Qué es RAG (Retrieval-Augmented Generation) y Cómo Funciona

Qué es RAG #

RAG son las siglas de Retrieval-Augmented Generation, generación aumentada por recuperación. Es la técnica que permite que un modelo de lenguaje responda con tus documentos en vez de con lo que memorizó durante su entrenamiento. Antes de redactar la respuesta, el sistema busca en una base propia (manuales, contratos, procedimientos, tickets, minutas) los fragmentos más relevantes para la pregunta y se los entrega al modelo como contexto. El modelo escribe a partir de esa evidencia.

La idea resuelve los dos problemas que hacen inútil a un chatbot genérico en una empresa: no sabe nada de tu operación, y cuando no sabe, inventa. Con RAG el modelo tiene dónde mirar y se le puede exigir que cite de dónde sacó cada afirmación.

Las cuatro etapas de un sistema RAG #

1. Ingesta y fragmentación. Los documentos se convierten a texto y se parten en fragmentos (chunks) de unos cientos de palabras. El tamaño importa: fragmentos muy grandes diluyen la búsqueda, muy pequeños pierden el contexto.
2. Indexación. Cada fragmento se transforma en un vector numérico (embedding) que representa su significado, y se guarda en una base vectorial. Muchos sistemas guardan también un índice por palabras clave y combinan ambos (búsqueda híbrida).
3. Recuperación. La pregunta del usuario se convierte en vector, se buscan los fragmentos más cercanos y, a menudo, un segundo modelo los reordena por relevancia (re-ranking).
4. Generación. Los fragmentos elegidos se colocan en el prompt junto con la pregunta y las instrucciones, y el modelo redacta la respuesta citando las fuentes.

RAG frente a fine-tuning #

Son complementarios, pero resuelven cosas distintas. El fine-tuning reentrena el modelo para que adopte un estilo, un formato o un vocabulario; es caro, lento de actualizar y no garantiza que el modelo recuerde un dato concreto. RAG deja el modelo intacto y le da los datos en el momento de la consulta: cuando cambia un precio o un procedimiento, basta actualizar el documento. Para conocimiento que cambia, RAG gana. Para comportamiento, fine-tuning.

Los límites que nadie cuenta en la demo #

• Basura dentro, basura fuera. Si la base tiene dos versiones de una lista de precios, el modelo elegirá una con total seguridad. RAG no distingue lo vigente de lo vencido a menos que alguien lo marque.
• Fragmentos sin contexto. Un párrafo que dice "el sensor va a 24 V" puede venir de un modelo distinto al que se pregunta. La búsqueda por similitud encuentra texto parecido, no texto correcto.
• Permisos. Si el vendedor y el operador consultan la misma base, la base tiene que saber qué puede ver cada uno. La mayoría de los RAG de demostración no tienen nivel de acceso por documento.
• Preguntas que cruzan fuentes. "¿Qué motores de la línea 2 tuvieron fallas después del cambio de proveedor de lubricante?" no se responde con un fragmento; se responde recorriendo relaciones.

RAG con grafo de conocimiento #

La respuesta a la última limitación es combinar la búsqueda vectorial con un grafo de conocimiento: una estructura donde las entidades (máquina, línea, proveedor, documento, evento) están conectadas por relaciones explícitas. Se le suele llamar GraphRAG. La recuperación deja de ser "texto parecido" y pasa a ser "el manual del modelo que está instalado en la línea 2, cuya última orden de trabajo fue esta". En planta es la diferencia entre una respuesta plausible y una respuesta útil.

RAG en una empresa industrial: lo que aprendimos #

En iGromi construimos nuestro propio Segundo Cerebro para que personas y agentes cotizaran, atendieran terreno y respondieran a clientes con información verificada. Tres reglas salieron de esa experiencia:

• Cada dato lleva cuatro señales: a quién pertenece, qué nivel de acceso requiere, en qué estado está (archivo sin revisar, borrador, verificado por una persona, o en conflicto con otra fuente) y hasta cuándo es válido. Un precio vencido no se entrega aunque exista.
• Vacío es una respuesta válida. Para precios, condiciones comerciales y procedimientos de instalación, si la búsqueda verificada no devuelve nada, la respuesta correcta es "no tengo esa información verificada" y una lista de lo que falta. Nunca se completa por inferencia.
• Ningún modelo reorganiza la memoria solo. La IA puede proponer categorías, relaciones y resúmenes; una persona los aprueba. Es lo que hace confiable la base para contratos y precios.

Las mismas reglas aplican cuando el RAG se conecta a la planta: el agente que recupera el procedimiento de instalación de un sensor LoRa no le da instrucciones a nadie sin fuente, y el que propone una orden de trabajo no la ejecuta. Lo desarrollamos en IA agéntica en manufactura y en gestión del conocimiento industrial.

Cómo empezar sin arruinarlo #

1. Elige un dominio pequeño con dolor real: precios y condiciones, o procedimientos de instalación.
2. Carga solo documentos con dueño y fecha. Marca cuál es la versión vigente.
3. Define quién puede ver qué antes de conectar a nadie.
4. Exige citas en cada respuesta y mide cuántas preguntas terminan en "no tengo evidencia". Ese número es tu mapa de lo que falta cargar.
5. Añade el grafo cuando las preguntas empiecen a cruzar fuentes, no antes.

Preguntas frecuentes sobre RAG #

¿Qué significa RAG?

RAG es Retrieval-Augmented Generation, generación aumentada por recuperación. Antes de responder, el modelo de lenguaje busca fragmentos relevantes en una base de documentos propia y los usa como evidencia para redactar la respuesta.

¿En qué se diferencia RAG del fine-tuning?

El fine-tuning reentrena el modelo con tus datos y los mezcla con su memoria interna; es caro y difícil de actualizar. RAG deja el modelo intacto y le entrega los documentos en el momento de la consulta, así que basta con actualizar la base para que las respuestas cambien.

¿RAG elimina las alucinaciones?

Las reduce mucho, no las elimina. Si la búsqueda devuelve un fragmento equivocado o vencido, el modelo lo usará con la misma confianza. Por eso hace falta gobernar la base: fuentes verificadas, vigencia y permisos.

¿Qué es GraphRAG o RAG con grafo de conocimiento?

Es RAG donde la recuperación no solo busca texto parecido sino que recorre relaciones explícitas entre entidades: qué máquina pertenece a qué línea, qué manual corresponde a qué modelo. Responde mejor preguntas que cruzan varias fuentes.