Por qué tu chatbot con IA no encuentra productos en tu catálogo (y cómo solucionarlo)

Has instalado un chatbot con IA en tu web. Le has subido tu catálogo de productos. Un cliente le pregunta: "¿Tenéis zapatillas de running de menos de 80€ en talla 42?". Y el chatbot responde con algo vagamente relacionado — quizá unas zapatillas de 120€, quizá una talla 39, quizá ni siquiera zapatillas.

¿Te suena? No estás haciendo nada mal. El problema es la tecnología que usa tu chatbot por debajo.

La mayoría de chatbots con IA del mercado — incluidos los de plataformas conocidas como Intercom, Zendesk, Tidio o Chatbase — usan una tecnología llamada RAG (Retrieval-Augmented Generation) que funciona muy bien para documentos de texto, pero que no está diseñada para filtrar datos estructurados. Si necesitas un chatbot para ecommerce con catálogo amplio o un chatbot para inmobiliaria con filtros de precio y ubicación, RAG no es suficiente.

En este artículo vamos a explicarte por qué pasa esto y qué alternativa existe. Spoiler: la solución es combinar RAG con consultas SQL reales a tus datos — lo mejor de ambos mundos. Casi nadie lo hace de forma nativa — en Bravos AI sí.

Cómo funciona un chatbot con IA por dentro (sin tecnicismos)

Para entender el problema, necesitas saber — a grandes rasgos — cómo busca información un chatbot con IA cuando un cliente le hace una pregunta.

El sistema RAG: buscar por significado

La mayoría de chatbots usan RAG (Retrieval-Augmented Generation). Funciona así:

1. Trocear: Cuando subes un documento (una web, un PDF, un texto), el sistema lo divide en fragmentos pequeños.
2. Convertir a números: Cada fragmento se transforma en una representación numérica (un "embedding") que captura su significado.
3. Buscar por similitud: Cuando un cliente pregunta algo, el chatbot convierte la pregunta en números y busca los fragmentos cuyo significado sea más parecido.
4. Generar respuesta: Con los fragmentos más relevantes, la IA genera una respuesta en lenguaje natural.

Este sistema es brillante para contenido textual. Si un cliente pregunta "¿cuál es vuestra política de devoluciones?", RAG encuentra el fragmento de tu web que habla de devoluciones y responde perfectamente. Lo mismo con horarios, servicios, preguntas frecuentes, instrucciones de uso.

Dónde falla RAG: datos con atributos

Ahora imagina que tienes una tienda de zapatillas con 500 productos. Cada uno tiene nombre, marca, precio, tallas disponibles, color, tipo (running, casual, trail) y stock. Un cliente pregunta:

"Zapatillas de running de menos de 80€ en talla 42"

Para responder correctamente, el chatbot necesita:

• Filtrar por tipo = "running"
• Filtrar por precio ≤ 80
• Filtrar por talla que incluya 42
• Devolver solo los que cumplen las tres condiciones a la vez

RAG no puede hacer esto. Lo que hace es buscar fragmentos de texto que se "parezcan" semánticamente a "zapatillas running 80€ talla 42". Puede encontrar un producto de running de 120€ porque el texto es similar. O uno de talla 42 pero de senderismo. O directamente mezclar información de varios productos en una respuesta que suena bien pero es incorrecta.

El propio chatbot de Chatbase lo reconoce cuando le preguntas si puede filtrar productos por precio:

"Approximate, not guaranteed perfect filtering."

Aproximado. No garantizado.

El problema real: RAG trata tu catálogo como un libro

Cuando subes un CSV con tu catálogo a una plataforma que solo usa RAG, esto es lo que pasa:

Es como si le dieras una hoja de cálculo Excel a alguien y le pidieras que busque datos... pero leyéndola en voz alta en lugar de usar los filtros. Técnicamente puede hacerlo, pero el resultado es lento, impreciso y se equivoca con frecuencia.

¿Te afecta esto?

No todos los negocios necesitan filtrado estructurado. Si tu chatbot solo responde preguntas frecuentes ("¿cuál es vuestro horario?", "¿hacéis envíos a Canarias?"), RAG es perfecto.

Pero si vendes productos con atributos filtrables — precio, talla, color, ubicación, categoría — o si tus clientes combinan 3 o más criterios en una pregunta, un chatbot con solo RAG te va a dar problemas. Un chatbot para ecommerce necesita filtrar por precio y categoría. Un chatbot para inmobiliaria necesita filtrar por ubicación, habitaciones y metros cuadrados. Academias, concesionarios, consultoras: cualquier negocio con un catálogo de productos estructurado.

¿Cómo saber si tu chatbot actual tiene este problema? Hazle estas preguntas:

1. "Muéstrame productos de menos de [precio]" — ¿Todos cumplen el filtro?
2. "Quiero [producto] pero que no sea [atributo]" — ¿Excluye correctamente?
3. Pregunta por algo que NO existe — ¿Dice que no lo tiene, o inventa?

Si falla en 2 de 3, tu chatbot está usando solo RAG. No es un bug — es una limitación de la tecnología.

Qué dicen las propias plataformas

Hemos consultado la documentación oficial de las principales plataformas de chatbot. Esto es lo que dicen sobre datos estructurados y catálogos:

Chatbase: No acepta CSV. Su propio chatbot recomienda convertir el CSV a un documento de texto (PDF, DOCX) y subirlo así. Para filtrado real, dicen que necesitas construir tu propia API.

Intercom (Fin): No acepta CSV como fuente de conocimiento. Para filtrar un catálogo, necesitas montar tu propia API REST, tu propia base de datos, y configurar un Data Connector. Su documentación lo dice explícitamente: el filtrado "should be handled at the API level".

Zendesk: Acepta CSV, pero como artículos de texto (una fila = un artículo). No como datos filtrables. Para filtrado real necesitas su Integration Builder (solo disponible en el plan más caro) + tu propia API.

Tidio (Lyro): Acepta CSV, pero solo como pares pregunta/respuesta (dos columnas). No para catálogos. Los catálogos de productos solo se soportan vía integración con Shopify, y solo la estructura estándar de datos — si usas apps que modifican los datos de producto, no funciona.

Crisp: Acepta CSV y lo secciona por producto para búsqueda semántica. Es el que mejor lo maneja de esta lista, pero sigue siendo RAG sobre texto — no hace filtrado SQL real.

Ninguna de estas plataformas puede ejecutar una consulta tipo "productos donde precio ≤ 80 AND categoría = running AND talla incluye 42" sobre tus datos. Todas tratan tu catálogo como texto.

La solución: combinar RAG con consultas reales

El problema no es que RAG sea malo. Es que no es suficiente para datos estructurados. Lo que se necesita es un sistema híbrido: RAG para contenido textual (políticas, FAQs, descripciones) y consultas a base de datos para catálogos con atributos filtrables.

Casi ninguna plataforma ofrece esto de forma nativa. La mayoría te dicen "monta tu propia API" o "convierte el CSV a PDF". En Bravos AI lo hacemos diferente:

• Subes un CSV — sin convertirlo a PDF ni montar una API
• La IA extrae los filtros automáticamente de la pregunta del cliente: "pisos en Marbella de menos de 500.000€ con 3 habitaciones" → Ciudad = Marbella, Precio ≤ 500.000, Habitaciones ≥ 3
• Ejecuta consultas reales sobre tus datos — filtrado exacto, no aproximado
• Soporta exclusiones — "sin garaje", "que no sea ático"
• Si no hay resultados, lo dice — no inventa ni ofrece "algo parecido"
• RAG sigue funcionando para lo que es bueno — políticas, FAQs, descripciones de servicios — pero tu catálogo se filtra con consultas reales

La diferencia es que el filtrado es exacto. Si un piso cuesta 501.000€, no aparece. Si tiene 2 habitaciones, no aparece. No hay "approximate, not guaranteed".

Conclusión

Los chatbots con IA han avanzado enormemente, pero la mayoría siguen usando una tecnología (RAG) que no está diseñada para datos tabulares. Para FAQs y documentación funcionan de maravilla. Para un chatbot con catálogo de productos que necesita filtrar por atributos, no.

Si tu negocio depende de un catálogo — ya sea de productos, propiedades, cursos o servicios — asegúrate de que la plataforma que elijas pueda hacer filtrado real sobre datos estructurados. No "aproximado". No "convierte tu CSV a PDF". Filtrado exacto, automático, sin necesidad de programar.

En Bravos AI puedes subir un CSV con tu catálogo y el chatbot filtra automáticamente por cualquier atributo — precio, ubicación, categoría, lo que sea. Sin APIs, sin código, sin configuración manual. Pruébalo gratis — sin tarjeta, en menos de 5 minutos.