Blog
Asistente de IA local con Ollama y RAG: consulta de manuales e instructivos técnicos de forma privada
Publicado: 14 de agosto de 2026
Cuando un técnico necesita diagnosticar un fallo en un chiller, una subestación o una bomba de agua, buscar la respuesta entre cientos de páginas de manuales en PDF toma tiempo valioso. Los modelos del lenguaje (LLM) resuelven esto al responder preguntas directas, pero subirlos a servicios en la nube genera dudas de privacidad o costos de API. La combinación de Ollama (IA local) con RAG (Generación Aumentada por Recuperación) ofrece la solución perfecta: respuestas precisas, inmediatas y 100% privadas.
1. ¿Qué es RAG y por qué cambia la gestión técnica?
Un LLM estándar puede inventar información o desconocer el modelo exacto de tus activos. RAG actúa como un "puente" entre el modelo de IA y tu biblioteca de documentos técnicos.
- Paso 1 (Indexación): Los manuales en PDF, guías del fabricante e instructivos de seguridad se fragmentan y guardan en una base de datos vectorial.
- Paso 2 (Búsqueda): Cuando el usuario pregunta "¿Cuál es el torque de apriete para la bomba X?", la base vectorial busca los fragmentos exactos del manual.
- Paso 3 (Respuesta): La IA sintetiza la respuesta utilizando únicamente la información encontrada en tus archivos.
2. Por qué usar Ollama y modelos Open Source en la operación
Desplegar modelos open source (como Llama 3 o Qwen) mediante herramientas como Ollama en un servidor local o laptop de la sede aporta beneficios directos para Facilities:
- Privacidad de datos total: Planos de infraestructura, diagramas unifilares e instructivos internos no salen del entorno de la empresa.
- Funcionamiento sin internet: En cuartos técnicos bajo tierra, sótanos o zonas de baja cobertura, el sistema sigue funcionando localmente.
- Sin costo por token: A diferencia de las APIs comerciales, no hay pagos por consulta ni límites de volumen.
3. Casos de uso prácticos en campo
- Diagnóstico ágil de alarmas: Ingresar el código de error que muestra el panel del equipo para recibir de inmediato los pasos de solución de problemas del manual.
- Verificación de parámetros de mantenimiento: Consultar rápidamente presiones de trabajo, tipos de lubricante recomendados y frecuencias de cambio.
- Acreditación y auditorías: Consultar los pasos de seguridad e EPP obligatorios antes de emitir un permiso de trabajo para un activo específico.
4. Arquitectura básica recomendada
Estructurar un piloto no requiere infraestructura compleja:
- Motor LLM local: Ollama corriendo un modelo liviano pero potente.
- Orquestador/UI: Herramientas como AnythingLLM, Open WebUI o scripts en Python con LangChain/LlamaIndex.
- Base de datos vectorial: ChromaDB o Qdrant locales para indexar los PDF de los activos.
Conclusión
Un asistente local con RAG no reemplaza el criterio del técnico, pero elimina el tiempo perdido buscando información dispersa. Convertir los manuales estáticos en una base de conocimiento interactiva y privada es uno de los pasos más prácticos y rentables para modernizar las operaciones de Facilities Management.