Última revisión:
¿Qué es el RAG? Definición y retos para la empresa
El RAG (Retrieval-Augmented Generation) es una arquitectura de IA que acopla un motor de búsqueda en sus documentos a un modelo generativo: el modelo responde apoyándose en sus datos de negocio citables, y no únicamente en sus conocimientos de entrenamiento.
El RAG funciona en tres etapas invisibles para el usuario final. Primero, sus documentos (PDF, páginas web, base de conocimientos) se trocean y se convierten en vectores numéricos, es decir, coordenadas matemáticas que representan su sentido, y se almacenan en una base vectorial. Segundo, cuando un usuario plantea una pregunta, el sistema busca los pasajes semánticamente más próximos a la consulta. Tercero, esos pasajes se inyectan en el prompt enviado al LLM, que redacta una respuesta apoyándose explícitamente en esas fuentes. La consecuencia práctica es mayor. El modelo ya no se apoya en su memoria de entrenamiento, sino que lee en cada consulta los documentos pertinentes que usted le proporciona. Eso es lo que distingue el RAG del fine-tuning, que modifica los parámetros internos del modelo. El RAG deja el modelo intacto y juega únicamente sobre lo que tiene a la vista en el momento de responder.
Ejemplo concreto
Un estudio publicado en 2025 en JMIR Cancer comparó chatbots con y sin RAG, construidos sobre GPT-4 y GPT-3.5, con 62 preguntas sobre el cáncer formuladas en japonés. Sin RAG, alrededor del 40 % de las respuestas contenían una alucinación. Conectados al Cancer Information Service japonés, los chatbots RAG bajaron al 0 % (GPT-4) y al 6 % (GPT-3.5) en los temas cubiertos por esa fuente. Conectados a una búsqueda en Google, se mantenían entre el 6 y el 10 %, y subían al 19 y al 35 % en las preguntas que la fuente fiable no cubría. El RAG reduce mucho la alucinación, siempre que la fuente sea fiable y cubra la pregunta. Otro efecto: los chatbots RAG supieron decir que no sabían.
Preguntas frecuentes
En la práctica, ¿cómo funciona un RAG?
En tres etapas invisibles para el usuario. Sus documentos se trocean y se convierten en vectores almacenados en una base vectorial; en cada pregunta, el sistema recupera los pasajes más próximos al sentido de la consulta; esos pasajes se inyectan en el prompt y el modelo redacta su respuesta apoyándose en esas fuentes. El modelo ya no recurre a su memoria de entrenamiento, lee en cada consulta los documentos que usted le proporciona.
¿Qué diferencia hay entre RAG y fine-tuning?
El fine-tuning modifica los parámetros internos del modelo, lo que supone un reentrenamiento cada vez que se actualiza el conocimiento. El RAG deja el modelo intacto y juega únicamente con los documentos que tiene a la vista al responder: añadir un documento solo requiere una reindexación. Para datos que cambian a menudo, el RAG suele ser preferible.
¿El RAG suprime las alucinaciones?
No, las reduce, siempre que la fuente sea fiable y cubra la pregunta. En un estudio publicado en 2025 en JMIR Cancer (62 preguntas formuladas en japonés), alrededor del 40 % de las respuestas de chatbots sin RAG contenían una alucinación. Conectados al Cancer Information Service japonés, los chatbots RAG bajaron al 0 % (GPT-4) y al 6 % (GPT-3.5) en los temas cubiertos por esa fuente. Conectados a una búsqueda en Google, subían al 19 y al 35 % en las preguntas que la fuente fiable no cubría.
¿Por qué probar un RAG antes de plantear un fine-tuning?
Porque un RAG solo requiere una reindexación, mientras que el fine-tuning exige competencias escasas, una infraestructura de cálculo pesada y un reentrenamiento cada vez que cambian sus documentos. El RAG ofrece además tres ventajas: la trazabilidad (cada respuesta cita su fuente), la frescura (un nuevo documento se indexa sin reentrenamiento) y el control (su base documental sigue siendo de su propiedad, sea cual sea el proveedor del modelo).
¿Por qué la trazabilidad del RAG es una cuestión jurídica?
Porque cada respuesta cita la fuente documental utilizada, lo que hace la respuesta auditable a posteriori y defendible. El caso Air Canada de 2024 sentó jurisprudencia: un chatbot alucinó una política de reembolso y la compañía perdió el juicio posterior. Citar la fuente es la condición de defensibilidad en caso de litigio.
Ver también
Fuentes
- Reducing Hallucinations and Trade-Offs in Responses in Generative AI Chatbots for Cancer Information, Nishisako, Higashi & Wakao, JMIR Cancer, 2025;11:e70176. https://pmc.ncbi.nlm.nih.gov/articles/PMC12425422/
- Moffatt v. Air Canada, Civil Resolution Tribunal de Columbia Británica, febrero de 2024. https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html