Le preguntas a un proveedor de IA si tiene "RAG" y te dice que sí. Le preguntas qué significa y la respuesta suele ser una nube de humo con la palabra "vectores" flotando dentro. Vamos a explicarlo sin marketing: qué es de verdad, cómo funciona por dentro, cuándo te sirve y cuándo es simplemente la pieza equivocada.
Qué es RAG (y qué no es)
RAG son las siglas de Retrieval-Augmented Generation, "generación aumentada con recuperación". La idea de fondo es sencilla: en lugar de esperar que un modelo de lenguaje "sepa" tus manuales, tu normativa interna o tus procedimientos porque los memorizó en su entrenamiento (no lo hizo, no los ha visto nunca), le das acceso a esos documentos en el momento de responder. El modelo busca los fragmentos relevantes y contesta apoyándose en ellos, citando de dónde sale la respuesta.
Lo que NO es RAG:
- No es "subir unos PDFs a un chatbot genérico de internet". Eso suele significar que tus documentos viajan a un servidor de terceros sin control de dónde viven ni quién los ve. Puede bastar para probar algo en 10 minutos, no para ponerlo en producción con datos sensibles.
- No es fine-tuning. El fine-tuning reentrena el modelo con tus datos, es caro, lento de actualizar y el conocimiento queda "cocido" dentro del modelo. RAG deja el conocimiento fuera, en tus documentos, y el modelo solo lo consulta cuando hace falta. Si tu manual cambia mañana, con RAG basta con reindexar ese documento; con fine-tuning tocaría reentrenar.
- No es un buscador con florituras. Un buscador te devuelve documentos. RAG te devuelve una respuesta en lenguaje natural, construida a partir de esos documentos, y (si está bien hecho) te dice de dónde la ha sacado.
Cómo funciona por dentro (sin jerga)
Quitando el vocabulario técnico, un sistema de RAG hace cuatro cosas, en este orden:
- Preparar el material. Se trocean tus documentos (manuales, procedimientos, normativa) en fragmentos manejables. Ni demasiado grandes (pierdes precisión) ni demasiado pequeños (pierdes contexto).
- Indexar. Cada fragmento se convierte en una representación numérica que permite buscar por significado, no solo por palabra exacta. Así, si alguien pregunta "¿cuánto dura la garantía?" y el manual dice "periodo de cobertura", el sistema lo encuentra igual.
- Recuperar. Cuando alguien hace una pregunta, el sistema busca en ese índice los fragmentos más relevantes para esa pregunta concreta.
- Generar. El modelo redacta la respuesta usando solo esos fragmentos como contexto, en lugar de "inventar" con lo que recuerda de su entrenamiento general. Si está bien construido, además cita la fuente.
El punto 4 es el que más falla en las implementaciones caseras: si no se obliga al modelo a ceñirse a los fragmentos recuperados, sigue teniendo margen para alucinar por encima de ellos.
Cuándo tiene sentido usar RAG en tu empresa
RAG no es la respuesta a todo. Tiene sentido claro cuando se dan varias de estas condiciones:
- Tienes conocimiento disperso en documentos (manuales técnicos, procedimientos internos, normativa, contratos) y tu gente pierde tiempo real buscando en ellos o preguntando a la persona que "lo sabe de memoria".
- Ese conocimiento cambia con frecuencia. Actualizar un documento y reindexarlo es rápido; reentrenar un modelo, no.
- Necesitas trazabilidad. En sectores regulados, no basta con una respuesta plausible: hace falta poder decir de qué documento y qué versión sale cada afirmación.
- Hay restricciones de privacidad o soberanía del dato. Cuando el conocimiento es sensible (fórmulas, procesos productivos, datos de clientes), importa dónde vive el modelo y quién tiene acceso a las consultas. Es uno de los motivos por los que, en industrias como la alimentaria o la sanitaria, se pide que todo corra sobre modelos alojados en España o la UE, sin salir hacia terceros.
Cuándo NO usar RAG (con la misma honestidad)
- Si tu problema real es que el dato está sucio o disperso en sistemas mal conectados, RAG no lo arregla, solo lo empaqueta mejor. Ordenar el dato va primero; lo explicamos en detalle en por qué el dato va antes que la IA.
- Si lo que necesitas es que la IA ejecute acciones (cotizar, consultar stock, dar de alta una factura, crear un pedido), RAG no es la pieza correcta. Ahí hace falta integración real contra tus sistemas por API, no un buscador de documentos. Lo tratamos en qué es integrar IA de verdad.
- Si el volumen de documentos es pequeño y estable, a veces meterlo todo directamente en el contexto de cada consulta es más simple y barato que montar una infraestructura de recuperación completa.
Checklist: ¿tu empresa está lista para un RAG?
| Pregunta | Si respondes que sí... |
|---|---|
| ¿Tienes documentación real (manuales, procedimientos, normativa) que la gente consulta a menudo? | Buena señal, hay material de base |
| ¿Ese conocimiento cambia con cierta frecuencia (nuevas versiones, actualizaciones)? | RAG encaja mejor que fine-tuning |
| ¿Necesitas saber de qué documento sale cada respuesta? | RAG con citas es la pieza adecuada |
| ¿El contenido es sensible y no puede salir a un proveedor sin control? | Necesitas mirar dónde corre el modelo, no solo "tener RAG" |
| ¿Lo que de verdad quieres es que la IA actúe (no solo responda)? | Aquí el problema es de integración, no de RAG |
Los errores más comunes al montar un RAG
- Trocear mal los documentos. Fragmentos demasiado largos meten ruido; demasiado cortos pierden el contexto necesario para responder bien.
- No cuidar los metadatos. Sin guardar fuente, fecha y versión de cada fragmento, el sistema puede citar un procedimiento ya obsoleto como si fuera el vigente.
- Mandar todo a un proveedor externo sin mirar dónde vive el dato. Cómoda para una demo, arriesgada cuando el contenido es sensible.
- No medir nada. Sin una forma de comprobar si las respuestas son correctas (muestreo, revisión humana periódica), no sabes si el sistema funciona o solo suena bien.
- Dejarlo sin control de "no lo sé". Un RAG bien construido debe poder decir que no tiene información suficiente, en vez de rellenar el hueco con una respuesta inventada.
Caso real (anonimizado)
En una empresa de industria alimentaria montamos un asistente privado sobre sus manuales técnicos: la gente de planta pregunta en lenguaje natural y recibe respuestas ancladas en la documentación real, con los modelos corriendo en España para no sacar información sensible fuera. Es un proyecto que planteamos como "en marcha" (una herramienta que mejora con el uso), no como una promesa de ROI cerrado el primer mes. Puedes ver el planteamiento completo en el caso IA soberana / RAG.
Cómo lo montamos en AutoBoost
No vendemos "RAG" como producto de catálogo. Empezamos mirando qué documentación tienes, cómo de sensible es y qué necesitas de verdad: ¿respuestas con cita de fuente?, ¿integrado en tu intranet o en WhatsApp?, ¿modelos alojados en España? A partir de ahí construimos la solución a medida, código sobre tus sistemas, no un conector genérico. Puedes ver el resto de proyectos en servicios.
Si tienes conocimiento disperso en documentos y quieres saber si RAG (o algo distinto) es lo que necesitas, hablemos.