Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 986
ASISTENTE INTELIGENTE PARA CONSULTA ASISTIDA POR IA Y
RECUPERACIÓN DE INFORMACIÓN EN DOCUMENTOS PDF ACADÉMICOS
INTELLIGENT ASSISTANT FOR AI-ASSISTED QUERY AND INFORMATION
RETRIEVAL IN ACADEMIC PDF DOCUMENTS
Autores: ¹Carla Andrea Encalada Arévalo y ²Milton Campoverde Molina.
¹ORCID ID: https://orcid.org/0009-0000-6444-6480
²ORCID ID: https://orcid.org/0000-0001-5647-5150
¹E-mail de contacto: carla.encalada.18@est.ucacue.edu.ec
²E-mail de contacto: mcampoverde@ucacue.edu.ec
Afiliación: ¹*Universidad Católica de Cuenca, (Ecuador). ²*Universidad Católica de Cuenca, (Ecuador), Unidad Académica de
Informática, Ciencias de la Computación, e Innovación Tecnológica, Grupo de Investigación Simulación, Modelado, Análisis y
Accesibilidad, (SMA²)
Artículo recibido: 29 de Enero del 2026
Artículo revisado: 30 de Enero del 2026
Artículo aprobado: 8 de Febrero del 2026
¹Ingeniera en Software, egresada de la Universidad Católica de Cuenca, (Ecuador).
²Ingeniero de Sistemas, graduado de la Universidad Católica de Cuenca, (Ecuador). Magíster en Docencia Universitaria, graduado de la
Universidad de las Fuerzas Armadas - ESPE, (Ecuador). Magíster en Evaluación y Auditoría de Sistemas Tecnológicos, graduado de la
Universidad de las Fuerzas Armadas – ESPE, (Ecuador). PhD. dentro del Programa de Doctorado en Tecnologías de la Información y las
Comunicaciones, graduado de la Universitat de les Illes Balears, (España).
Resumen
El objetivo del trabajo fue desarrollar y
verificar localmente un asistente inteligente
para consultar documentos académicos de un
repositorio de la Universidad Católica de
Cuenca. En este contexto, el problema consiste
en que los archivos extensos dificultan la
localización rápida y precisa de información
cuando se depende únicamente de la búsqueda
tradicional por palabras clave. Para lo cual,
implementamos un prototipo que convierte el
contenido en representaciones vectoriales,
búsqueda semántica con la biblioteca Facebook
AI Similarity Search (FAISS) y respuestas en
ejecución local con Ollama. El prototipo tiene
una arquitectura cliente–servidor, integra la
carga de documentos, segmentación por
fragmentos, recuperación semántica y
persistencia del historial mediante generación
aumentada con recuperación (Retrieval
Augmented Generation, RAG). Además, el
prototipo incorpora la referencia del
documento analizado e indica con claridad
cuando no existe evidencia suficiente para
responder. La metodología utilizada fue Scrum
y realizamos pruebas de extremo a extremo en
carga individual y por carpeta. También,
aplicamos una encuesta de percepción a cuatro
participantes para valorar facilidad, claridad,
utilidad y experiencia de usuario. En cuanto a
los resultados de rendimiento, se obtuvo que la
versión actual del prototipo aumenta el tiempo
de ingesta e indexación de documentos frente a
la versión inicial. Esto se debe a que la segunda
versión genera más embeddings, pero mejora la
recuperación de evidencias y la calidad de
respuesta. Se concluye que un asistente
documental inteligente optimiza el proceso de
consulta al reducir los tiempos de búsqueda y
eliminar la dependencia de servicios externos.
Palabras clave: Asistente Inteligente,
Embeddings, FAISS, Ollama, RAG.
Abstract
The objective of this work was to develop and
locally verify an intelligent assistant to query
academic documents from a repository of the
Catholic University of Cuenca. In this context,
the problem is that lengthy documents make it
difficult to quickly and accurately locate
information when relying solely on traditional
keyword search. To address this, we
implemented a prototype that converts content
into vector representations, performs semantic
search using the Facebook AI Similarity Search
(FAISS) library, and generates locally executed
responses with Ollama. The prototype has a
client-server architecture and integrates
document loading, text chunking, semantic
retrieval, and history persistence through
Retrieval Augmented Generation (RAG).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 987
Additionally, the prototype incorporates
references to the analyzed document and
clearly indicates when there is insufficient
evidence to answer. The methodology used was
Scrum, and we conducted end-to-end tests on
single-file and batch loading. We also applied
a perception survey to four participants to
assess ease of use, clarity, usefulness, and user
experience. Regarding performance results, the
current version of the prototype increases
document ingestion and indexing time
compared to the initial version. This is because
the second version generates more embeddings
but improves evidence retrieval and response
quality. It is concluded that an intelligent
document assistant optimizes the query process
by reducing search times and eliminating
dependence on external services.
Keywords: Intelligent Assistant,
Embeddings, FAISS, Ollama, RAG.
Sumário
O objetivo do trabalho foi desenvolver e
verificar localmente um assistente inteligente
para consultar documentos acadêmicos de um
repositório da Universidade Católica de
Cuenca. Neste contexto, o problema consiste
em que os arquivos extensos dificultam a
localização rápida e precisa de informação
quando se depende unicamente da busca
tradicional por palavras-chave. Para isso,
implementamos um protótipo que converte o
conteúdo em representações vetoriais, busca
semântica com a biblioteca Facebook AI
Similarity Search (FAISS) e respostas em
execução local com Ollama. O protótipo possui
uma arquitetura cliente-servidor, integra o
carregamento de documentos, segmentação por
fragmentos, recuperação semântica e
persistência do histórico mediante geração
aumentada com recuperação (Retrieval
Augmented Generation, RAG). Além disso, o
protótipo incorpora a referência do documento
analisado e indica com clareza quando não
existe evidência suficiente para responder. A
metodologia utilizada foi Scrum e realizamos
testes de ponta a ponta em carga individual e
por pasta. Também aplicamos uma enquete de
percepção a quatro participantes para avaliar
facilidade, clareza, utilidade e experiência do
usuário. Quanto aos resultados de desempenho,
obteve-se que a versão atual do protótipo
aumenta o tempo de ingestão e indexação de
documentos frente à versão inicial. Isso se deve
ao fato de que a segunda versão gera mais
embeddings, mas melhora a recuperação de
evidências e a qualidade de resposta. Conclui-
se que um assistente documental inteligente
otimiza o processo de consulta ao reduzir os
tempos de busca e eliminar a dependência de
serviços externos.
Palavras-chave: Assistente Inteligente,
Embeddings, FAISS, Ollama, RAG.
Introducción
A lo largo del tiempo, los asistentes
conversacionales han experimentado una
transformación sin precedentes, desde chatbots
con respuestas preestablecidas a sistemas
complejos basados en modelos de lenguaje de
gran escala (Large Language Models, LLM).
Esta transformación ha impulsado su
incorporación en distintos entornos educativos.
Dentro de este ámbito, herramientas como
ChatGPT representan un cambio significativo
gracias a su capacidad de generar textos y asistir
en tareas académicas (Tramallino y Marize,
2024). No obstante, su implementación trae
consigo debates sobre ética, transparencia y su
uso apropiado (Bustamante y Camacho, 2024).
En la enseñanza universitaria, en estudios
recientes han analizado cómo se emplea
ChatGPT, señalando ventajas, desventajas e
indicando que las instituciones deben crear
normas o políticas claras de uso (McGrath et al.,
2025). También, estas herramientas se pueden
utilizar como apoyo para la escritura de trabajos
y la investigación (Khalifa y Albadawy, 2024).
Sin embargo, se debe revisar con expertos para
minimizar el sesgo y alucinación del contenido.
En Ecuador, considerando la necesidad de
pautas para un uso responsable, se han realizado
investigaciones acerca de cómo emplear
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 988
asistentes conversacionales e Inteligencia
Artificial (IA) en ámbitos de enseñanza. La
incorporación de la IA en la formación
universitaria es un reto para las organizaciones
educativas. Se recalca la importancia de
capacitar al personal, considerando aspectos
morales y legales en caso de un mal uso
(Campuzano et al., 2025). Asimismo, se
presenta un desarrollo de un asistente de IA
destinado a la orientación vocacional, que
depende del perfil de competencias de los
estudiantes de educación media (Montoya et al.,
2025). En síntesis, la IA permite el
autoaprendizaje y es un desafío su uso correcto
(Anchapaxi-Díaz et al., 2024).
La inclusión de ChatGPT en la educación
superior desde enfoques complementarios en
Cuenca (Ecuador), ha permitido evaluar la
opinión de 63 docentes de la Universidad
Politécnica Salesiana. Para lo cual, se ha
aplicado un instrumento de pruebas de validez
y confiabilidad, que revela su uso como una
gran herramienta para organizar actividades de
clase, pero no se mide su impacto en el proceso
educativo (Sigüenza et al., 2024). De forma
similar, en la Universidad Católica de Cuenca
se evaluó a 61 docentes de Odontología con un
cuestionario validado. El 75% conoce IA, pero
solo el 20% la usa por falta de capacitación e
infraestructura limitada (Ortiz y Marín, 2025).
Asimismo, Carvallo y Erazo (2023) evidencian
el uso de IA como un soporte en los procesos de
enseñanza y aprendizaje, en este caso específico
en la materia de ingeniería de requisitos de la
Universidad del Azuay. Además, en el Instituto
Tecnológico del Azuay se analizan las
implicaciones y dificultades de la utilización de
ChatGPT, no solo en clases, si no para gestionar
procesos de docentes, como planificación
académica o registros de evaluación (Terreros
et al., 2025). En conjunto, se demuestra la
aceptación de la IA por parte de los profesores,
aunque aún no se puede predecir las posibles
consecuencias a largo plazo.
Por lo tanto, la investigación sobre chatbots
basados en LLM resulta relevante por su
capacidad para mejorar el acceso a la
información académica en la educación
superior. Esta necesidad se vuelve más evidente
cuando la información institucional se almacena
en repositorios que contienen numerosos
documentos en formato PDF, a menudo
extensos y heterogéneos, lo que dificulta la
localización rápida de información pertinente.
En este contexto, la optimización de la
búsqueda en repositorios universitarios, en una
era de constante desarrollo tecnológico, se
vincula con el principio de accesibilidad
equitativa, entendido como la igualdad de
oportunidades para acceder a los servicios
institucionales (Universidad Católica de
Cuenca, 2020).
En un estudio se evidencia que ayudar a
usuarios a encontrar información relevante en
bibliotecas universitarias es más difícil, por el
crecimiento de recursos electrónicos (Dragon
et al., 2025). En consecuencia, este trabajo
desarrolla y evalúa un modelo inicial de
asistente inteligente que permite consultar y
gestionar documentos académicos en formato
PDF, basado en IA y base de datos vectoriales.
El artículo se organiza de la siguiente manera:
primero se describen los materiales y métodos
empleados para el desarrollo y la evaluación del
prototipo. Luego se presentan los resultados y
su discusión. Finalmente, se exponen las
conclusiones y los trabajos futuros.
Materiales y Métodos
El marco de trabajo Scrum guía la ejecución del
proyecto mediante procesos definidos para
planificar, desarrollar y validar incrementos
funcionales (Schwaber & Sutherland, 2012). La
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 989
gestión del trabajo se organizó en iteraciones
tipo Sprint, con una duración base de dos
semanas, que variaba cuando la complejidad de
las tareas lo requerían. La organización de roles
se aplicó de manera unipersonal porque la
desarrolladora asumió los roles de Product
Owner y Equipo de Desarrollo, encargándose
de priorizar funcionalidades, planificar
actividades e implementar los módulos del
prototipo. El tutor académico mientras tanto fue
el stakeholder principal, revisando los
entregables al final de cada Sprint y
proporcionando retroalimentación para ajustes
técnicos. El proceso general se resume en la
figura 1.
Figura 1. Metodología Scrum para el
desarrollo del asistente inteligente
El primer paso fue delimitar la problemática del
proyecto. En el ámbito académico encontrar
información útil y rápido continúa siendo
complicado, porque se encuentra repartida en
distintos PDFs académicos. El problema crece
cuando los documentos son extensos, porque
exige dedicar más tiempo en buscar
información importante mediante palabras
clave o por lecturas completas. Con el problema
definido, se revisaron fuentes bibliográficas
para seleccionar un LLM e IA necesario para
definir el alcance del trabajo. En esta etapa se
definieron requerimientos funcionales (RF) y
requerimientos no funcionales (RFN), los
cuales orientan el desarrollo del prototipo del
asistente inteligente. Los requerimientos
funcionales delimitan las funcionalidades que el
prototipo debe ofrecer, mientras que los no
funcionales establecen parámetros de calidad y
restricciones basándose en el alcance del
prototipo.
Los requerimientos funcionales especificaron
módulos esenciales del programa, como chats,
documentos, consultas e interfaz. Además, se
priorizó el flujo de carga y procesamiento de
PDFs, la recuperación de fragmentos con
FAISS, la construcción de contexto para el
LLM y el registro del historial de chats. En
cambio, los requerimientos no funcionales
delimitaron que el asistente se ejecute en un
entorno local, priorizando rendimiento,
usabilidad y mantenibilidad por módulos. La
revisión de requerimientos fue al inicio de cada
Sprint, por ende, después de cada
retroalimentación se ajustaron prioridades y se
añadieron mejoras futuras. A partir de esto se
elaboró y gestionó el backlog en Jira, mediante
historias de usuario y tareas priorizadas. Como
consecuencia, el seguimiento de los
requerimientos definidos y los incrementos
entregados en cada iteración permaneció claro y
ordenado. Dentro de los requerimientos
principales:
➢ RF1: Cargar y almacenar documentos PDF.
➢ RF2: Extraer texto, fragmentar e indexar
con embeddings.
➢ RF3: Recuperar fragmentos relevantes con
RAG.
➢ RF4: Generar respuestas con un LLM
mediante Ollama.
➢ RF5: Registrar y consultar historial de
chats en MongoDB.
➢ RNF1: Ejecutar la inferencia en el mismo
equipo, en un entorno local.
El diseño de arquitectura del asistente
inteligente se orientó a servicios, el cual se
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 990
compone en un cliente web y un backend.
Además, el prototipo se organizó por capas para
establecer responsabilidades claras entre los
módulos. El diagrama de diseño se elaboró
como soporte para su uso como referencia para
la implementación incremental del prototipo
(ver figura 2).
➢ Capa de Presentación: Interfaz web donde
el usuario carga PDFs y consulta respuestas
o historial de chats.
➢ Capa de Servicios: Backend con endpoints
REST que gestiona la ingesta de PDFs, las
consultas y la comunicación entre módulos.
➢ Capa de Procesamiento y Recuperación:
Módulos que procesan el PDF (lectura y
extracción de texto), fragmentan el
contenido (chunking), generan embeddings
y buscan en FAISS los fragmentos más
relevantes para construir el contexto de
respuesta.
➢ Capa de Datos: MongoDB guarda el
historial de chats y metadatos de
documentos para permitir retomar
conversaciones.
➢ Capa de IA: Ollama ejecuta el modelo de
lenguaje y genera la respuesta final a partir
del contexto recuperado.
Una solución basada en IA depende de la
calidad, consistencia e integridad de los datos,
así como de la infraestructura necesaria para
probarla, entrenarla y desplegarla (Campoverde
y Luján, 2025). Por ello, en esta etapa del
trabajo se estableció una estructura mínima de
datos, la cual garantiza la vinculación entre
documentos, fragmentos recuperados y
respuestas generadas. A continuación, se
describe el flujo de trabajo de ingesta,
recuperación semántica y generación
aumentada con recuperación (Retrieval-
Augmented Generation, RAG) del asistente
inteligente.
• PDF (Entrada): El prototipo recibe el
archivo PDF, valida su formato y lo
registra como documento para iniciar la
ingesta.
• Extracción y Chunking: El texto se
extrae del PDF y se divide en
fragmentos manejables para facilitar la
indexación y la búsqueda.
• Embeddings: Cada fragmento se
transforma en un vector numérico que
representa su significado y permite
comparar contenido por similitud.
• FAISS (Indexación): Los vectores se
almacenan en un índice vectorial que
permite ubicar rápidamente los
fragmentos más cercanos a una
consulta.
• Recuperación y RAG: Los fragmentos
más relevantes se recuperan ante una
pregunta y se usan como contexto para
que el LLM genere una respuesta
sustentada.
• Registro (MongoDB): Se almacena el
historial de la consulta y los metadatos
del documento.
Figura 2. Diagrama del diseño de arquitectura
del asistente inteligente de documentos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 991
Para el desarrollo del backend del prototipo se
utilizó Python con FastAPI para exponer la API
y Uvicorn como servidor. El flujo RAG se
integró con LangChain y PyPDFLoader para
extraer el texto de los PDFs y segmentarlos en
fragmentos. Los embeddings se generaron con
Sentence-Transformers, lo que permitió la
indexación y búsqueda semántica mediante
FAISS. La generación de respuestas se realizó
con Gemma 3 (27B) ejecutado localmente a
través de Ollama. La persistencia de datos se
gestionó con MongoDB. En síntesis, en esta
fase se implementaron los módulos y servicios
necesarios para que al final de cada Sprint se
entregara un incremento funcional.
El cliente web consume los endpoints expuestos
por el backend para construir las interfaces y los
flujos de interacción del prototipo. Por tal
motivo, se utilizó React como biblioteca de
interfaz de usuario y Vite como herramienta de
construcción. El diseño responsivo se
implementó con CSS personalizado y Flexbox,
mientras que la comunicación HTTP con el
backend se realizó mediante Fetch API.
Finalmente, npm se empleó para la
administración de paquetes y dependencias del
proyecto. En consecuencia, la implementación
del frontend permitió proseguir con la
validación y evaluación del prototipo.
La validación del asistente inteligente se apoyó
en pruebas end-to-end (E2E) y pruebas de uso.
Con las pruebas E2E se comprobó, mediante
escenarios preestablecidos, el flujo completo
del prototipo. Por ejemplo, se validó el flujo de
la carga de un documento PDF o la carga de
varios documentos mediante “Conectar
carpeta”. También, se aplicaron pruebas de uso
con cuatro participantes. Su percepción de uso
se recolecta mediante una encuesta tipo Likert
(1–5), ya que esta escala permite cuantificar
actitudes y percepciones de los participantes
(Joshi et al., 2015). Dicha encuesta se enfocó en
facilidad, claridad, utilidad del historial y
comprensión de evidencias del prototipo.
Resultados y Discusión
En esta sección se presentan los resultados del
desarrollo y evaluación del asistente inteligente.
El cual fue propuesto para apoyar la consulta y
gestión de PDFs académicos con IA y bases de
datos vectoriales.
Desarrollo del prototipo: Sprint 1:
Estructura del backend
En este Sprint se levantó la API en FastAPI y se
dejó operativa en un entorno local. También se
definieron modelos Pydantic para estandarizar
la estructura de entrada y salida de datos de la
API. El resultado fue una base estable para
crecer por módulos. Retroalimentación del
Sprint: Se acordó priorizar primero estabilidad
y claridad de endpoints antes de agregar
funciones avanzadas.
Sprint 2: Gestión de chats e historial
En este Sprint se desarrollaron endpoints para
crear, listar, consultar y eliminar chats. Además,
el historial se configuró para que se almacene
en MongoDB con metadatos. El propósito fue
mantener una organización modular basada en
servicios. Retroalimentación del Sprint: Se
recomendó trabajar con MongoDB para
asegurar persistencia real del historial y
trazabilidad de interacciones.
Sprint 3: Ingesta documental y preparación
para indexación
En este Sprint se habilitó la carga de PDFs por
chat. En primer lugar, se almacena el archivo y
se valida su extensión (.pdf) antes de la
extracción. Después, el contenido del
documento se obtiene con PyPDFLoader y se
fragmenta con CharacterTextSplitter. El
chunking se parametriza mediante la definición
del tamaño de fragmento y solapamiento
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 992
(overlap) en la configuración del prototipo. En
este prototipo se definió el tamaño de chunk con
1000 tokens y overlap con 150 tokens. Además,
la normalización de texto se realiza mediante la
aplicación de expresiones regulares y también
se detecta encabezados repetitivos.
Retroalimentación del Sprint: Se sugirió
incorporar límites para reforzar el control de
carga con el propósito de mejorar la estabilidad.
Sprint 4: Indexación vectorial, recuperación
semántica y RAG con persistencia
La generación de embeddings se integró con
HuggingFaceEmbeddings, habilitando
búsqueda por similitud. Se construyeron índices
FAISS por documento, guardados en un vector
store por chat y almacenados con metadatos del
procesamiento. Además, se desarrolló una
funcionalidad que permite agregar una carpeta
común desde configuración. Esta carpeta actúa
como una base opcional con varios documentos
PDF, disponible para cualquier chat creado. En
el caso que el usuario carga otros PDF, estos se
priorizan, sin descartar el contexto aportado por
la carpeta común. También, habilitamos el
RAG para recuperar fragmentos relevantes y
poder consultarlos al LLM con Ollama. Por
ello, incorporamos un timeout configurable y
excepciones en la llamada al LLM. Además,
utilizamos una configuración conservadora para
reducir alucinaciones, con temperatura baja
(0.1) y un límite de 800 tokens. Como resultado,
VectorStoreManager administra los índices
vectoriales, ChatManager coordina el flujo del
chat, y ChatDocumentsService selecciona los
fragmentos de documentos usados como
evidencia para responder. Retroalimentación
del Sprint: Se solicitó optimizar el chunking
para reducir tiempos y aumentar la calidad de la
recuperación. A continuación, se presenta la
conexión de carpeta y preselección documental
para consultas:
Sprint 5: Conexión de carpeta y preselección
documental para consultas
Incorporamos la opción Conectar carpeta para
asociar a un chat hasta 20 PDFs extensos, de
más de 100 páginas y solo texto. Los
documentos se cargan desde una ruta local, lo
cual elimina la necesidad de subirlos uno a uno
en la interfaz. A partir de los índices FAISS por
documento del anterior sprint, se implementó
un mejor proceso de recuperación de
información para responder preguntas. Primero
se eligen los documentos más probables para la
consulta y, después, se extraen los fragmentos
más relevantes dentro de esos candidatos.
Luego se combinan solo los índices de los
documentos seleccionados, para acelerar la
búsqueda y reducir el consumo de recursos.
Retroalimentación del Sprint: Se sugirió
actualizar el registro cuando se agreguen,
eliminen o modifiquen archivos, para evitar
consultas con información antigua.
Sprint 6: Esquema de interfaz básico
En este Sprint desarrollamos una primera
propuesta de interfaz para delimitar su
estructura. Además, definimos la disposición
base con barra lateral y área principal. En
resumen, buscamos validar jerarquía visual y
distribución de componentes. La figura 3
evidencia este primer acercamiento de baja
fidelidad. Retroalimentación del Sprint: Se
propuso desarrollar un diseño más sobrio y
profesional.
Figura 3. Interfaz inicial del asistente para
validar distribución de componentes
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 993
Sprint 7: Rediseño de interfaz e integración
con el backend
Se implementó la interfaz final y se integró con
la API mediante la URL definida en el entorno.
Asimismo, se habilitó la gestión de sesiones,
consultas y carga de PDFs asociados al chat,
incluyendo ingesta por carpeta. La figura 4
presenta el resultado.
Retroalimentación del Sprint: Se recomendó
simplificar componentes y mantener
consistencia en tipografías y espaciados.
Figura 4. Interfaz final del asistente inteligente
Evaluación del prototipo: Configuración del
entorno de evaluación
Las pruebas se ejecutaron en un entorno local,
específicamente en una computadora de
escritorio (Desktop) de la Universidad Católica
de Cuenca (UCACUE). El equipo utilizado fue
un ASUS con procesador Intel Core i9-13900K
(24C/32T), 64 GB de RAM y arquitectura x64.
En la tabla 1 se resume la configuración del
entorno y los cambios principales entre la
versión inicial (V1) y la versión actual (V2),
incluyendo el modelo LLM (Ollama) y el
modelo de embeddings utilizados.
Tabla 1. Configuración del entorno (misma
desktop)
Entorno
Modelo LLM
(Ollama)
Modelo de
embeddings
Observaciones
Desktop (V1 -
versión inicial)
gemma3:4b
all-MiniLM-L6-v2
Configuración más
conservadora para evitar
saturación. Menor costo
computacional.
Desktop (V2 -
versión actual)
gemma3:27b
paraphrase-
multilingual-
MiniLM-L12-v2
Configuración más robusta pero
más pesada. Mayor costo de
inferencia y embeddings.
Fuente: Elaboración propia
La comparación V1 vs V2 corresponde a
cambios de configuración. En V2 se incrementa
el tamaño del modelo LLM por defecto de
gemma3:1b a gemma3:27b. Además, se utiliza
un modelo de embeddings más pesado de all-
MiniLM-L6-v2 a paraphrase-multilingual-
MiniLM-L12-v2, lo que incrementa el costo
computacional de la generación de embeddings
y la respuesta del asistente.
Pruebas de rendimiento: ingesta e
indexación de documentos
La validación end-to-end confirmó el
funcionamiento integral del prototipo en tres
escenarios. El primero (E2E-1) corresponde a la
creación de chat con carga de un PDF y su
consulta. El segundo y tercero escenario (E2E-
2 y E2E-3) corresponden a la creación de chat
con conexión de carpeta con 10 o 20
documentos, indexación y consulta posterior.
En los tres casos se verificó persistencia del
historial y recuperación de evidencias para
fundamentar la respuesta. A partir de ello, se
reporta el tiempo total de ingesta e indexación
T(ing) como tiempo real (wall-clock), desde la
extracción del PDF hasta que el contenido
queda disponible para consulta. La
comparación entre versiones se expresa
mediante speedup (S) y variación porcentual
(%Δ), calculados sobre T(ing) para los
escenarios evaluados. Las ecuaciones se
presentan a continuación:
1. Speedup (S)
Es “cuántas veces” es más rápido un entorno
respecto al otro. Si comparas la configuración
inicial vs la actual:
𝑺 =
𝑻
𝑽𝟏
𝑻
𝑽𝟐
(1)
Interpretación rápida:
• S = 1 → igual de rápido
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 994
• S = 2 → Versión actual es 2× más rápido
• S = 4.5 → Versión actual es 4.5× más
rápido
2. Variación porcentual (%Δ)
Es el porcentaje de reducción del tiempo al
pasar de la configuración inicial a la actual.
%𝚫 =
𝑻
𝑽𝟏
−𝑻
𝑽𝟐
𝑻
𝑽𝟏
× 𝟏𝟎𝟎 (2)
Interpretación rápida:
• %Δ = 0% → no hubo mejora
• %Δ = 50% → el tiempo bajó a la mitad
• %Δ = 80% → el tiempo bajó muchísimo
(solo queda 20% del original
Tabla 2. Pruebas de rendimiento: ingesta e indexación de documentos
Escenario
Carga
T(V1)
T(V2)
Speedup (S)
Variación porcentual
(%Δ)
E2E-1
1 PDF extenso (100 págs)
14.80 s
19.84 s
0.75×
-34.1%
E2E-2
Conectar carpeta (10 PDFs)
149.81 s
260.13 s
0.58×
-73.6%
E2E-3
Conectar carpeta (20 PDFs)
156.52 s
277.70 s
0,56×
-77.4%
Fuente: Elaboración propia
Los resultados evidencian que en la versión V2
se incrementa el tiempo de ingesta e indexación
respecto a V1. Para un PDF, el tiempo pasa de
00:14.80 a 00:19.84 (S=0.75×); para 10 PDFs,
de 2:29.81 a 4:20.13 (S=0.58×); y para 20
PDFs, de 2:36.52 a 4:37.70 (S=0.56×). En
consecuencia, la configuración de V2 implica
mayor costo computacional, especialmente en
cargas masivas. Sin embargo, este aumento se
asocia a que V2 genera más fragmentos y
embeddings, por mayor procesamiento. Lo cual
incrementa el tiempo de ingesta, pero mejora la
recuperación semántica al disponer de
fragmentos más informativos, permitiendo
producir respuestas mejor fundamentadas.
Pruebas de uso
Una evaluación de uso se aplicó con cuatro
participantes (n = 4) mediante una encuesta tipo
Likert organizada en cinco criterios (C1–C5).
La Tabla 3 presenta los promedios (M) y la
desviación estándar (DE) como referencia
descriptiva, considerando el tamaño de la
muestra. En términos generales, la percepción
fue alta, con valores promedio entre 4.25 y 5.00.
El criterio C4 (comprensión de
evidencias/contexto) obtuvo la puntuación
máxima (M = 5.00; DE = 0.00), lo que refleja
consenso total entre los participantes. Los
criterios C1–C3 también recibieron
valoraciones favorables. Sin embargo, C3
mostró mayor variabilidad (DE = 1.00), lo que
indica diferencias individuales en cómo se
percibe la utilidad o continuidad del historial. El
promedio más bajo correspondió a C5
(experiencia general) (M = 4.25; DE = 0.96), lo
que indica posibles mejoras en la interacción,
como una comunicación más clara del estado
del prototipo, como mensajes de progreso.
Tabla 3. Resultados de percepción por criterio (escala 1–5, n=4)
Criterio
Descripción
M
DE
C1
Facilidad de iniciar un chat y cargar documentos
4.75
0.50
C2
Claridad y utilidad de la respuesta del asistente
4.50
0.58
C3
Utilidad del historial y continuidad de conversación
4.50
1.00
C4
Comprensión de evidencias/contexto usado por el asistente
5.00
0.00
C5
Experiencia general de uso
4.25
0.96
Fuente: elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 995
Kwon et al. (2025) describe un escenario multi-
documento que se relaciona con dynamic-
selection-based retrieval-augmented generation
(DS-RAG). Además, cuenta con la capacidad
de mejorar la respuesta a preguntas que
dependen de varias fuentes y también controla
el tamaño del contexto (Kwon et al., 2025). En
comparación con el caso del asistente
inteligente, cuando se carga una carpeta con
varios documentos PDFs realiza algo similar,
pero de forma local. Ya que, primero prioriza
los documentos candidatos y luego los
fragmentos relevantes para construir el contexto
de respuesta. Aytar et al. (2025) en su trabajo
incorporan un pipeline multietapa que integra
GROBID, el cual es una gran herramienta para
extraer y estructurar contenido antes de ser
indexado. Además, RAGAS se utiliza como
base para evaluar su sistema de manera
automática (Aytar et al., 2025). En cambio,
como se mencionó antes, el programa descrito
en este trabajo prioriza la estabilidad del flujo y
su eficiencia de procesamiento en ejecución
local, sin aún integrar esas herramientas.
Conclusiones
Este trabajo demuestra que un asistente
inteligente de consulta documental basado en
RAG puede operar de forma consistente en un
entorno local. El prototipo integra ingesta de
PDFs, indexación vectorial, recuperación de
fragmentos y generación de respuestas
sustentadas en los documentos que se cargaron
previamente. La validación E2E confirmó la
persistencia del historial a lo largo del flujo del
procesamiento de documentos. Su
funcionamiento se verificó en dos escenarios,
mediante la carga individual de un PDF o la
conexión de una carpeta con múltiples
documentos. Los resultados refuerzan la
utilidad del prototipo cuando la información
académica se encuentra en varios archivos. En
cuanto al rendimiento, la versión actual
incrementó el tiempo de ingesta e indexación
frente a la versión inicial. Este aumento se
explica porque la segunda versión genera más
embeddings, lo que eleva el costo de
procesamiento. Sin embargo, esta decisión
mejora la recuperación de evidencias y, en
consecuencia, la calidad de las respuestas. En la
evaluación de uso, la percepción general fue
positiva, y la comprensión de respuesta
generada por el programa destacó como el
criterio mejor valorado. En conjunto, los
resultados confirman que un asistente local
mejora la consulta de PDFs mediante respuestas
contextualizadas y referenciadas, sin
dependencia obligatoria de servicios externos.
Como trabajos futuros, se recomienda ampliar
la evaluación del prototipo en un contexto
institucional, con más usuarios, perfiles
diversos y escenarios reales. También se deben
incorporar controles de seguridad alineados con
las políticas universitarias. Para fortalecer la
evidencia científica, conviene aplicar métricas
formales de calidad RAG. Estas métricas deben
cubrir precisión, cobertura de evidencia,
fidelidad al contexto y consistencia de
respuestas. En lo técnico, se sugiere optimizar
segmentación, solapamiento y normalización
del texto. Por último, es recomendable mejorar
la interfaz de usuario con manejo explícito de
estados y control de errores más robustos, con
el objetivo de estabilizar el historial y las
consultas consecutivas.
Agradecimientos
Este trabajo ha sido apoyado por el Centro de
Ingeniería de Software de la Universidad
Católica de Cuenca.
Referencias Bibliográficas
Anchapaxi-Díaz, C. (2024). Uso de chatbots
educativos y su impacto en el aprendizaje
autónomo en bachillerato. Revista Científica
Retos de la Ciencia, 1(4), 200–214.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 996
https://doi.org/10.53877/rc.8.19e.202409.1
6
Aytar, A. (2025). A synergistic multi-stage RAG
architecture for boosting context relevance
in data science literature. Natural Language
Processing Journal, 13, 100179.
https://doi.org/10.1016/j.nlp.2025.100179
Bustamante, R. (2024). Inteligencia artificial
(IA) en las escuelas: Una revisión
sistemática (2019–2023). Enunciación,
29(1), 62–82.
https://doi.org/10.14483/22486798.22039
Campoverde-Molina, M. (2026). Artificial
intelligence in web accessibility: A
systematic mapping study. Computer
Standards & Interfaces, 96, 104055.
https://doi.org/10.1016/j.csi.2025.104055
Campuzano-Vásquez, J. (2025). Uso de la
inteligencia artificial en la educación
superior: Estudio de caso Universidad
Técnica de Machala. INNOVA Research
Journal, 10(2), 24–45.
https://doi.org/10.33890/innova.v10.n2.202
5.2754
Carvallo, J. (2023). On the use of ChatGPT to
support requirements engineering teaching
and learning process. En S. Berrezueta
(Ed.), Proceedings of the 18th Latin
American Conference on Learning
Technologies (LACLO 2023) (pp. 328–342).
Springer. https://doi.org/10.1007/978-981-
99-7353-8_25
Dragon, P. (2025). Enhancing library
discovery: An approach to understanding
user access to electronic resources. The
Journal of Academic Librarianship, 51(4),
103064.
https://doi.org/10.1016/j.acalib.2025.10306
4
Joshi, A. (2015). Likert scale: Explored and
explained. British Journal of Applied
Science & Technology, 7(4), 396–403.
https://doi.org/10.9734/BJAST/2015/14975
Khalifa, M. (2024). Using artificial intelligence
in academic writing and research: An
essential productivity tool. Computer
Methods and Programs in Biomedicine
Update, 5, 100145.
https://doi.org/10.1016/j.cmpbup.2024.1001
45
Kwon, M. (2025). A dynamic-selection-based,
retrieval-augmented generation framework:
Enhancing multi-document question-
answering for commercial applications.
Electronics, 14(4), 659.
https://doi.org/10.3390/electronics1404065
9
McGrath, C. (2025). Generative AI chatbots in
higher education: A review of an emerging
research area. Higher Education, 89(6),
1533–1549. https://doi.org/10.1007/s10734-
024-01288-w
Montoya, F. (2025). Desarrollo de un chatbot
con inteligencia artificial para orientación
vocacional según el perfil competencial de
estudiantes de tercero bachillerato.
Informática y Sistemas, 9(2), 184.
https://doi.org/10.33936/isrtic.v9i2.7907
Ortiz, C. (2025). Uso de la inteligencia
artificial por docentes de odontología en la
Universidad Católica de Cuenca. Revista
Scientific, 10(37), 201–219.
https://doi.org/10.29394/Scientific.issn.254
2-2987.2025.10.37.10.201-219
Schwaber, K. (2012). The Scrum guide. En
Software in 30 Days (1.a ed., pp. 133–152).
Wiley.
https://doi.org/10.1002/9781119203278.app
2
Sigüenza, J. (2024). Validación del
cuestionario para docentes: Percepción
sobre el uso de ChatGPT en la educación
superior. Revista Andina de Educación, 8(1),
000816.
https://doi.org/10.32719/26312816.2024.8.1
.6
Terreros-Pesantez, D. (2025). La inteligencia
artificial en la gestión administrativa
docente del Instituto Tecnológico del Azuay,
Cuenca, Ecuador 2025. Resistances. Journal
of the Philosophy of History, 6(12), e250192.
https://doi.org/10.46652/resistances.v6i12.1
92
Tramallino, C. (2024). Avances y discusiones
sobre el uso de inteligencia artificial en
educación. Educación, 33(64), 29–54.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 997
https://doi.org/10.18800/educacion.202401.
M002
Universidad Católica de Cuenca. (2020).
Modelo educativo–pedagógico
“Kunanmanta”.
https://documentacion.ucacue.edu.ec/items/
show/2700
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Carla Andrea
Encalada Arévalo y Milton Campoverde Molina.
