Saltar al contenido principal
RAG empresarial sobre AWS

IA privada que responde sobre los documentos de tu empresa.

Sin entrenar a ningún tercero. Tus datos se quedan donde ya están.

Multi-tenant en AWS, despliegue dedicado en tu propia cuenta AWS, o Connector federado para Azure, GCP y on-prem. Diseñado para multinacionales, empresas reguladas y organizaciones medianas que no pueden permitirse que su conocimiento salga de su perímetro.

Solicitar acceso anticipadoHablar con nosotros

El problema

Conocimiento crítico fragmentado

Metodologías, manuales y procesos viven en SharePoint, Drive, Confluence, PDFs y cabezas. Onboarding de meses por cada nuevo empleado.

ChatGPT no es opción

Datos de clientes, contratos, información regulada (GDPR, HIPAA-adjacent, banca). Subir a un SaaS público es un riesgo legal y reputacional.

Sin trazabilidad, sin compliance

Sin citas verificables y audit forense, ninguna recomendación pasa el filtro de legal, riesgo o compliance interno.

Qué ofrecemos

Un RAG completo, gobernado y listo para empresa regulada

No vendemos un chatbot. Vendemos el pipeline completo que convierte tu conocimiento privado en respuestas con evidencia auditadas, dentro de tu propia infraestructura AWS.

01

Ingesta segura

PDFs, DOCX, Markdown, CSV, JSON. Parsing, chunking con overlap, extracción de metadata y embeddings vectoriales con Amazon Titan. Todo dentro de tu VPC AWS.

02

Recuperación con Row-Level Security

Búsqueda semántica sobre pgvector en Aurora PostgreSQL con aislamiento multi-tenant verificado por tests automáticos. Filtros por metadata del vertical o del tenant.

03

Respuesta con Claude vía Bedrock

Claude Haiku 4.5 / Sonnet 4.6 / Opus 4.6 con routing automático por costo. Guardrails contra cross-tenant, prompt injection y respuestas sin evidencia. Streaming en tiempo real.

04

Citas verificables

Cada respuesta enlaza al chunk exacto del documento origen. Auditoría forense reconstruible meses después: quién preguntó, qué chunks vio, qué modelo respondió, cuánto costó.

05

Gobernanza enterprise

RBAC por workspace, políticas por tenant, audit log append-only, tracking de costo por consulta, retención configurable, export GDPR, SSO SAML/OIDC y BYO KMS keys.

06

BYO-LLM y data residency

Conecta tus propias credenciales de Anthropic, OpenAI o tus modelos privados. Despliegue en us-east-1 o eu-west-1. Cero vendor lock-in, cero traslado transatlántico de datos.

¿Para quién es?

Diseñado desde el día uno para organizaciones que ven sus datos como ventaja competitiva y obligación legal, no como combustible para un SaaS público.

✓

Multinacionales con datos regulados

Banca, seguros, salud, energía, legal corporativo. Sectores con GDPR, HIPAA-adjacent, SOX, PCI-DSS. Necesitan IA sobre su knowledge sin que un solo registro salga de su perímetro AWS.

✓

Empresas grandes con propiedad intelectual sensible

Manufactura, farma, ingeniería, defensa, consultoría estratégica. Patentes, fórmulas, métodos propietarios, contratos de NDA estricto. ChatGPT Enterprise no es legalmente viable.

✓

Cadenas y franquicias con metodología propia

50+ sedes que necesitan consistencia operativa, training estandarizado y respuestas con la misma metodología en cada punto. La IA distribuye el know-how del corporativo.

✓

Organizaciones medianas en crecimiento

200-2000 empleados con compliance equivalente a enterprise pero sin presupuesto Glean ($50k+ entry). El gap exacto que rags.cc llena.

✓

Sector público y semipúblico

Ayuntamientos, organismos reguladores, universidades públicas, hospitales públicos. Soberanía de datos no negociable, presupuestos de licitación y contratos plurianuales.

✓

Equipos con ya inversión AWS profunda

Cualquier organización que ya eligió AWS como nube principal y exige que sus herramientas IA respeten su perímetro, sus IAM roles, su KMS y su CloudTrail.

✕Para quién NO es

  • Usuarios individuales chateando con sus notas (usa NotebookLM)
  • Startups <50 personas sin requisitos regulatorios
  • Empresas cómodas subiendo datos a ChatGPT Enterprise o Copilot
  • Equipos sin AWS o con estrategia multi-cloud agnóstica
  • Casos donde la creatividad del LLM importa más que la trazabilidad
Modelos de despliegue

Tres formas de proteger tus datos

Elige el modelo que encaja con tu perfil de riesgo, tu cloud actual y tu presupuesto. Los tres cumplen la regla fundamental: tu contenido nunca entrena a un tercero y la inferencia nunca va a un SaaS público no autorizado.

Starter · Pro · Businessdisponible

Multi-tenant compartido

Operado por rags.cc en AWS us-east-1

La forma más rápida de arrancar. Contratas, pagas con tarjeta y empiezas a cargar documentos en minutos. Nosotros operamos la infra.

  • ✓Infra corriendo en nuestra cuenta AWS dedicada a rags.cc
  • ✓Aislamiento multi-tenant con Row-Level Security verificado por tests automáticos
  • ✓Inferencia vía Amazon Bedrock con VPC endpoint privado (los datos no tocan internet)
  • ✓Cifrado en reposo con KMS gestionado por rags.cc
  • ✓Audit log append-only exportable bajo solicitud
  • ✓Anthropic NO usa tus datos para entrenar (política Bedrock)
  • ✓rags.cc NUNCA vende, transfiere ni entrena modelos con tu contenido
  • ✓BYO-LLM opcional en Business (tus propias credenciales Anthropic / OpenAI)
Ideal: Medianas empresas, organizaciones en crecimiento y cualquiera que priorice time-to-value sobre perímetro físico propio.
Enterprise+disponible

Despliegue dedicado en tu cuenta AWS

Tu cuenta. Tu VPC. Tu KMS. Tu CloudTrail.

Desplegamos la stack rags.cc literalmente dentro de tu cuenta AWS vía Terraform y un cross-account IAM role limitado. Tus datos nunca existen fuera de tu perímetro.

  • ✓Infra dentro de la cuenta AWS que tú nos autorices
  • ✓Tus datos viven físicamente en tu Aurora, tu S3, tu VPC
  • ✓BYO KMS keys: la raíz criptográfica es tuya, rotas cuando quieras
  • ✓Tu CloudTrail ve todas las operaciones; tu equipo de seguridad audita todo
  • ✓rags.cc opera con assume-role temporal y auditable, sin acceso directo a datos
  • ✓Puedes revocar nuestro acceso en cualquier momento sin perder tu data
  • ✓SSO SAML/OIDC con tu IdP corporativo
  • ✓SLA negociable, soporte 24/7, CSM dedicado
Ideal: Banca, seguros, salud, defensa, sector público, multinacionales reguladas, contratos con auditoría externa obligatoria.
Business+ · EnterpriseQ4 2026

Connector federado (multi-cloud y on-prem)

Para Azure, GCP, on-prem y multi-cloud. Tus documentos nunca se copian.

Desplegamos un agent liviano dentro de tu infraestructura. Los documentos permanecen en tu storage. Al consultar, recuperamos los chunks necesarios on-demand a través del agent vía mTLS.

  • ✓Agent en Docker, systemd o binario nativo; outbound-only, sin puertos inbound
  • ✓Conectores: SharePoint, Confluence, Azure Blob, GCS, S3, NFS, SMB, carpetas locales
  • ✓Embeddings generados localmente (bge-m3 CPU) o vía tu cloud (Bedrock, Azure OpenAI)
  • ✓Los documentos JAMÁS se copian a rags.cc: solo vectores y metadata estructural
  • ✓Al query time, los chunks seleccionados viajan ephemerales al LLM y se descartan
  • ✓mTLS con CA interna rags.cc + JWT corto; tráfico cifrado extremo a extremo
  • ✓Auditable por tu equipo de seguridad: logs locales del agent + reports en rags.cc
  • ✓Modo L3 opcional: el agent invoca LLM local y solo la respuesta regresa (para compliance extremo)
Ideal: Organizaciones en Azure, GCP, on-prem, híbridas o multi-cloud que no pueden mover sus documentos a AWS. Sectores con regulación de soberanía de datos (sector público EU, banca regional).
CriterioMulti-tenant AWSDedicado en tu AWSConnector federado
Inferencia sin internet público✓✓✓
Datos NO usados para entrenar terceros✓✓✓
Documentos NUNCA copiados a rags.cc—✓✓
Funciona sin tener cuenta AWS——✓
Soporta Azure, GCP, on-prem——✓
Row-Level Security multi-tenant✓n/an/a
Cifrado en reposo con tu KMS—✓✓
Revocar acceso en 1 click—✓✓
Sin abrir puertos inboundn/a✓✓
Contrato mínimomensualanualanual
Tiempo para empezar< 1 hora2-4 semanas1-3 semanas
Rango de precio$99-$1,499 USD/mes$5k-$25k+ USD/mes$3k-$15k+ USD/mes
DisponibilidadhoyhoyQ4 2026
Formas de implementar tu RAG

No hay una sola forma de conectar la IA a tus documentos

RAG (Retrieval-Augmented Generation) es la técnica que permite a una IA responder usando tus documentos en lugar de su memoria general. Hay varias maneras de implementarlo, y cada una equilibra de forma distinta el costo, la velocidad, la precisión y el lugar donde viven tus datos. Te ofrecemos cinco y te ayudamos a elegir.

RAG tradicionalBase de la plataforma

Clásico: buscar y responder

Una búsqueda, una respuesta. Simple, rápido y predecible.

Cómo funciona
Ante cada pregunta, buscamos los fragmentos más relevantes de tus documentos combinando significado y palabras exactas, los reordenamos por relevancia y la IA responde citándolos.
Ideal para
Preguntas directas cuya respuesta está en un solo documento: políticas internas, manuales, preguntas frecuentes.
A tener en cuenta
Si la respuesta está repartida entre varios documentos, puede quedarse corto. Y responde aunque la evidencia sea débil.
Dónde viven tus documentos: En tu AWS (o en la nuestra, en el plan compartido)
Gemini File SearchBajo pedido

Gestionado con Google

Subes tus archivos y Google se encarga del resto. Listo en minutos.

Cómo funciona
Tus documentos se cargan en un almacén gestionado por Google (Gemini File Search). Google los fragmenta, los indexa y los busca, y un modelo Gemini responde con citas.
Ideal para
Pruebas de concepto rápidas, equipos sin infraestructura propia y empresas que ya trabajan con Google Cloud y aceptan que sus documentos se alojen allí.
A tener en cuenta
Tus documentos salen de AWS y se alojan en Google. Hay menos control sobre la búsqueda (sin reordenamiento ni búsqueda por palabras exactas configurable) y solo funciona con modelos Gemini. Solo lo activamos con tu autorización expresa.
Dónde viven tus documentos: En Google, con autorización expresa de tu organización
RAG agénticoBajo pedido

Agéntico: investigar en varios pasos

Un equipo de agentes de IA que planifica, busca, revisa lo que le falta y vuelve a buscar.

Cómo funciona
La pregunta se divide en partes. Varios agentes buscan en paralelo, incluso en distintas colecciones, y un revisor comprueba si la información alcanza. Si falta algo, se busca de nuevo antes de redactar.
Ideal para
Preguntas complejas que cruzan varios documentos o áreas, como análisis, comparativas o investigación.
A tener en cuenta
Hace varias llamadas a la IA en cada pregunta, incluso en las fáciles. Es la opción más lenta (decenas de segundos) y la más cara por consulta.
Dónde viven tus documentos: En tu AWS
RecomendadoEn piloto

Adaptive Evidence Lean

Adaptive Evidence RAG · Lean

Nuestra propuesta: esfuerzo proporcional a la dificultad y ninguna afirmación sin respaldo.

Cómo funciona
Un clasificador decide cuánto esfuerzo merece cada pregunta. Las simples con evidencia clara se responden al momento con un modelo ágil. Las complejas activan una investigación breve de hasta dos rondas. Antes de entregar, se verifican las afirmaciones de mayor riesgo y, si falta información, te decimos qué falta.
Ideal para
La mayoría de las empresas en producción: alto volumen, mayoría de preguntas simples y necesidad de respuestas fiables sin disparar el costo.
A tener en cuenta
A veces responde «no hay evidencia suficiente» en lugar de improvisar. Es intencional: preferimos decirte qué falta antes que inventar.
Dónde viven tus documentos: En tu AWS
Adaptive Evidence RAG · StrictEn piloto

Adaptive Evidence Strict

La misma propuesta con el máximo nivel de verificación, para cuando equivocarse sale caro.

Cómo funciona
Igual que Lean, pero todas las respuestas las redacta nuestro modelo más preciso y cada afirmación se contrasta con su fuente antes de entregarla. Lo que no esté respaldado, se elimina.
Ideal para
Salud, legal, compliance, seguros y cualquier colección marcada como sensible.
A tener en cuenta
Cuesta más por consulta y tarda unos segundos más que Lean, a cambio de la menor tasa de respuestas incorrectas.
Dónde viven tus documentos: En tu AWS

Comparativa rápida

CriterioClásicoGestionadoAgénticoAdaptive LeanAdaptive Strict
Costo por consultaMedioMuy bajoAltoMedioMedio-alto
Velocidad de respuestaRápidaMuy rápidaLentaRápidaMedia
Preguntas que cruzan varios documentosLimitadoLimitadoMuy buenoMuy buenoMuy bueno
Protección contra respuestas inventadasBásicaBásicaMediaAltaMáxima
Te dice qué información falta——Parcial✓✓
Tus documentos se quedan en AWS✓—✓✓✓
Puesta en marchaDíasMinutosSemanasDíasDías

Comparativa orientativa basada en nuestro modelo interno de costo y calidad. Antes de recomendarte una opción, la validamos con un benchmark sobre tus propios documentos y preguntas.

Todas las opciones comparten lo esencial: permisos por usuario y equipo, citas a la fuente original y registro de auditoría de cada respuesta.

Capacidades opcionales

Se activan solo si tu caso lo requiere.

Jev · TypeSafe AIBajo pedido · en evaluación

Decisiones rápidas con Jev

Jev es un modelo especializado en decidir, no en redactar. Puede encargarse de clasificar cada pregunta, decidir si la evidencia alcanza y verificar cada afirmación de la respuesta, mientras Claude sigue redactando. Así, revisar todas las respuestas cuesta una fracción y la respuesta llega antes.

Se aplica a
Adaptive Lean
A tener en cuenta
Las preguntas y los fragmentos citados se procesan fuera de AWS, en TypeSafe AI. Solo lo activamos con tu autorización expresa, nunca en colecciones sensibles y después de validarlo con preguntas en tu idioma.

¿No sabes cuál te conviene?

Cuéntanos qué tipo de preguntas hace tu equipo y qué tan sensibles son tus datos. Te recomendamos una opción y la probamos con tus documentos.

Hablar con un especialista →
Cómo funciona por dentro

Cada pieza de un RAG, explicada sin tecnicismos

Detrás de cada respuesta hay varios mecanismos trabajando en cadena. Así funciona cada uno, para qué sirve y en qué opciones lo usamos.

1. Preparar tus documentos

Antes de responder nada, hay que convertir tus documentos en algo que la IA pueda buscar.

FragmentaciónChunking

En simple: Dividimos cada documento en fragmentos de un tamaño manejable, respetando sus secciones y títulos.

Piénsalo así
Como poner separadores en un archivador: no buscas en el archivador entero, sino en la carpeta correcta.
Por qué importa
La IA solo puede leer una cantidad limitada de texto por pregunta. Si los fragmentos están bien cortados, recibe justo lo relevante.
Contexto en cada fragmentoContextual chunks

En simple: A cada fragmento le añadimos una breve nota de dónde viene: qué documento, qué sección y de qué trata.

Piénsalo así
Como una etiqueta en una foto suelta que dice «boda de Ana, 2019». Sin ella, la foto pierde sentido.
Por qué importa
Un fragmento como «subir 2,5 kg cuando…» no sirve si no se sabe a qué protocolo pertenece. Este paso reduce mucho las búsquedas fallidas.
Huella de significadoEmbeddings

En simple: Convertimos cada fragmento en una lista de números que representa su significado, no sus palabras exactas.

Piénsalo así
Como las coordenadas de un mapa: los textos que hablan de lo mismo quedan cerca, aunque usen palabras distintas.
Por qué importa
Permite encontrar «cómo pido vacaciones» aunque el documento diga «solicitud de días libres».
Etiquetas y filtrosMetadata

En simple: Cada fragmento lleva etiquetas como cliente, área, fecha, idioma o nivel de confidencialidad.

Piénsalo así
Como los filtros de una tienda online: talla, color y precio, antes de mirar producto por producto.
Por qué importa
Acota la búsqueda a lo que corresponde y garantiza que nadie vea contenido para el que no tiene permiso.
Almacén gestionadoGemini File Search store

En simple: En lugar de indexar los documentos nosotros, se suben a un almacén de Google que hace la fragmentación y la búsqueda.

Piénsalo así
Como contratar una bodega con servicio de inventario incluido: es cómodo, pero las cosas están en la bodega de otro.
Por qué importa
Elimina infraestructura y acelera el arranque, a cambio de control y de que los documentos residan fuera de AWS.
Lo usan
Gestionado

2. Encontrar la información correcta

Cuando llega una pregunta, hay que encontrar los fragmentos que de verdad la responden.

Búsqueda por significadoBúsqueda vectorial

En simple: Buscamos los fragmentos cuya huella de significado está más cerca de la pregunta.

Piénsalo así
Como preguntarle a un bibliotecario por un tema, en lugar de buscar una palabra en el índice.
Por qué importa
Entiende sinónimos y paráfrasis, pero puede pasar por alto nombres propios, códigos o siglas.
Búsqueda por palabras exactasBM25

En simple: Buscamos los fragmentos que contienen literalmente los términos importantes de la pregunta.

Piénsalo así
Como el Ctrl+F de toda la vida, pero que sabe qué palabras pesan más.
Por qué importa
Imprescindible para nombres de autores, artículos de una ley, referencias de producto o jerga técnica.
Búsqueda híbridaFusión RRF

En simple: Combinamos las dos búsquedas anteriores y nos quedamos con lo que ambas consideran mejor.

Piénsalo así
Como pedir opinión a dos expertos con criterios distintos y quedarte con lo que los dos recomiendan.
Por qué importa
Reúne lo mejor de cada búsqueda: entiende lo que quieres decir y no pierde los términos exactos.
ReordenamientoReranking

En simple: Un modelo especializado relee los mejores candidatos junto con la pregunta y los ordena por relevancia real.

Piénsalo así
Como una segunda entrevista: el primer filtro elige a 20 candidatos y el segundo, a los 5 mejores.
Por qué importa
La IA recibe menos ruido y más precisión, y su puntuación nos dice qué tan sólida es la evidencia.

3. Pensar antes de responder

No todas las preguntas merecen el mismo esfuerzo. Estos mecanismos deciden cuánto investigar.

Clasificador de preguntasRouter

En simple: Antes de responder, clasificamos la pregunta: simple, compuesta o de varios pasos. La búsqueda arranca en paralelo para no perder tiempo.

Piénsalo así
Como el triaje de una urgencia: no todos los pacientes necesitan el mismo especialista.
Por qué importa
Evita gastar mucho en preguntas fáciles y quedarse corto en las difíciles.
Compuerta de evidenciaEvidence gate

En simple: Medimos si lo encontrado basta para responder. Si basta, respondemos; si no, investigamos más o lo decimos.

Piénsalo así
Como un editor que no deja publicar una noticia sin al menos una fuente sólida.
Por qué importa
Es la principal defensa contra las respuestas inventadas, y casi no añade costo porque usa señales que ya tenemos.
Investigación en varios pasosBucle agéntico

En simple: Dividimos la pregunta en partes, buscamos cada una, revisamos qué falta y repetimos si hace falta.

Piénsalo así
Como un investigador que, al leer un informe, descubre que necesita otro dato y va a buscarlo.
Por qué importa
Resuelve preguntas cuya respuesta está repartida en varios documentos. En Adaptive lo limitamos a dos rondas para controlar el tiempo y el costo.
El modelo adecuado para cada preguntaModel routing

En simple: Las preguntas simples con evidencia clara las redacta un modelo ágil; las complejas, el más preciso.

Piénsalo así
No hace falta un cirujano para poner una curita, pero sí para operar.
Por qué importa
Con buena evidencia, redactar es fácil. Usar el modelo grande solo cuando aporta baja el costo y la espera.
Decisiones rápidas con JevDecision model · opcional

En simple: Un modelo que no redacta: solo responde preguntas cerradas, como «¿es simple o compleja?» o «¿esta fuente respalda esta frase?», con una probabilidad.

Piénsalo así
Como un juez de línea: no juega el partido, pero decide en una fracción de segundo si la pelota entró.
Por qué importa
Abarata tanto la verificación que se pueden revisar todas las afirmaciones. Es opcional y solo se activa con tu autorización, porque procesa los datos fuera de AWS.

4. Responder con garantías

La respuesta solo sale cuando cada afirmación tiene respaldo.

Respuesta con citasCitations

En simple: Cada afirmación lleva una referencia al fragmento exacto del documento del que sale.

Piénsalo así
Como las notas al pie de un buen informe.
Por qué importa
Puedes comprobar cualquier dato con un clic y auditar la respuesta meses después.
Verificación de afirmacionesEvidence Contract

En simple: Antes de entregar la respuesta, comprobamos que cada cita respalda de verdad lo que se afirma. Lo que no está respaldado, se elimina.

Piénsalo así
Como un verificador de datos que revisa el artículo antes de imprimirlo.
Por qué importa
Otras soluciones revisan si encontraron suficiente información; nosotros además revisamos la respuesta. En Lean se aplica a las respuestas de mayor riesgo; en Strict, a todas.
Decir qué faltaAbstención con gaps

En simple: Si no hay evidencia suficiente, la respuesta lo dice y explica qué información falta en tu base de conocimiento.

Piénsalo así
Como un buen asesor que prefiere decir «no lo sé, falta este dato» antes que adivinar.
Por qué importa
Una respuesta inventada puede costar caro. Un «falta esto» se corrige: cada vacío detectado indica qué documento añadir.
Cómo operamos

Tus datos sensibles jamás salen de tu infraestructura

Elige el caso que describe tu realidad. En los tres, lo único que rags.cc ve de tu contenido son conversiones matemáticas cifradas — nunca tus documentos legibles.

Tú conservas lo legible

Tus documentos originales — PDFs, contratos, correos, bases de conocimiento — permanecen donde hoy viven. rags.cc no los copia, no los reubica, no los almacena en su propia cuenta.

Nosotros solo vemos vectores

Para que la IA pueda buscar, convertimos cada fragmento en un vector matemático (1024 números). Ese vector es irreversible: no se puede reconstruir el texto original a partir de él. Es lo único que rags.cc necesita para encontrar la respuesta correcta.

Cifrado extremo a extremo

Todo viaja sobre TLS 1.3 con certificados mutuos (mTLS) o VPC privada. En reposo, todo se cifra con KMS — cuando es posible, con tus propias llaves (BYOK). Ni rags.cc ni AWS pueden descifrar sin tu consentimiento criptográfico.

Auditable por tu equipo

CloudTrail, logs del connector y audit log de rags.cc quedan en tu infra. Tu equipo de seguridad ve cada acción. Puedes revocar el acceso en un click y conservar toda tu data.

El cliente vive en AWS

Tú nos das acceso controlado a tu cuenta. Nosotros nunca vemos tus documentos legibles.

Ideal: Empresas ya en AWS que buscan tiempo de arranque rápido y perímetro propio.

  1. 1

    1. Tú autorizas

    Creas un cross-account IAM role en TU cuenta AWS con permisos mínimos (leer de tu S3 designado, escribir en tu Aurora designado). Puedes revocarlo cuando quieras.

  2. 2

    2. Se despliega en tu cuenta

    Terraform de rags.cc levanta Aurora + pgvector + servicios ECS DENTRO de tu cuenta. Los documentos, chunks y embeddings viven físicamente en tu infra. rags.cc solo opera vía roles temporales auditados por tu CloudTrail.

  3. 3

    3. Conversión matemática

    Al subir un documento, el worker lo parsea y genera embeddings llamando a Amazon Bedrock por un VPC endpoint privado. El texto original nunca sale de tu VPC. Los vectores se guardan junto al documento.

  4. 4

    4. Búsqueda y respuesta

    Cuando un usuario pregunta, convertimos la pregunta en vector y recuperamos los chunks más similares DE TU Aurora. Esos chunks se envían a Claude (Bedrock) con prompt de citación. La respuesta regresa con cada cita enlazada al documento original en TU S3.

  5. 5

    5. Qué ve rags.cc

    Nada legible. Métricas agregadas (latencia, costo, errores), logs técnicos, y acceso operacional temporal vía IAM. Cero contenido.

¿Qué es exactamente un embedding?

Un embedding es un vector de 1024 números reales que representa el significado de un fragmento de texto. Dos fragmentos con significado parecido producen vectores cercanos en el espacio matemático. Es una función irreversible: dado el vector, no existe un algoritmo público que recupere el texto original. Es lo único que rags.cc necesita para encontrar, pero no para leer.

rags.cc guarda y busca sobre estos vectores. Nunca sobre el texto.

Ejemplo

📄 «El contrato de arrendamiento con Globex vence el 15 de diciembre de 2026»

↓ embed v2

[0.0213, -0.4571, 0.1084, 0.9372, …] (1024 números)

¿Tu caso encaja en alguno de estos tres?

Cuéntanos tu requerimiento concreto y levantamos un entorno demo para tu empresa. Estamos operando en modo invitación hasta completar nuestra primera cohorte.

Solicitar acceso anticipado →
Arquitectura

Arquitectura seria. Decisiones documentadas.

Cada elección técnica que hacemos está escrita, justificada y revisable. Así convertimos "tus datos están seguros" en algo verificable — no una promesa de marketing.

Tus datos no salen de tu red

rags.cc corre dentro de tu VPC AWS. Las llamadas a los modelos de IA viajan por endpoints privados de AWS — tus bytes nunca tocan internet público. Ni siquiera nosotros podemos inspeccionarlos.

Aislamiento entre clientes verificado

Row-Level Security en PostgreSQL: incluso un bug en nuestro código no puede leer datos de otro cliente. La base de datos bloquea la fuga antes de que la aplicación intente la consulta.

Cada respuesta enlaza al párrafo exacto

No es un resumen vago. Cada afirmación de nuestro agente cita el chunk de documento del que salió, con ID estable. Puedes auditar una respuesta 6 meses después y reconstruir exactamente qué vio el modelo.

No te amarramos a un proveedor de IA

Empezamos con Claude vía AWS Bedrock porque cumple nuestra promesa de residencia de datos. Si mañana quieres Llama, Mistral o tu propia instancia — nuestro Model Gateway lo soporta sin reescribir tu integración.

Diseñado para tus auditores desde el día uno

Encriptación separada por tipo de dato. Rotación automática de credenciales. Audit log inmutable. Backups encriptados con tu propia clave si lo requieres. Cumple los principios de SOC2 e ISO27001 — no como afterthought, sino en cada línea de Terraform.

Empieza barato. Escala lineal. Sin lock-in.

Nuestra arquitectura escala de forma elástica: Aurora Serverless, inferencia pay-per-use, storage de escalado automático. Puedes empezar con unos pocos documentos y crecer a millones sin rearquitectar.

¿Quieres el brief técnico completo?

Publicamos todos nuestros ADRs (Architecture Decision Records). Pídenos el walkthrough de 30 min donde tu equipo pregunta lo que quiera. Sin NDAs.

Agenda un walkthrough →

Por qué rags.cc

Privado por diseño

Todo corre en tu VPC AWS. Bedrock vía VPC endpoint privado. Cero egress.

Citas verificables

Cada respuesta enlaza al chunk exacto. Auditoría forense meses después.

Multi-tenant real

Row-Level Security en PostgreSQL. Aislamiento verificado con tests automáticos.

Reemplazabilidad del LLM

Model Gateway desacoplado. Cambia de Claude a Llama sin reescribir el producto.

Precios simples y públicos

Precios en USD. Sin sorpresas. Contrato mensual o anual con descuento.

Starter

USD $99/ mes
  • 1 workspace
  • 500 documentos
  • 1.000 consultas / mes
  • 10M tokens LLM / mes
  • Claude Haiku 4.5
  • Audit log 30 días
Solicitar
★ Popular

Pro

USD $499/ mes
  • 5 workspaces
  • 5.000 documentos
  • 10.000 consultas / mes
  • 50M tokens LLM / mes
  • Haiku 4.5 + Sonnet 4.6
  • Audit log 90 días
  • SLA 99,5 %
Solicitar

Business

USD $1,499/ mes
  • 25 workspaces
  • 50.000 documentos
  • 50.000 consultas / mes
  • 200M tokens LLM / mes
  • Haiku + Sonnet + Opus 4.6
  • BYO-LLM
  • Audit log 1 año
  • SLA 99,9 %
Solicitar

Precios en dólares estadounidenses (USD). IVA no incluido. Facturación mensual o anual con descuento. Tier Enterprise con SSO, despliegue dedicado y SLA 99,95% disponible bajo contrato.

Hablar con nosotros →