Philia Sophia – Javier Forero

El espíritu emprendedor en América Latina es innegable, vibrante y lleno de potencial. Sin embargo, transformar una idea en un negocio real a menudo choca con una realidad compleja: la diversidad y a veces opacidad de los trámites legales, las regulaciones fiscales y la necesidad de estructurar un plan de negocio sólido, adaptado a las particularidades de cada ciudad y país.

Imagina un asistente que pueda leer esos largos documentos oficiales y decirte, en español simple, exactamente qué pasos seguir en Bogotá, o qué requisitos aplican a una PyME en Santiago. O que, basándose en ejemplos, te ayude a esbozar un plan de marketing específico para tu tienda en Buenos Aires o tu cafetería en Medellín.

Este es precisamente el tipo de solución que podemos empezar a construir utilizando las herramientas de IA Generativa de Google, como el modelo Gemini y su capacidad de generar embeddings, combinadas con una arquitectura de Retrieval Augmented Generation (RAG).

Hemos explorado esta posibilidad en un proyecto práctico, utilizando un cuaderno de Kaggle para demostrar un MVP (Producto Mínimo Viable) de un asistente inteligente para emprendedores.

Aquí te contamos cómo funciona.

El Desafío: Información Dispersa y Compleja

El principal obstáculo para muchos emprendedores es la falta de acceso fácil y rápido a información precisa y actualizada sobre:

• Trámites de registro: ¿Dónde ir, qué documentos llevar, cuánto tarda?
• Obligaciones fiscales: ¿Qué impuestos debo pagar, cuándo y cómo?
• Requisitos específicos: Normativas locales, permisos sectoriales, etc.
• Planificación: Cómo estructurar un plan de negocio o una estrategia de marketing efectiva.

La información existe, pero a menudo está enterrada en PDFs largos, sitios web gubernamentales complejos o requiere consultar a múltiples expertos.

La Solución con GenAI: Un Asistente a tu Medida

La Inteligencia Artificial Generativa ofrece una oportunidad única para procesar grandes volúmenes de texto y generar respuestas coherentes y personalizadas. Modelos como Gemini de Google pueden entender el contexto, resumir información y generar contenido creativo o estructurado.

Nuestro proyecto explora dos enfoques principales:

1. El Enfoque Básico: PDF Directo a Gemini

La forma más sencilla es cargar un documento (como un PDF con trámites oficiales), extraer su texto y enviarlo al modelo Gemini (en nuestro caso, gemini-2.0-flash, conocido por su velocidad y eficiencia) junto con una pregunta o instrucción.

• Paso 1: Cargar el PDF (ej. desde un dataset de Kaggle).
• Paso 2: Extraer todo el texto del PDF usando librerías como PyPDF2.
• Paso 3: Formular una pregunta (ej. «¿Cuáles son los pasos para registrar un negocio en Bogotá?») y enviarla a Gemini junto con el texto completo del PDF.

# Ejemplo conceptual del cuaderno
# respuesta = summarise_doc(user_request, all_text)
# El modelo lee el texto del PDF y responde a la pregunta.

Esta técnica es útil para resúmenes rápidos o para hacer preguntas directas sobre un documento no muy extenso.

Además, podemos usar Few-Shot Prompting (darle al modelo algunos ejemplos de lo que esperamos) para guiar el formato de la respuesta. En el cuaderno, mostramos cómo construir manualmente un prompt que incluya ejemplos de planes de marketing para diferentes negocios y ciudades, para que el modelo genere un nuevo plan siguiendo ese estilo.

# Ejemplo conceptual del cuaderno
# response_text = generar_plan_marketing_manual_fewshot(user_request)
# El modelo recibe ejemplos y genera un plan de marketing con el formato deseado.

Este enfoque básico es una excelente forma de empezar a interactuar con los modelos, pero tiene limitaciones, especialmente con documentos muy largos. Los modelos tienen un límite en la cantidad de texto que pueden procesar en una sola llamada, y simplemente concatenar todo el texto de un PDF extenso no siempre funciona bien.

2. El Enfoque Avanzado: RAG (Retrieval Augmented Generation) con Gemini

Aquí es donde la cosa se pone realmente interesante y robusta. RAG combina la capacidad de recuperación de información de una base de datos con la capacidad de generación de un LLM. Es como darle al modelo la habilidad de «consultar libros» antes de responder.

El pipeline de RAG implementado en el cuaderno sigue estos pasos:

• Paso 1: Cargar y Fragmentar Documentos: Leemos todos los PDFs relevantes (guías de trámites, leyes, etc.) desde una carpeta. El texto completo de cada PDF se divide en fragmentos más pequeños (chunks) que son manejables para el modelo de embeddings.
• Paso 2: Crear Embeddings: Cada uno de estos fragmentos de texto se convierte en un vector numérico (un embedding) utilizando un modelo especializado, como el models/text-embedding-004 de Google. Los embeddings capturan el «significado» semántico del texto, de modo que textos con significados similares tendrán vectores numéricos cercanos en un espacio multidimensional. Para esto, usamos una función (GeminiEmbeddingFunction) que interactúa con la API de embeddings de Google. Es crucial notar que los modelos de embedding tienen modos distintos para documentos (los chunks que se van a almacenar) y queries (la pregunta del usuario).
• Paso 3: Almacenar en una Base de Datos Vectorial: Los fragmentos de texto originales y sus embeddings correspondientes se almacenan en una base de datos optimizada para buscar vectores, como ChromaDB. Esto permite encontrar rápidamente fragmentos relevantes basándose en la similitud de embeddings.
• Paso 4: Recuperación (Retrieval): Cuando el usuario hace una pregunta (ej. «¿Requisitos para emprender en Chile?»), esa pregunta también se convierte en un embedding (usando el modelo text-embedding-004 en modo retrieval_query). Luego, buscamos en la base de datos vectorial los fragmentos de documento cuyos embeddings son más similares al embedding de la pregunta. Estos son los fragmentos «relevantes».
• Paso 5: Generación (Augmented Generation): Finalmente, tomamos la pregunta original del usuario y los fragmentos de texto más relevantes que acabamos de recuperar. Alimentamos esta combinación a un modelo de lenguaje grande (como gemini-2.0-flash). El modelo ahora tiene el contexto específico necesario para generar una respuesta informada y precisa, basada en la información recuperada del PDF.

# Ejemplo conceptual del cuaderno
# result = collection.query(query_texts=[pregunta_usuario], n_results=k) # Busca fragmentos relevantes
# retrieved_chunks = result["documents"]
# prompt_for_llm = f"Basado en la siguiente información: {retrieved_chunks} \\n\\n Pregunta: {pregunta_usuario}"
# final_answer = gemini_model.generate(prompt_for_llm) # Genera respuesta usando el contexto

Este proceso asegura que la respuesta del AI no sea una invención o una respuesta genérica, sino que esté anclada en los documentos oficiales proporcionados, superando las limitaciones de contexto de una llamada directa.

Resultados y Potencial (Gemini y RAG)

El MVP construido demuestra que esta arquitectura es viable:

• Podemos extraer información de PDFs locales.
• Podemos usar Gemini para resumir o responder preguntas sobre ese contenido.
• Podemos guiar la generación de contenido (como planes) usando ejemplos.
• Implementando RAG, podemos escalar el proceso para manejar una mayor cantidad de documentos y proporcionar respuestas más precisas y contextualizadas, específicas para cada región.

Las principales limitaciones actuales del MVP son que no está conectado a información en tiempo real (se basa en los PDFs estáticos) y que para una aplicación comercial necesitaría una interfaz de usuario más amigable y una gestión de datos más robusta. Sin embargo, sienta las bases para un asistente mucho más sofisticado.

Conclusión

«GenAI para Emprendedores» es más que un simple ejercicio técnico; es una ventana a cómo la Inteligencia Artificial puede democratizar el acceso a la información crítica y simplificar procesos complejos para quienes se atreven a innovar.

Utilizando herramientas como Google Gemini y el patrón RAG, podemos transformar montañas de papeleo y guías técnicas en un asistente conversacional que realmente ayude a los emprendedores latinoamericanos a entender sus obligaciones, planificar su crecimiento y, lo más importante, ¡dedicar más tiempo a hacer crecer su negocio!

Este es solo el comienzo. Con más datos, modelos refinados y una interfaz accesible, un asistente así podría convertirse en una herramienta indispensable para el ecosistema emprendedor de la región.

---