Fundamentosrag
RAG inteligencia artificial: fuentes y respuestas
Entiende qué es RAG en inteligencia artificial con un ejemplo de búsqueda en documentos, sus límites y una lista de comprobaciones para usar fuentes.
- Autor: humAIns
- 9 min de lectura
índice · 7 apartados
RAG en inteligencia artificial es un patrón que combina búsqueda y generación: el sistema busca información relacionada con la pregunta en documentos y entrega fragmentos seleccionados a un modelo para que redacte una respuesta contextualizada. Por ejemplo, un equipo podría consultar una política interna y recibir una contestación acompañada de referencias al texto. La respuesta sigue necesitando comprobación: la búsqueda puede fallar, las fuentes pueden estar obsoletas y una cita no garantiza una interpretación correcta.
Qué es RAG: del término al flujo
RAG viene de Retrieval-Augmented Generation, que suele traducirse como generación aumentada por recuperación. «Recuperación» se refiere a localizar información pertinente en una colección; «generación», a producir una respuesta en lenguaje natural. Google Cloud describe RAG como la combinación de sistemas de recuperación —como búsqueda y bases de datos— con modelos generativos. Microsoft lo presenta como un patrón para fundamentar respuestas en contenido propio.
El esquema básico es:
consulta → búsqueda → fragmentos → respuesta
- Consulta: una persona pregunta algo en lenguaje natural.
- Búsqueda: una aplicación busca en fuentes conectadas. Puede usar palabras clave, búsqueda semántica (por significado) o una combinación; la técnica depende de la implementación.
- Fragmentos: se seleccionan partes de documentos que parecen relevantes y se incluyen como contexto junto a la pregunta.
- Respuesta: el modelo redacta con ese contexto. La aplicación puede mostrar referencias a los documentos recuperados.
En muchos sistemas, antes de responder hay que preparar los documentos: extraer texto, dividirlo en fragmentos, guardar metadatos y crear un índice de búsqueda. Eso permite localizar partes concretas sin enviar toda la colección al modelo en cada consulta. Los detalles técnicos varían, así que «usa RAG» no basta para saber qué fuentes conecta, cómo busca ni qué controles aplica.
Ejemplo: una pregunta sobre una política interna
Imagina que una persona de operaciones pregunta: «¿Cuántos días de antelación debo pedir para trabajar desde otra ciudad?». La empresa tiene una política de trabajo flexible en PDF. En un flujo RAG, la aplicación busca la sección relacionada, recupera un fragmento y pide al modelo que conteste usando ese material.
Una respuesta útil podría decir: «La política indica que debes solicitarlo con cinco días laborables de antelación. Consulta el apartado 4.2», con un enlace al documento y la página. El número y el apartado de este ejemplo son ficticios: no describen la política de una empresa real.
La persona debería abrir la cita y confirmar que el fragmento dice eso, que se trata de la versión vigente y que el apartado se aplica a su caso. Si el sistema no encuentra una regla o los documentos disponibles no lo aclaran, la respuesta prudente sería: «No encuentro información suficiente en las fuentes consultadas; pregunta a Recursos Humanos». Un sistema bien diseñado debe contemplar esa salida en vez de completar el vacío con una suposición.
La referencia ayuda a rastrear el origen de una afirmación; no demuestra por sí sola que la recuperación haya sido completa o que la respuesta sea correcta. Comprueba la frase citada y el contexto que la rodea.
RAG, adjuntar archivos y reentrenar: no son lo mismo
| Enfoque | Qué ocurre | Cuándo puede encajar | Qué preguntar |
|---|---|---|---|
| RAG | Una aplicación busca contenido en fuentes y lo aporta como contexto a la generación. | Consultas repetidas sobre una colección que cambia o que no cabe completa en cada petición. | ¿Qué fuentes busca, con qué frecuencia se actualizan y cómo se filtran los permisos? |
| Adjuntar archivos | La persona añade uno o varios ficheros a una conversación o tarea. El producto procesa esos archivos según su propia implementación. | Una consulta puntual sobre un conjunto pequeño de documentos. | ¿Qué formatos admite el producto y qué tratamiento reciben los ficheros? |
| Reentrenar o ajustar un modelo | Se modifica el modelo mediante un proceso de entrenamiento con datos. | Casos especializados en los que se requiere cambiar patrones de comportamiento o capacidades, tras evaluación técnica. | ¿Qué datos se usan, qué resultado se busca y cómo se mide y revierte el cambio? |
Adjuntar un PDF puede ser una experiencia parecida para quien pregunta, pero no demuestra que el servicio implemente RAG. Tampoco conviene afirmar que un asistente usa RAG solo porque permita añadir archivos: la interfaz no revela necesariamente cómo procesa el contenido. Microsoft y Google documentan sus propios patrones y servicios; no son prueba de que cualquier producto use esa arquitectura.
RAG tampoco es sinónimo de reentrenamiento. En el patrón descrito, la información recuperada se aporta como contexto a la consulta; no hace falta cambiar los parámetros del modelo cada vez que se actualiza un documento. Esta distinción puede ser útil cuando la organización mantiene políticas y manuales que cambian con frecuencia. Aun así, revisa la arquitectura y las condiciones del servicio concreto antes de decidir dónde guardar información.
Qué puede fallar y por qué las fuentes importan
La calidad final depende de varias etapas. Un error en cualquiera puede producir una respuesta convincente pero inadecuada.
- Fallo de recuperación. La pregunta usa palabras distintas a las del documento, o la búsqueda selecciona un fragmento relacionado pero insuficiente. Microsoft identifica la comprensión de consultas como un reto: las personas preguntan de forma conversacional y los documentos pueden usar otra terminología.
- Fuente obsoleta o duplicada. El sistema puede encontrar una política antigua, una copia sin aprobar o dos versiones contradictorias. Define quién mantiene las fuentes, cómo se retiran versiones anteriores y cómo se muestra la fecha o el estado del documento.
- Cita incompleta. El fragmento recuperado puede omitir una excepción, una nota al pie o el párrafo que limita la regla. Sigue el enlace y lee el contexto, no solo la frase resaltada.
- Permisos mal aplicados. Si los controles solo se comprueban al entrar en la aplicación y no al recuperar cada documento, una persona podría recibir información que no debería ver. Microsoft señala que los sistemas empresariales necesitan controles granulares para que cada usuario recupere únicamente contenido autorizado. La configuración concreta depende de la solución: no presupongas que hereda permisos automáticamente.
- Instrucciones maliciosas dentro de una fuente. Un documento o una página recuperada puede contener texto que intenta manipular al modelo. Microsoft recomienda tratar el contenido recuperado como entrada no confiable y diseñar controles frente a instrucciones maliciosas; no basta con pedir al modelo que «busque bien».
- Respuesta que excede la evidencia. Aunque recupere el pasaje correcto, el modelo puede resumirlo mal, mezclarlo con conocimiento general o inferir una conclusión que la fuente no establece.
Para evitar confusiones, separa tres preguntas: ¿el documento es auténtico y vigente?, ¿la persona tiene permiso para consultarlo?, ¿el fragmento respalda exactamente la respuesta? Son comprobaciones distintas.
Lista de evaluación para un equipo no técnico
Antes de usar un asistente conectado a documentación interna, reúne al responsable del contenido, al equipo que gestiona accesos y a quienes usarán las respuestas. Esta lista ayuda a evaluar el proceso sin asumir detalles técnicos no confirmados:
- Define un caso acotado. Empieza con una colección pequeña y preguntas frecuentes, no con todos los documentos de la organización.
- Acordad fuentes válidas. Identifica el repositorio oficial, quién mantiene cada documento y cómo se reconoce una versión vigente.
- Revisa permisos por usuario. Prueba con perfiles distintos y confirma que cada uno solo puede obtener respuestas basadas en contenido autorizado.
- Prueba preguntas reales. Incluye sinónimos, preguntas ambiguas, documentos contradictorios y consultas cuya respuesta no está en las fuentes.
- Comprueba las referencias. Pide a varias personas que abran las citas y valoren si respaldan la afirmación completa, no solo una palabra.
- Mide los fallos. Registra preguntas, fuentes recuperadas, respuestas incorrectas, falta de respuesta y tiempo de revisión. No evalúes el sistema solo con demostraciones preparadas.
- Define una salida segura. Decide cuándo el asistente debe reconocer que no encuentra evidencia y a qué persona o canal derivar la consulta.
- Consulta tratamiento y retención. Antes de cargar material sensible, verifica con el proveedor y con la persona responsable de privacidad qué se almacena, durante cuánto tiempo y quién puede acceder.
- Mantén revisión humana en tareas de impacto. Una respuesta con citas no sustituye el criterio profesional en decisiones laborales, legales, financieras o de seguridad.
- Repite la evaluación tras cambios. Una nueva versión de documentos, del buscador o del modelo puede alterar qué se recupera y cómo se responde.
La documentación oficial de Microsoft sobre RAG en Azure AI Search detalla retos como relevancia de búsqueda, acceso a múltiples fuentes y seguridad. La explicación de Google Cloud sobre generación aumentada por recuperación describe la recuperación, el preprocesamiento y la generación fundamentada, además de la importancia de seleccionar fuentes pertinentes. Son referencias sobre sus enfoques y servicios, no garantías universales sobre todos los proveedores.
Preguntas frecuentes
¿Qué significa RAG?
RAG significa Retrieval-Augmented Generation, o generación aumentada por recuperación. Es un patrón que combina la búsqueda de información en fuentes con la generación de una respuesta por un modelo de lenguaje.
¿Necesita entrenamiento?
No necesariamente. En un flujo RAG típico, el sistema recupera datos y los aporta como contexto; eso es distinto de reentrenar el modelo. Comprueba la descripción técnica del producto concreto.
¿Garantiza que las citas sean correctas?
No. Comprueba que la cita exista, que esté actualizada y que respalde la afirmación en su contexto. Una referencia puede ser real y aun así no justificar la respuesta.
¿Cómo se protegen los documentos?
Con controles de acceso que se apliquen al recuperar cada documento y una configuración de almacenamiento y tratamiento adecuada. Pregunta al proveedor cómo sincroniza permisos, gestiona identidades y conserva los datos; no supongas que lo hace por defecto.
Para seguir aprendiendo
Si trabajas con documentos de una organización, empieza por un caso limitado, fuentes mantenidas y criterios explícitos para verificar cada respuesta. También puedes consultar cómo trabaja Gemini Notebook (antes NotebookLM) con fuentes, repasar por qué la IA puede alucinar y leer la guía sobre privacidad de la IA en el trabajo.
El curso IA para Audiovisual es una aplicación formativa posible de herramientas de inteligencia artificial; no se presenta como un curso de RAG ni presupone un módulo sobre esta arquitectura.
Sigue leyendo en humAIns