¿Qué es RAG? IA que trabaja con los datos de su empresa

01¿Qué es RAG y por qué hace falta?

Los grandes modelos de lenguaje son fuertes en conocimiento general, pero no conocen la lista de precios de su empresa, sus procedimientos internos ni la política de devoluciones que se actualizó el mes pasado. Esa información no está en los datos de entrenamiento y, aunque estuviera, ya se habría quedado anticuada. La respuesta más breve a qué es RAG es esta: una capa de búsqueda que hace que el modelo lea el documento correcto antes de responder la pregunta.

Las tres palabras de su nombre resumen el proceso. Retrieval (recuperación) consiste en encontrar los fragmentos de texto pertinentes; augmented (aumentada), en añadirlos a la pregunta; y generation (generación), en que el modelo escriba la respuesta con ese contexto. El modelo se comporta como un estudiante que hace un examen con el libro abierto.

Este enfoque destaca sobre todo en proyectos de inteligencia artificial corporativa. En áreas como atención al cliente, apoyo a ventas, manuales de recursos humanos y documentación técnica, permite que el modelo use de forma segura información que él no conoce pero usted sí.

02¿Cómo funciona RAG?

Un sistema RAG se compone de dos flujos distintos: el flujo de indexación, en el que se preparan los documentos de antemano, y el flujo de consulta, que se ejecuta con cada pregunta. La indexación se hace una vez (y cada vez que cambian los documentos); el flujo de consulta se completa en segundos con cada mensaje del usuario.

Flujo de indexación

Los PDF, documentos de Word, páginas web o registros de bases de datos se convierten en texto y se dividen en fragmentos (chunks) con sentido. Cada fragmento se transforma en un vector numérico con un modelo de embeddings y se guarda en una base de datos vectorial. Los vectores representan el significado del texto; las frases con significado parecido generan vectores próximos entre sí.

Flujo de consulta

1. La pregunta del usuario se convierte en un vector con el mismo modelo de embeddings.
2. En la base de datos vectorial se buscan los fragmentos más cercanos a la pregunta (normalmente los 3 a 10 primeros resultados).
3. Los fragmentos encontrados se envían al modelo de lenguaje junto con la pregunta y las instrucciones.
4. El modelo escribe la respuesta apoyándose únicamente en ese contexto e indica la fuente.

03Base de datos vectorial y embeddings

La búsqueda clásica se fija en la coincidencia de palabras; quien busque “plazo de devolución” puede pasar por alto el párrafo que dice “derecho de desistimiento”. La búsqueda semántica, en cambio, mide la cercanía entre vectores y por eso reconoce ambas expresiones como el mismo tema. Buena parte de la fuerza de RAG viene de este paso.

Para guardar los vectores pueden usarse bases de datos vectoriales específicas o, con extensiones como pgvector para PostgreSQL, la propia base de datos relacional que ya tenga puede encargarse de ello. Qué opción conviene lo determinan el volumen de datos, la frecuencia de actualización y la tecnología que conozca el equipo. La elección del modelo de datos la explicamos en detalle en nuestro artículo diferencia entre SQL y NoSQL.

En la práctica, el mejor resultado suele lograrse con la búsqueda híbrida: se combinan los resultados de la búsqueda semántica y de la búsqueda por palabras clave. En expresiones que deben coincidir exactamente, como un código de producto o el número de un contrato, la búsqueda por palabras sigue siendo más certera.

import numpy as np

def kosinus(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# parca_vektorleri: her belge parcasinin embedding vektoru
# soru_vektoru: kullanici sorusunun embedding vektoru
skorlar = [kosinus(soru_vektoru, v) for v in parca_vektorleri]
en_iyi = np.argsort(skorlar)[::-1][:5]
print(en_iyi)

04¿RAG o ajuste fino (fine-tuning)?

Las dos formas de enseñar al modelo los datos de la empresa se confunden con frecuencia. El ajuste fino consiste en volver a entrenar los pesos del modelo con sus propios ejemplos; es bueno para enseñar estilo, formato y patrones de tareas concretas. RAG, en cambio, mantiene la información fuera del modelo y la trae en cada pregunta.

Si la información cambia a menudo, si es importante citar las fuentes y si los permisos de acceso varían según el usuario, RAG es casi siempre el punto de partida más acertado. Los dos métodos también pueden usarse juntos.

05Usos y ejemplos

Chatear con documentos es el ejemplo más conocido: en lugar de leer un procedimiento de cientos de páginas, los empleados hacen preguntas y el sistema responde citando el apartado pertinente. La misma lógica funciona también de cara al cliente.

• Asistente de atención al cliente: responde a preguntas sobre envíos, devoluciones o condiciones de garantía con las políticas vigentes del sitio.
• Hoteles y turismo: responde a las preguntas de los huéspedes a partir de las características de las habitaciones, las normas del establecimiento y los programas de excursiones; para los datos de reservas se plantea junto con sistemas como un software hotelero.
• E-commerce: hace comparaciones a partir de descripciones de producto y fichas técnicas; los datos en vivo, como stock y precios, se leen directamente del sistema mediante una integración e-commerce.
• Base de conocimiento interna: recursos humanos, procesos contables y notas de instalación técnica, consultables desde una sola interfaz.
• Equipo de marketing: genera borradores a partir de la guía de marca y de informes de campañas anteriores; esos borradores pasan por la aprobación de una persona en el proceso de marketing digital.

06¿Cómo se monta un proyecto RAG?

Aunque los componentes técnicos ya estén listos, la mayor parte del esfuerzo de un proyecto con éxito está en los datos. Los pasos siguientes ofrecen una hoja de ruta válida para la mayoría de los proyectos corporativos.

1. Acote el alcance: elija primero un único escenario de uso, por ejemplo solo las preguntas de atención al cliente.
2. Limpie las fuentes: descarte los documentos antiguos, contradictorios y en borrador; un documento equivocado no genera una respuesta correcta.
3. Defina la estrategia de fragmentación: divida según los límites de títulos y párrafos y deje un pequeño solapamiento entre fragmentos.
4. Diseñe los permisos de acceso: añada a cada fragmento, como metadatos, quién puede verlo.
5. Redacte la instrucción: pida al modelo que responda solo con el contexto proporcionado y que diga que no lo sabe si es el caso.
6. Prepare un conjunto de pruebas: mida con regularidad con 50 a 100 ejemplos de preguntas reales de usuarios y las respuestas esperadas.
7. Monte el flujo de actualización: haga que, cuando cambie un documento, se reindexen automáticamente los fragmentos correspondientes.

07Errores frecuentes

Los sistemas RAG parecen impresionantes en la primera demostración; los problemas aparecen con usuarios reales. El error más común es la mala fragmentación: una tabla se parte en dos, el título y el contenido acaban en fragmentos distintos y el modelo responde con información incompleta.

El segundo error es mirar solo la respuesta final sin medir la calidad de la recuperación. La causa de una respuesta equivocada suele ser no el modelo, sino que se haya recuperado el fragmento equivocado. Por eso los resultados de la búsqueda deben evaluarse por separado.

El tercero es la seguridad. Las instrucciones ocultas dentro de los documentos pueden intentar dirigir al modelo (prompt injection). El texto recuperado debe tratarse siempre como datos y nunca debe prevalecer sobre las instrucciones del sistema. Si el modelo se va a conectar con otros sistemas, también aquí valen los principios de autorización de nuestro artículo qué es MCP.

Por último, RAG no es todo el flujo. Si después de la respuesta hay que abrir una solicitud, enviar un correo o actualizar un registro, debe combinarse con herramientas de automatización de flujos de trabajo.

08Antes de empezar un proyecto RAG

Hágase tres preguntas: ¿las respuestas a qué preguntas les quitan hoy más tiempo a los empleados? ¿Esas respuestas están actualizadas y escritas en un solo lugar? ¿Cuál es el coste de una respuesta equivocada? La respuesta a estas preguntas determina el alcance del proyecto y en qué punto se requiere la aprobación de una persona.

Si se va a trabajar con documentos que contienen datos personales, las condiciones de tratamiento y conservación de los datos deben quedar claras desde el principio. Hay que comprobar en el contrato dónde procesa el servicio de modelo los datos y si los conserva; para la valoración jurídica, consulte la normativa vigente y a su asesor.

En Aurora Yazılım, al desarrollar soluciones de software sectoriales, situamos en el centro de cada proyecto dónde están los datos y quién puede acceder a ellos. Si quiere hablar de su proyecto, puede contactar con nosotros a través de nuestra página de contacto.