RAG explicado sin tecnicismos: cómo hacer que una IA consulte tus documentos
Qué es RAG, cómo recupera fragmentos de tus documentos, por qué puede fallar y cómo montar una primera prueba con citas y evaluación de respuestas.
RAG en una frase: buscar primero, responder después
Imagina un manual de 300 páginas. En lugar de enviarlo entero cada vez, el sistema divide el contenido en fragmentos, calcula una representación que permite buscar por significado y recupera los trozos más relacionados con la pregunta. Esos fragmentos se entregan al modelo junto con la consulta.
El modelo no “recuerda” el manual para siempre. Solo ve el contexto recuperado durante esa petición. Esto permite actualizar la base documental sin reentrenar un modelo cada vez que cambia una política interna.
Las cuatro etapas de un sistema RAG
- Ingesta: extraer texto de PDF, páginas, documentos o bases de conocimiento.
- Fragmentación e indexación: dividir el contenido de forma que conserve significado y pueda encontrarse.
- Recuperación: seleccionar los fragmentos que parecen relevantes para la pregunta.
- Generación: pedir al modelo que responda usando ese material y, preferiblemente, cite la fuente.
La parte difícil suele estar antes del modelo. Un PDF con tablas rotas, encabezados repetidos o texto escaneado de mala calidad produce una base débil aunque el modelo sea excelente.
Ejemplo: asistente para procedimientos internos
Supón que una empresa tiene 80 procedimientos en documentos. Un empleado pregunta: “¿Qué hago si un cliente solicita cambiar su dirección de facturación?”. El buscador recupera el procedimiento correcto y el modelo prepara una respuesta breve con enlace o referencia al documento.
Un buen sistema debería poder decir “no encuentro suficiente información” cuando la recuperación es débil. Obligar al modelo a responder siempre aumenta el riesgo de inventar.
Por qué RAG puede responder mal aunque la respuesta esté en los documentos
| Fallo | Qué ocurre | Qué probar |
|---|---|---|
| Fragmentos demasiado pequeños | Se pierde contexto | Agrupar por secciones lógicas |
| Fragmentos enormes | Entra ruido irrelevante | Dividir conservando títulos |
| Documentos duplicados | Se recuperan versiones contradictorias | Control de versiones y fechas |
| Pregunta ambigua | La búsqueda recupera material parecido pero incorrecto | Pedir aclaración o filtros |
| Sin citas | Es difícil verificar la respuesta | Mostrar fuente y fragmento usado |
Cómo evaluar un RAG sin engañarte con cinco preguntas bonitas
Crea un conjunto de preguntas reales antes de ajustar el sistema. Incluye preguntas fáciles, ambiguas, preguntas cuya respuesta no existe y casos donde hay documentos antiguos y nuevos. Para cada una, anota qué documento debería recuperarse y qué hechos mínimos debe contener la respuesta.
Mide por separado recuperación y generación. Si el documento correcto nunca aparece, cambiar el prompt no arreglará la búsqueda. Si el documento aparece pero la respuesta lo interpreta mal, entonces sí debes revisar instrucciones o modelo.
Permisos y seguridad: RAG no debe saltarse el control de acceso
Indexar documentos de varios departamentos en una sola base sin permisos puede permitir que una persona reciba información que no debería ver. El filtrado por usuario, grupo o documento debe aplicarse antes de entregar contexto al modelo.
Además, el contenido recuperado puede contener instrucciones maliciosas. En sistemas conectados a herramientas, el RAG no elimina el riesgo de prompt injection. Los documentos deben tratarse como datos, no como órdenes confiables.
Checklist para aplicarlo
- Los documentos tienen versión y propietario.
- La extracción de texto conserva títulos y estructura.
- Puedo mostrar la fuente de cada respuesta.
- El sistema sabe decir que no tiene información suficiente.
- Los permisos se aplican antes de recuperar contenido.
- Tengo preguntas de prueba con respuesta conocida.
- Evalúo recuperación y generación por separado.
Preguntas frecuentes
¿RAG es lo mismo que entrenar una IA con mis datos?
No. RAG recupera información en el momento de la consulta y la añade al contexto; no implica reentrenar el modelo.
¿Necesito una base vectorial?
Es una opción habitual, pero no la única. Para colecciones pequeñas o datos muy estructurados pueden funcionar otros métodos de búsqueda.
¿RAG evita las alucinaciones?
Puede reducirlas si recupera buen contexto y se diseña para citar fuentes, pero no garantiza respuestas perfectas.
Fuentes y documentación para ampliar
Priorizamos documentación primaria y organismos especializados. Las funciones, límites y condiciones de servicios pueden cambiar; comprueba la versión vigente antes de tomar una decisión.