RAG (Retrieval-Augmented Generation, en español "generación aumentada por recuperación") es un método en el que un sistema de IA primero busca información relevante en tu base de datos y solo después la añade a la instrucción del modelo que escribe la respuesta. En lugar de fiarse de lo que el modelo "recuerda", se le entregan las páginas correctas antes de que responda.
En resumen
- RAG es un método: primero se extraen de los documentos del negocio los fragmentos relevantes para la pregunta, y luego el modelo responde a partir de ellos.
- No vuelve a entrenar el modelo. Los fragmentos recuperados se añaden a la instrucción, en cada pregunta de nuevo.
- Sirve cuando hay mucha información interna: lista de precios, procedimientos, preguntas frecuentes, documentos de producto.
- Reduce los errores pero no los elimina. La calidad de la respuesta depende de la calidad de los documentos y de la recuperación.
La imagen: un examen a libro abierto
Un estudiante hace un examen oral, solo con lo que recuerda. Otro lo hace con los libros sobre la mesa: recibe una pregunta, hojea hasta el lugar correcto, lee y responde.
Un modelo de lenguaje sin RAG es el primer estudiante. Con RAG es el segundo. No se vuelve más listo, pero tiene la página correcta delante. Y, igual que en el examen, todo depende de si abrió la página adecuada.
Cómo funciona RAG
Según la explicación de Anthropic, la base se prepara de antemano: se divide en fragmentos pequeños de texto, cada fragmento se convierte en una representación numérica llamada embedding y se guarda en una base en la que se puede buscar. Al llegar una pregunta, se encuentran los fragmentos más cercanos a ella y se añaden a la instrucción.
De tus documentos a la respuesta
- Preparar la baseLos documentos se dividen en fragmentos y se guardan para buscar
- PreguntaLa hace un cliente o un empleado
- RecuperaciónSe eligen los fragmentos más cercanos a la pregunta
- RespuestaEl modelo responde según los fragmentos recibidos
OpenAI también lo ofrece como servicio integrado: su herramienta de búsqueda en archivos trabaja con bases llamadas vector stores y busca tanto por significado como por palabras clave. Se puede limitar cuántos resultados se devuelven y filtrar por atributos de los archivos.
¿Por qué importa RAG para un negocio?
- Atención al cliente. Responder preguntas sobre envíos, devoluciones y horarios según el documento actualizado y no por conjetura.
- Procedimientos internos. Un empleado nuevo pregunta "¿cómo se gestiona una devolución?" y recibe una respuesta sacada de tu procedimiento.
- Catálogo y lista de precios. Las preguntas sobre productos se responden desde el archivo actualizado, y no desde lo que el modelo aprendió una vez.
- Propuestas y documentos. Preparar un borrador a partir de propuestas anteriores y condiciones fijas, para que tú lo revises.
- Conocimiento que está en el correo y en documentos. En lugar de buscar a mano, preguntas y recibes el fragmento relevante.
Sin RAG
Un estudiante en examen oral
- Responde con lo que aprendió en el entrenamiento
- No conoce los documentos del negocio
- Puede completar detalles por conjetura
Con RAG
Un examen a libro abierto
- Recibe fragmentos relevantes junto con la pregunta
- Responde a partir de tus documentos
- Se puede mostrar de qué fragmento salió la respuesta
Mitos frecuentes sobre RAG
Mito"RAG entrena el modelo con mi información"
En realidadEl modelo no cambia. Los fragmentos recuperados se suman a la instrucción en cada pregunta, y solo permanecen mientras estén en ella.
Mito"Con RAG no hay alucinaciones"
En realidadLas reduce, pero no las elimina. Si se recupera el fragmento equivocado, o el propio documento es erróneo, la respuesta será errónea. Anthropic señala que técnicas así disminuyen las alucinaciones y no las eliminan del todo.
Mito"Hace falta RAG para todo"
En realidadSi toda la información relevante es corta y cabe en la instrucción, basta con adjuntarla. RAG hace falta cuando la base es demasiado grande para meterla de una vez.
Mito"Subes archivos y ya funciona"
En realidadAnthropic advierte de que dividir documentos en fragmentos puede hacer perder contexto. Una frase como "los ingresos aumentaron" no dice nada si no se sabe de qué empresa y de qué periodo se habla. Unos documentos ordenados ayudan.
Conceptos cercanos
- LLM: el modelo de lenguaje que responde al final
- Alucinación: qué pasa cuando el modelo no sabe
- Token: por qué no se puede meter todo de una vez
- MCP: conectar un modelo con fuentes de información y herramientas
- Agente de IA: un modelo conectado al negocio
Platin Digital es OpenAI Select Partner. Cuando configuramos un agente para un negocio, nuestra primera pregunta es qué documentos necesita conocer y quién se encarga de mantenerlos al día.
Preguntas frecuentes
¿Qué es RAG?
RAG, siglas de Retrieval-Augmented Generation, es un método en el que un sistema de IA busca primero fragmentos de información relevantes en una base, como los documentos del negocio, y los añade a la instrucción del modelo antes de que responda. Así la respuesta se apoya en una fuente y no solo en lo que el modelo aprendió en el entrenamiento.
¿Cuál es la diferencia entre RAG y entrenar un modelo?
En el entrenamiento cambia el propio modelo. En RAG el modelo se queda como está y recibe, en cada pregunta, los fragmentos adecuados. Por eso se puede actualizar un documento y la respuesta se actualiza, sin volver a entrenar.
¿RAG sirve para un negocio pequeño?
Cuando hay una base de conocimiento real, como preguntas repetidas, procedimientos o un catálogo, sí. Cuando toda la información cabe en una página, se puede adjuntar a la instrucción sin RAG. Se empieza por las preguntas que más se repiten.
¿RAG garantiza respuestas correctas?
No. Mejora la probabilidad, pero la respuesta depende de que se recupere el fragmento correcto y de que el documento esté al día. Recomendamos pedir al modelo que cite la fuente, permitirle decir que no sabe y revisar las respuestas importantes. Más en la explicación sobre alucinaciones.
