Mapear el conocimiento experto.
Luego capture lo que sabe.
Red de competencias validada por pares + entrevistas AI a expertos + pipeline de extracción en tres fases + comparación semántica entre expertos. Knowledge Mapping es la capa de memoria institucional que captura quién sabe qué y cómo lo hace realmente, y lo reconcilia a nivel organizativo, con cada decisión reversible.
¿Cómo gestionamos las escaladas de clientes enterprise cuando el ingeniero on-call está offline?
IA
Según el runbook documentado, fusionado a partir de las entrevistas con expertos de Marco K. y Sofia L. (similitud 0,97, aprobado por el manager el 2025-02-18): contactar al on-call secundario vía PagerDuty; si no hay ack en 5 minutos, escalar al EM a través de #incident-eng. Para clientes de tier enterprise, la aportación de Sofia abre un canal dedicado #cust-XYZ-incident para las comunicaciones.
¿Quién más conoce este procedimiento si Marco y Sofia no están disponibles?
IA
Del grafo de competencias: 3 expertos validados más en “incident response · enterprise”: Luca R. (confirmado por 4 pares, vía Anche Io), Anna P. (nominado por su manager, entrevista de experto programada), Federico C. (confirmado, todavía sin proceso documentado). Sugiero avisar primero a Luca; tiene el mismo runbook documentado que Marco.
Quién sabe qué, validado antes de empezar a documentar.
El sistema arranca desde el mapa de competencias, no desde el documento. Auto-declaraciones y nominaciones del manager fluyen a través de una red de validación entre pares con cuatro veredictos. Solo las competencias validadas activan una entrevista con el experto.
- Validación con cinco veredictos: Confirmado · En desacuerdo · No lo conozco · “Anche Io” (yo también lo tengo) · “Shared Others” (nominar a un colega). La forma de la red mapea la experiencia compartida sin necesidad de una encuesta.
- Promoción basada en umbral: candidato → experiencia validada solo tras confirmaciones configurables. No se desperdicia ninguna entrevista con experto en una declaración rechazada por los pares.
- Polinización cruzada vía Anche Io: cuando un par señala que también tiene la competencia, el sistema lanza una entrevista paralela con el experto y captura variantes del mismo proceso desde múltiples fuentes.
- Distribución consciente del scope: las solicitudes de validación se enrutan por elemento organizativo, proyecto o ámbito global; los pares se eligen por proximidad de expertise, no por proximidad de organigrama.
Sesión de validación · KMC-0042
MK
Marco K. · Engineering · APAC
Auto-declaración: runbook de respuesta a incidentes para clientes enterprise
Su veredicto
Anche Io = tú también tienes esta competencia. Seleccionarlo activa una entrevista paralela con el experto y, una vez documentados ambos procesos, el sistema compara el tuyo con el de Marco.
Expertise tácita extraída por una AI conversacional, sin formularios que rellenar.
Una vez validada una competencia, el sistema invita al experto a un chat adaptativo. El agente de entrevista decide qué indagar y cuándo el proceso ha quedado capturado con todos los detalles críticos, sin longitud fija ni guion fijo.
- Preguntas adaptativas: el agente lee cada respuesta y elige la siguiente pregunta, indagando en los detalles (nombres, canales, timing) allí donde la respuesta es vaga.
- Detección de finalización: el agente decide cuándo el proceso reúne los pasos, stakeholders, herramientas y timing necesarios para la extracción posterior, y no antes.
- Streaming en tiempo real: sesión basada en SSE, historial completo de conversación persistido, recuperable entre sesiones.
- Consciente del contexto: el agente recibe el rol del experto, la organización, el proyecto y el contexto de la competencia, no parte de cero.
- Captura multilingüe: entrevistas con expertos en el idioma preferido del contributor; la recuperación downstream funciona entre idiomas.
Tres fases. Conversación de entrada, conocimiento estructurado de salida.
Cada entrevista completada recorre tres agentes LLM especializados en secuencia, orquestados como tareas de Celery para que la UI nunca se bloquee. El resultado es un Proceso estructurado con pasos, stakeholders, herramientas, timing y un completeness score.
- Fase 1 · Reordenación: el Reordering Agent reescribe el chat como narrativa cronológica, eliminando chitchat y meta-conversación. Output: un texto lineal limpio que la fase siguiente puede parsear de forma determinista.
- Fase 2 · Extracción: el Extraction Agent emite datos estructurados: nombre del proceso, descripción, pasos ordenados, stakeholders (nombre, rol, canal de contacto, timing), herramientas, timeline global.
- Fase 3 · Validación: el Validation Agent calcula un completeness score de 0–1 y señala solo los gaps críticos (stakeholders externos, herramientas críticas, timing de los pasos de alto impacto). Por debajo de 0,75, la entrevista se marca para follow-up.
- Filtrado inteligente de ruido: herramientas como “discuss” o “review” no se marcan. Los contactos internos del team no se marcan. Solo afloran las brechas materiales.
- Audit trail: cada llamada LLM se registra (modelo, prompt, respuesta, tokens) para revisión de cumplimiento.
Cuando dos expertos documentan el mismo proceso, el sistema los reconcilia.
Una vez que dos o más expertos han documentado procesos en el mismo contexto, un agente de comparación semántica se ejecuta automáticamente. Identifica pasos compartidos, contribuciones únicas y conflictos, y luego enruta el resultado a través de una lógica de decisión de tres bandas.
- Similitud > 0,95: crea una solicitud de Manager Approval. Un merge nunca es automático; la comparación va al creador de la campaña con los pasos compartidos / únicos y el razonamiento del agente. El manager aprueba la fusión en un proceso compartido o los mantiene separados.
- Similitud 0,4–0,95: marcada como coincidencia parcial. Ambos procesos coexisten; el contexto queda etiquetado para revisión incremental.
- Similitud < 0,4: marcada para revisión humana. Los dos expertos probablemente describen procesos distintos que coincidieron en compartir una etiqueta de competencia.
- Razonamiento con nombres reales: el informe comparativo usa los nombres reales de los expertos (“el paso de escalation de Marco”, no “Experto 1”), de modo que las decisiones se leen con claridad a lo largo de toda la cadena de mando.
- Visibilización de conflictos: cuando los pasos se contradicen (Marco dice “escalar por Slack”, Sofia dice “por email”), el AI agent señala el conflicto en lugar de elegir uno en silencio.
Comparación de procesos · CTX-074
pendiente de aprobación
Similitud
0.97
MKMarco K.
vs
SLSofia L.
- COMPARTIDO Contactar al on-call secundario vía PagerDuty si el primario no acepta en 5 min
- MARCO Escalar al EM directamente por el Slack #incident-eng, no por email
- COMPARTIDO Acknowledge en StatusPage en los 10 min posteriores a la detección
- SOFIA Abrir el canal #cust-XYZ-incident para clientes de tier enterprise
Recomendación: Fusionar en un proceso compartido: el paso de comunicación al cliente de Sofia amplía el runbook para clientes de tier enterprise, sin conflicto con la ruta de escalada de Marco.
Una knowledge base con búsqueda y un botón de deshacer en cada decisión.
El resultado es una knowledge base de procesos documentados, con búsqueda, filtrable y con drill-down hasta narrativa cronológica + stakeholders + herramientas + timing. Toda operación es soft-delete: el audit trail sobrevive a cada merge, a cada undo y a cada refresh.
- DataTables server-side: búsqueda y filtrado rápidos incluso con miles de procesos documentados. Drill desde la fila hasta el detalle completo del proceso.
- Completeness Score visible por proceso: puntuación 0–1 de la validación de Fase 3, con la lista de información faltante. Los gaps de conocimiento son explícitos, no quedan ocultos.
- Merges reversibles: una fusión aprobada por el manager puede deshacerse en un clic. Procesos originales restaurados, proceso compartido archivado, audit trail preservado en ambos lados.
- Soft delete en todo: los datos archivados siguen siendo consultables para auditoría (RGPD Artículo 30, evidencia ISO 27001). El restore es un cambio de estado, no una recuperación de backup.
- Modelo de acceso de tres niveles: Owner / App Manager / Campaign Creator ven el pipeline completo; los usuarios normales solo ven su overview y sus acciones pendientes (validaciones, entrevistas con expertos, aprobaciones).
El conocimiento capturado alimenta a cada agente de la plataforma.
Knowledge Mapping es la fuente, no el destino. La knowledge base validada, documentada y deduplicada se convierte en el sustrato de recuperación para el resto de la plataforma: chatbots, agentes de onboarding, analistas estratégicos.
- Los Chatbot Assistants citan de vuelta la entrevista original con el experto que capturó la respuesta.
- Los agentes de onboarding responden a las nuevas incorporaciones desde procesos validados, no desde FAQs genéricas.
- Los handovers internos entregan un brief estructurado al owner entrante, no un enlace de Loom.
- Alcance basado en la necesidad de saber en cada activo. Cada activo capturado lleva un alcance de confidencialidad (unidad de la organización, proyecto o privado para el autor), de modo que la consulta se limita a quien está autorizado a verlo.
- Derecho de supresión respetado a nivel de experto: una solicitud de borrado soft-elimina las contribuciones; el proceso fusionado permanece, con las contribuciones identificables del experto retiradas del trail, y el evento de supresión queda registrado.
Dónde rentabiliza el knowledge mapping.
Cuatro contextos operativos en los que el coste de no capturar conocimiento estructurado es medible y el sistema se amortiza en el mismo ciclo.
- Preservación de conocimiento crítico
- Riesgo de jubilación y sucesión
- Captura de conocimiento de la era fundadora
- Auditoría de single-point-of-failure
- Resiliencia operativa
- Estandarización de procesos (multi-site)
- Identificación de best practices
- Reconciliación de variantes entre equipos
- Integración de conocimiento en M&A
- Playbook de escalada de cliente
- KB de onboarding de nuevos hires
- Runbook de respuesta a incidentes
- Programas de mentoring estructurados
- Lecciones de proyectos fallidos
- Ciclo de refresh trimestral
Comienza ahora
Para cualquier solicitud, por favor contáctenos
FAQ de Knowledge Mapping
Lo que HR Ops, Knowledge Managers y Heads of Operations preguntan primero.
¿Qué ocurre cuando varias personas declaran la misma competencia?
Cada persona pasa por su propia validación: los pares responden de forma independiente para cada candidato. Cuando un par responde con “Anche Io”, el sistema crea candidatos paralelos para ellos. Tras las entrevistas de experto, el agente de comparación semántica detecta la similitud y dirige el resultado a la aprobación del manager: fusionar en un proceso compartido, mantenerlos separados como variantes o marcarlos para revisión.
¿Tiene un experto que rellenar formularios?
No. El experto mantiene un chat con el AI interviewer. El agente adapta las preguntas a lo que se ha dicho, decide cuándo el proceso está completo, y el pipeline en tres fases extrae los datos estructurados después. La sesión media dura 30–60 minutos; los expertos pueden pausar y retomar.
¿Y si una fusión fue errónea?
Deshacer es un clic. El proceso compartido se archiva, los procesos originales se restauran, las experiencias vuelven a apuntar a los originales, y los metadatos registran el undo con timestamp e identidad del manager. La reversibilidad es una propiedad del sistema, no una opción.
¿Quién ve qué?
Modelo de tres niveles. Owner / App Manager / Campaign Creator ven el pipeline completo (candidatos, sesiones, entrevistas, comparaciones, knowledge base). Los usuarios normales solo ven su propia vista general y sus acciones pendientes: las validaciones, entrevistas con expertos y aprobaciones que tienen sobre la mesa.
¿Derecho de supresión RGPD sobre el conocimiento capturado?
Garantizado. El soft delete a nivel de experto elimina las contribuciones del retrieval activo; los procesos fusionados permanecen pero las contribuciones identificables del experto se eliminan del trail. El audit log conserva el evento de la supresión para revisión de cumplimiento sin retener el contenido suprimido.
¿Cómo gestiona organizaciones multilingües?
Las entrevistas con expertos se realizan en el idioma preferido del contributor; el pipeline de extracción preserva el contexto lingüístico; el retrieval downstream funciona entre idiomas. Un par que valida desde otro idioma ve la declaración traducida, no el texto bruto.
¿El conocimiento se mantiene al día?
Campañas de refresh configurables. El sistema puede revalidar las competencias existentes con cadencia trimestral; las entrevistas de revalidación sustituyen los hechos desactualizados y el audit trail preserva el estado anterior. El stale-flagging marca los chunks no referenciados o no revalidados dentro del umbral.
¿Cuál es la arquitectura?
Agentes LLM especializados orquestados mediante el framework Agno, cada uno ejecutado como tarea de Celery: un agente de entrevista conversacional, una pipeline de extracción en tres fases (reordenación, extracción, validación) con una auditoría de pérdidas, y un agente de comparación semántica de procesos, junto a agentes de síntesis y evaluación. La normalización de competencias, la validación y la correspondencia de contexto se ejecutan como pasos basados en LLM dentro del mismo framework. Capa de datos lista para vectores, preparada para una futura integración de búsqueda semántica.
¿Conviene definir el alcance de una campaña de Knowledge Mapping juntos?
Contactar Ventas