas y adjuntosConceptos canónicos con ID estables y enlaces a fuentes ConfianzaEl lector infiere la autoridad de la páginaResponsable, fuente, verificación y fecha de revisión explícitos Vigencia\"Última edición\" sin políticaIntervalo de revisión, estado obsoleto y ruta de sustitución PermisosComprobados en la interfaz de la wikiAplicados de nuevo durante la recuperación y el acceso del agente DescubrimientoNavegación y búsqueda por palabrasNavegación, búsqueda, recuperación y recorrido de relaciones Escritura por agentesA menudo sin límites o no disponibleCola de borradores, diff, revisor y registro de auditoría CalidadComentarios y visitasPreguntas con fuente, pruebas de recuperación y resultados de tarea ¿Qué arquitectura funciona para personas y agentes de IA? El patrón duradero es un sistema de conocimiento de seis capas. Cada capa tiene una función, por lo que puedes cambiar el buscador o el modelo sin mover la fuente de verdad. Sistemas fuente. Wikis, políticas, tickets, repositorios, bases de datos y conversaciones aprobadas siguen siendo evidencia, no un volcado indiferenciado. Conocimiento canónico. Los conceptos duraderos, como una regla de precios, un runbook de incidentes o una definición de cliente, tienen ID estables, responsables, fuentes y metadatos de ciclo de vida. Plano de control de gobernanza. Clasificación, política de acceso, revisiones, aprobaciones, retención y auditoría acompañan al concepto. Índices derivados. Los índices de palabras, vectores y grafos son proyecciones reconstruibles. Nunca son la única copia del conocimiento. Capa de entrega. Una API o servidor MCP consciente de permisos entrega el contexto mínimo relevante y remite a la fuente canónica. Experiencias. Las personas navegan y editan una wiki; los asistentes responden; los agentes cargan contexto para tareas acotadas. La especificación Open Knowledge Format v0.2 de Google Cloud encaja en la capa canónica porque mantiene los conceptos en Markdown legible e incorpora campos opcionales de procedencia, verificación, ciclo de vida y vigencia. No define recuperación, permisos ni entrega en ejecución. Por eso siguen haciendo falta las demás capas. ¿Deberías sustituir tu wiki actual? Normalmente no al principio. Trata la wiki actual como superficie de edición o fuente de evidencia y construye una capa gobernada alrededor de un flujo valioso. Sustituir todas las páginas antes de probar la calidad de recuperación crea un proyecto de migración sin demostrar valor empresarial. Hay tres modelos viables de fuente de verdad: ModeloMejor encajePrincipal compensación La wiki existente sigue siendo canónicaEquipos con alta adopción y API fiablesPiloto más rápido, pero metadatos y portabilidad dependen de la plataforma Markdown respaldado por Git se vuelve canónicoEquipos técnicos que valoran diffs, revisiones y portabilidadExcelente para agentes y gobernanza, pero los perfiles no técnicos necesitan una interfaz amable Una capa curada refleja fuentes", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "especificación Open Knowledge Format v0.2", "url": "https://github.com/GoogleCloudPlatform/knowledge-catalog/blob/main/okf/SPEC.md" }, { "@type": "WebPage", "name": "evaluación del descubrimiento de agentes", "url": "https://cloud.google.com/blog/products/data-analytics/evaluate-agent-performance" }, { "@type": "WebPage", "name": "guía de OWASP sobre debilidades de vectores y embeddings", "url": "https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/" }, { "@type": "WebPage", "name": "guía actual de seguridad de MCP", "url": "https://modelcontextprotocol.io/docs/2026-07-28/tutorials/security/security_best_practices" }, { "@type": "WebPage", "name": "arquitectura de referencia de Cloudflare para un espacio empresarial de agentes", "url": "https://developers.cloudflare.com/reference-architecture/diagrams/ai/enterprise-ai-agent-workspace/" } ], "dateModified": "2026-08-13", "datePublished": "2026-08-13", "description": "Una wiki empresarial preparada para IA es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia y vigencia. Separa conceptos canónicos y legibles de índices reconstruibles de palabras, vectores y grafos. Aplica los permisos de la fuente antes de recuperar, devuelve citas con cada respuesta y deja que los agentes propongan diffs revisados en vez de publicar directamente. Empieza con un flujo valioso, 25 preguntas reales y 30 a 50 conceptos curados. Escala solo cuando una evaluación ciega mejore corrección con fuentes, tiempo de respuesta o esfuerzo de revisión sin fallos de permisos.", "headline": "Wiki empresarial preparada para IA: arquitectura e implementación", "image": "https://wavect.io/img/blog/headers/header_ai-ready-company-wiki.svg", "inLanguage": "es", "keywords": "Agentes de IA, Gestión del conocimiento", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/ai-ready-company-wiki/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/ai-ready-company-wiki/", "wordCount": 2426 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/models-infrastructure/", "name": "Modelos e infraestructura", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/ai-ready-company-wiki/", "name": "Wiki empresarial preparada para IA: arquitectura | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Es una fuente gobernada de conocimiento organizativo que las personas pueden editar y los agentes recuperar con los mismos permisos, procedencia, propiedad y vigencia. El contenido canónico queda separado de los índices de búsqueda y vectores reconstruibles." }, "name": "¿Qué es una wiki empresarial preparada para IA?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. Un corpus pequeño y bien enlazado puede funcionar con jerarquía y búsqueda por palabras. RAG ayuda con lenguaje natural sobre colecciones mayores, pero sigue necesitando permisos, citas, evaluación y gobernanza." }, "name": "¿Una wiki preparada para IA necesita RAG?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. MCP ofrece a los agentes una forma estándar de buscar o leer recursos aprobados. La fuente de verdad, permisos, lógica de recuperación y revisión viven detrás de esa interfaz." }, "name": "¿MCP es la base de conocimiento?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Pueden proponer cambios. El valor seguro por defecto es un borrador o diff con fuentes y revisor nombrado. Los cambios aprobados se publican en el corpus canónico y reconstruyen los índices." }, "name": "¿Pueden los agentes actualizar la wiki automáticamente?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Lleva clasificación y permisos de la fuente a la recuperación, autentica cada solicitud, filtra antes de recuperar, valida fuentes, aísla tenants y registra decisiones. Nunca uses el prompt como frontera de acceso." }, "name": "¿Cómo evitamos fugas de información confidencial?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Elige un flujo valioso, reúne 25 preguntas reales y cura 30 a 50 conceptos. Compara el piloto con el proceso actual y escala solo si mejoran corrección, tiempo o revisión sin fallos de permisos." }, "name": "¿Cómo debe empezar una empresa?" } ] } ```