Qué es RAG: la IA que responde con tus documentos, no de memoria
RAG es lo que separa un chat que se inventa cosas de un asistente que contesta con tu tarifa, tu contrato y tu criterio interno, y te enseña de dónde lo ha sacado.
Descubre en 5 minutos cómo automatizar ese proceso que te está haciendo perder tiempo y dinero
Qué es, en corto
RAG son las siglas de generación aumentada por recuperación. Es una forma de usar la inteligencia artificial en dos tiempos: primero busca en tus documentos los trozos que hablan de la pregunta y después redacta la respuesta con esos trozos delante, diciendo de qué archivo sale cada dato. La diferencia con un chat corriente está en el origen de la información: tu archivo, no la memoria del modelo.
Un modelo de lenguaje se entrena con textos hasta una fecha y ahí se queda. No conoce tu tarifa de este año, ni el contrato que firmaste el martes, ni el criterio que solo está escrito en un correo de hace seis años. RAG arregla eso sin tocar el modelo: le pone tus documentos delante justo en el momento de responder.
Por eso RAG es la pieza que más se repite en los proyectos de IA de una pyme. No porque suene bien. Porque es la forma más barata de que un sistema hable de tu negocio y no del mundo en general.
Así trabaja un RAG, en cuatro pasos
- Se recoge. Tus fuentes entran al sistema: Drive, SharePoint, Notion, buzones de correo, carpetas de red, el gestor documental. Lo que está escaneado pasa antes por OCR, la tecnología que convierte la imagen de un papel en texto que se puede buscar.
- Se trocea. Cada documento se corta en fragmentos manejables y cada fragmento se traduce a una lista de números que representa su significado. Esos números viven en una base vectorial, que es el almacén propio de un RAG.
- Se recupera. Cuando alguien pregunta, la pregunta se traduce igual y el RAG saca los fragmentos que más se le parecen, aunque no compartan ni una sola palabra con la pregunta. Buscar por significado y no por palabra exacta es la mitad del truco.
- Se redacta. Esos fragmentos llegan al modelo de lenguaje (LLM) con una instrucción estricta: responde solo con esto y di de dónde lo sacas. Si ahí no está la respuesta, que diga que no la tiene.
De ahí sale el nombre: recuperación primero, generación después. Un RAG al que le quitas el primer paso es un chat cualquiera.
Por qué RAG cambia la conversación sobre la IA
Deja de discutirse si el modelo se inventa cosas y pasa a discutirse otra cosa mucho más manejable: si el documento correcto estaba en la carpeta correcta. Eso sí lo puedes comprobar tú. Cada respuesta de un RAG bien montado lleva el enlace a su origen, así que quien la recibe la verifica en un clic, sin fiarse de nadie.
Hay un segundo motivo, menos comentado y más importante en despachos y clínicas: los permisos. Los fragmentos guardan quién puede leerlos, así que la persona que consulta el RAG solo ve lo que ya podía ver desde su carpeta. La IA no abre puertas que estaban cerradas.
La adopción de IA en la pyme española sigue baja: 12,8 % en microempresas y 20,5 % en empresas de diez o más empleados, según el ONTSI. Lo que frena casi nunca es la curiosidad. Es no fiarse. RAG es la respuesta técnica a esa desconfianza.
Qué hace que un RAG funcione mal
Documentos que se contradicen y no llevan fecha. Versiones viejas conviviendo con las nuevas en la misma carpeta. Escaneados torcidos e ilegibles. Tablas maquetadas a mano que el troceado parte por la mitad. Ninguno de esos problemas se arregla con más tecnología.
Se arreglan ordenando el origen. Por eso un proyecto de RAG empieza mirando dónde vive tu documentación y qué sobra, no eligiendo modelo. El caos no se automatiza: se ordena primero.
Cómo se mide si el RAG acierta
Con preguntas reales de tu equipo y la respuesta correcta escrita al lado. Ese conjunto se pasa cada mes, y también cada vez que cambia el modelo de debajo. Si el porcentaje de aciertos baja, se ve antes de que lo note nadie de fuera. Sin esa medición, un RAG es una demostración bonita que nadie sabe si sigue funcionando en marzo.
Dónde se ejecuta y de quién es
En servidor propio en la Unión Europea, con acuerdo de tratamiento de datos firmado. La base de fragmentos, el registro de consultas y los flujos son tuyos. Si algún día te vas, te llevas el RAG entero y no te quedas sin operativa.
Aplicado a tu documentación, esto es la Base de conocimiento RAG. Y es exactamente lo que hace que un agente de IA conteste con tu tarifa en vez de con generalidades. En un despacho se van 67 minutos al día buscando dentro de expedientes: por eso el RAG pesa tanto en despachos de abogados, y también en gestorías y asesorías, donde la duda de un cliente casi siempre ya está respondida en un correo de hace dos años.
Un ejemplo
Un despacho de cuatro letrados tiene veinte años de expedientes repartidos entre un servidor y el correo. Un abogado pregunta qué se pactó con un cliente sobre la cláusula de penalización y en segundos recibe el párrafo exacto del contrato de 2018, el correo donde se negoció ese punto y el enlace a los dos documentos para abrirlos. Antes eso era rebuscar en carpetas media mañana y acabar llamando al socio que llevó el asunto, que tampoco se acordaba del todo. El RAG no ha aprendido derecho: ha encontrado el papel y ha citado la frase.
Con qué se confunde
Con entrenar un modelo con tus datos
Es la confusión más cara. Entrenar es meter tu información dentro del modelo: lento, caro y difícil de corregir cuando el dato cambia. Un RAG no toca el modelo: consulta tus documentos al responder y los descarta. Cambias la tarifa, sustituyes el fichero, listo.
Con el buscador de la intranet
Un buscador te devuelve diez enlaces y te deja el trabajo: abrir, leer, comparar. Un RAG te devuelve la frase que responde y el enlace para comprobarla. Además busca por significado: encuentra el documento aunque escribas «penalización por retraso» y ponga «cláusula de demora».
Con la memoria de un chat
Pegar un PDF en un chat sirve una vez, con un documento. Sin permisos, sin versiones, sin registro de quién preguntó qué, y el archivo se sube entero cada vez. Un RAG aguanta miles de documentos, varias personas y una auditoría: herramienta, no demostración.
Saber qué significa una palabra está bien. Saber si te ahorra horas está mejor: eso es lo que te dice el diagnóstico.
Descubre en 5 minutos cómo automatizar ese proceso que te está haciendo perder tiempo y dinero
Lo que nos preguntan antes de decidirse
¿Un RAG entrena la IA con mis documentos?
No. Tus documentos no se usan para entrenar ningún modelo. El RAG los guarda troceados en una base que corre en nuestros servidores en la Unión Europea, y en cada pregunta envía al modelo solo los fragmentos necesarios para contestar esa consulta concreta. Después se descartan. Con los proveedores de IA que usamos hay acuerdo de tratamiento de datos firmado y las peticiones quedan fuera de cualquier entrenamiento. Si tu sector no admite ni eso, el modelo se instala también en la misma máquina y el texto no sale del servidor en ningún momento.
¿Cuántos documentos hacen falta para que un RAG merezca la pena?
Menos de los que la gente cree. A partir de unos cientos de documentos vivos ya se nota, porque el problema no es el volumen: es que nadie recuerda dónde está lo que busca. Lo que de verdad decide es la frecuencia de las preguntas. Si cada semana alguien interrumpe a la misma persona para preguntarle lo mismo, ahí hay un RAG que se paga solo. Con veinte documentos y dos consultas al mes no lo montamos: te lo diremos en el diagnóstico antes de que gastes nada.
¿Puede alguien ver por el RAG algo que no debería?
No si se monta bien, y esa es una de las partes que más tiempo lleva. Los permisos de tu carpeta viajan pegados a cada fragmento, de modo que el RAG filtra antes de buscar: si un documento es solo de dirección, para el resto del equipo sencillamente no existe en los resultados. Además queda registro de qué se preguntó, quién preguntó y qué fuentes se usaron, que es lo que te permite auditar después. Nadie serio te va a prometer que un sistema sea infalible; lo que sí se puede prometer es que todo quede trazado.
¿Qué pasa si la respuesta no está en mis documentos?
El sistema lo dice y no rellena el hueco. Esa instrucción es de las primeras que se escriben, porque un RAG que contesta cuando no sabe es peor que no tener nada: da confianza donde no la hay. Cuando no encuentra base suficiente, responde que no consta, indica qué ha mirado y ofrece pasar la consulta a la persona que lleva ese asunto. En la práctica esas preguntas sin respuesta son la mejor lista de tareas que vas a tener, porque señalan exactamente qué documentación os falta por escribir.
¿En qué se diferencia de subir un PDF a un chat público?
En cuatro cosas que se notan al mes de usarlo: los permisos, la actualización, el registro y el coste. Subir un PDF a mano funciona para una consulta suelta y no escala a un equipo. Un RAG se refresca solo cuando cambias un documento en tu carpeta, sabe quién puede ver qué, deja rastro de cada consulta y no reenvía el documento entero en cada pregunta, sino los tres o cuatro fragmentos que hacen falta. Esa última diferencia es la que mantiene el consumo bajo control cuando las preguntas se cuentan por miles.
Términos relacionados
¿Cuánto sabe tu empresa que nadie es capaz de encontrar?
Cuéntanos dónde viven tus documentos y qué se pregunta cada semana. Te decimos qué se puede responder solo desde el primer mes y qué conviene ordenar antes de tocar nada.
Descubre en 5 minutos cómo automatizar ese proceso que te está haciendo perder tiempo y dinero