Qué es RAG, en una frase
RAG (del inglés Retrieval-Augmented Generation, generación aumentada por recuperación) es una técnica en la que la inteligencia artificial, antes de responder, busca la información relevante en tus documentos y redacta la respuesta solo con lo que encontró, indicando de dónde lo sacó.
Es la forma más práctica de lograr que un asistente responda sobre tu empresa —tus políticas, tus productos, tus procedimientos— sin inventar y sin tener que entrenar un modelo propio. El término viene de un artículo de investigación de 2020 y hoy es la base de casi todos los asistentes empresariales que responden con información interna.
Cómo funciona, paso a paso
- Preparación de los documentos. Se reúnen las fuentes (PDFs, Word, Excel, páginas web, Google Drive, SharePoint, bases de datos), se limpian y se dividen en fragmentos de unos pocos párrafos.
- Indexación. Cada fragmento se convierte en un embedding: una representación numérica de su significado. Se guarda en una base de datos que permite buscar por similitud de significado, no solo por palabras exactas.
- Búsqueda. Cuando alguien pregunta, el sistema busca los fragmentos más relevantes. Los mejores sistemas combinan búsqueda semántica y por palabras clave (búsqueda híbrida) y reordenan los resultados.
- Generación. El modelo de lenguaje recibe la pregunta y los fragmentos encontrados, con la instrucción de responder solo con esa información.
- Cita. La respuesta incluye la fuente (documento y sección) para que la persona pueda verificarla.
Una forma sencilla de entenderlo: es la diferencia entre un examen a libro cerrado y uno a libro abierto. Con RAG, la IA siempre tiene el libro de tu empresa abierto en la página correcta.
Por cierto, el asistente Ensa de este sitio hace el paso 3 (la búsqueda) sobre nuestra base de conocimiento y te muestra la fuente. Pruébalo con el botón «Pregúntale a Ensa».
Por qué no basta con ChatGPT
Un asistente generalista como ChatGPT, Claude o Gemini sabe mucho del mundo, pero no conoce:
- tus precios, políticas y procedimientos vigentes;
- los contratos, manuales y fichas técnicas de tu empresa;
- qué información puede ver cada persona de tu equipo.
Copiar y pegar documentos en un chat funciona para casos puntuales, pero no escala, no respeta permisos y deja la información de la empresa repartida en cuentas personales. RAG resuelve esos tres problemas: centraliza el conocimiento, lo mantiene actualizado y controla quién accede a qué.
RAG frente a entrenar un modelo
| Criterio | RAG | Entrenar o ajustar un modelo (fine-tuning) |
|---|---|---|
| Para qué sirve | Responder con información específica y cambiante | Cambiar el estilo, el formato o el comportamiento del modelo |
| Actualización | Inmediata: cambias el documento y listo | Requiere volver a entrenar |
| Cita la fuente | Sí | No |
| Permisos por usuario | Sí, filtrando los documentos | No es práctico |
| Costo | Moderado | Alto, y se repite con cada actualización |
En la gran mayoría de los casos empresariales, RAG es la opción correcta. El ajuste de modelos tiene sentido para tareas muy específicas de formato o clasificación, y a veces se combina con RAG.
Casos de uso en empresas
- Mesa de ayuda interna: Recursos Humanos y TI responden políticas, vacaciones y procedimientos al instante.
- Equipo comercial: fichas técnicas, comparativos y condiciones comerciales disponibles durante la llamada con el cliente.
- Atención al cliente: un chatbot que responde con el manual del producto, las garantías y las políticas de devolución.
- Legal y cumplimiento: búsqueda en contratos, normativa y antecedentes con la cita exacta.
- Operaciones: procedimientos de seguridad, mantenimiento o calidad consultables desde el celular en planta.
Errores comunes al implementarlo
- No medir. Sin un conjunto de preguntas reales con su respuesta esperada no hay forma de saber si el sistema mejora o empeora con cada cambio. Es una de las razones por las que tantos pilotos de IA generativa no llegan a producir resultados medibles.
- Fragmentar mal los documentos. Si un fragmento corta una tabla o separa una condición de su excepción, la respuesta será incompleta.
- Usar solo búsqueda semántica. Los códigos de producto, números de cláusula o siglas se encuentran mejor por palabra clave. La búsqueda híbrida combina ambas.
- Olvidar los permisos. Si todos pueden preguntar sobre todo, un asistente puede revelar información que no corresponde.
- Documentos desactualizados. RAG responde con lo que encuentra: si conviven tres versiones de una política, hay que definir cuál manda.
Cuánto cuesta
Un asistente RAG sobre tus documentos parte en USD 3 400 de implementación y USD 390 al mes de operación con nosotros. El costo sube con el número de fuentes, el volumen de documentos, los permisos por usuario y si necesitas un despliegue privado en tu nube. En proyectos empresariales de gran escala, el mercado internacional maneja cifras de decenas de miles de dólares.
Cómo empezar
- Elige un caso con preguntas frecuentes y documentos confiables, por ejemplo la mesa de ayuda de Recursos Humanos.
- Reúne 50 preguntas reales con su respuesta correcta: serán tu vara de medición.
- Construye un prototipo con una muestra de documentos y pruébalo con esas preguntas.
- Ajusta, agrega permisos y llévalo al canal donde tu equipo ya trabaja: Teams, Slack, WhatsApp o tu intranet.
Eso es exactamente lo que hacemos en el Diagnóstico IA con prototipo: en dos semanas ves el caso funcionando con tus documentos. Conoce el detalle del servicio de RAG con tus documentos.
Preguntas frecuentes
¿RAG elimina por completo las respuestas inventadas?
Las reduce mucho, pero no a cero. Por eso un buen sistema RAG cita la fuente de cada respuesta, se mide con un conjunto de preguntas reales y está instruido para decir «no lo sé» cuando la información no está en los documentos.
¿Necesito miles de documentos para usar RAG?
No. RAG funciona desde unas decenas de documentos. Lo importante es que la información sea correcta, esté actualizada y cubra las preguntas que tu equipo o tus clientes hacen con más frecuencia.
¿Mis documentos quedan expuestos a OpenAI u otros proveedores?
Con las APIs de pago y empresariales, los proveedores no entrenan con tus datos. Si la información es muy sensible, se puede usar un modelo abierto desplegado en tu propia infraestructura.
Fuentes
- Lewis et al. (2020), «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», artículo que introdujo el término RAG
- MIT NANDA, «The GenAI Divide: State of AI in Business 2025» (resumen de Computing)
Precios y tarifas de terceros vigentes a la fecha de publicación; pueden cambiar. Verifica siempre con el proveedor.