RAG Platform: Gestión logística con inteligencia artificial

Una solución basada en IA para optimizar el acceso y la gestión de información logística y de facturación.

Plataforma digital que centraliza y permite consultar información logística mediante un sistema de Generación Aumentada por Recuperación (RAG), facilitando búsquedas rápidas y respuestas contextualizadas para administradores y colaboradores.

Contexto

La empresa buscaba una forma de optimizar la consulta y gestión de su información logística, dispersa en múltiples fuentes y documentos. El objetivo era crear una plataforma inteligente que centralizara dichos datos y ofreciera una experiencia de búsqueda ágil, confiable y personalizada.

Como Product Designer responsable del diseño de experiencia e interfaz y del flujo de uso de la plataforma, trabajé en colaboración con un equipo de desarrolladores, especialistas en IA y stakeholders del área logística, durante un proceso de diseño iterativo enfocado en validar rápidamente ideas y flujos.

El contexto exigía construir una interfaz accesible y escalable, integrando modelos de IA basados en recuperación de información (RAG) para garantizar respuestas precisas sobre facturas, estados logísticos y PDF asociados.

Desafío

El equipo administrativo enfrentaba grandes dificultades para encontrar información relacionada con productos, facturas y estados logísticos. La información se encontraba dispersa entre correos, carpetas compartidas y sistemas paralelos, lo que implicaba tiempos de búsqueda altos, errores y duplicidad de esfuerzos.

Desde el punto de vista del negocio, esto afectaba la eficiencia operativa y la satisfacción interna, al depender del conocimiento individual y no de un sistema unificado.

El desafío principal fue diseñar una interfaz intuitiva y un flujo de consulta potenciado por IA, capaz de entregar información relevante a partir de múltiples fuentes sin requerir conocimientos técnicos.

Detalle del proceso

Investigación y descubrimientos

La fase de investigación se centró en comprender las necesidades de los usuarios internos, principalmente administradores logísticos y colaboradores del área operativa.

Métodos utilizados:

• Entrevistas con potenciales usuarios para entender sus frustraciones y flujos actuales.

• Benchmarking de herramientas de gestión logística e interfaces de apoyo a la toma de decisiones basadas en datos.

• Análisis exploratorio de los procesos de carga de información y recuperación documental.

Insights claves:

1. El 80% de las consultas se relacionaban con facturas y estados logísticos.

2. Los usuarios perdían tiempo buscando información entre múltiples canales.

3. Existía baja confianza en los datos disponibles por la falta de visibilidad centralizada.

4. La interfaz debía resolver tanto la búsqueda rápida como la trazabilidad documental.

5. Se valoraba especialmente tener avisos automáticos cuando la información solicitada estuviera lista o actualizada.

Estos hallazgos definieron las prioridades de diseño y el enfoque centrado en eficiencia, transparencia y consistencia visual.

Proceso de diseño

El proceso se basó en un ciclo iterativo con hitos claros:

1. Ideación y estructura de la información:
   Se definió el flujo principal de consultas e interacción con la IA, priorizando escenarios reales de uso: búsqueda de facturas, seguimiento logístico y descarga de documentos.

2. Wireframes y prototipos tempranos:
   Se crearon prototipos de baja fidelidad para testear la arquitectura de información y validar la comprensión del sistema RAG.

3. Diseño visual y coherencia de interfaz:
   Se desarrolló una UI limpia y jerárquica orientada a tareas, utilizando componentes reutilizables que facilitaran la escalabilidad y la consistencia futura del producto.

4. Validación y ajustes:
   Junto al equipo técnico se evaluaron las limitaciones del modelo de IA frente a distintos formatos y la necesidad de un flujo de aviso al solicitante cuando la información estuviera procesada.

Decisiones claves:

• Integrar un módulo de notificación automática para mantener a los usuarios informados sin que deban revisar constantemente el sistema.

• Diseñar un visor PDF integrado para no romper el flujo de consulta.

• Simplificar las consultas con un campo único para buscar producto, factura o estado, que se integre con el modelo RAG.

Solución

La solución final fue una plataforma web inteligente con un motor RAG capaz de entender las consultas en lenguaje natural y entregar información precisa sobre facturas, productos y estados logísticos.

La interfaz permitió:

• Consultar textos y documentos mediante IA.

• Visualizar facturas y estados directamente en el flujo principal.

• Recibir notificaciones automáticas al finalizar procesos.

• Acceder a reportes e historiales de búsqueda.

Inicio de plataforma

Conversación dentro de la plataforma

Conversación dentro de la plataforma

Documento dentro de la conversación

Cada decisión de diseño estuvo vinculada a un insight: mejorar la confianza en los datos, reducir tiempos de búsqueda y crear una experiencia más predecible y eficiente.

Resultados e impacto

El impacto principal fue la reducción significativa en los tiempos de consulta y carga administrativa, mejorando la trazabilidad de la información y la precisión de las respuestas.

Aunque las métricas finales no fueron especificadas, los equipos reportaron una mejora en la eficiencia y la usabilidad del sistema, además de una disminución de errores en la gestión documental.

• Resultados esperados a medir:

  • Tiempo promedio de búsqueda de documentos.

  • Tasa de satisfacción interna (NPS interno).

  • Reducción de solicitudes repetidas.

  • Adopción temprana entre colaboradores.

Stakeholders destacaron la claridad de la interfaz y el impacto positivo en la organización de procesos logísticos.

Aprendizajes y reflexión

• El diseño de productos con IA requiere alinear las capacidades técnicas del modelo con las expectativas reales de uso.

• La simplificación de flujos complejos es clave para generar adopción interna.

• Integrar early testing con usuarios no técnicos aceleró la toma de decisiones de interfaz.

• En futuros proyectos, invertiría más tiempo en la definición de métricas de desempeño UX desde la fase inicial.

• Este proyecto refuerza mi perfil como Product Designer capaz de convertir tecnología avanzada (como RAG) en experiencias accesibles, eficientes y orientadas a impacto real.