Una IA general sabe mucho del mundo y nada confiable sobre el descuento que aprobaste ayer. RAG resuelve esa distancia: busca información en tus fuentes antes de responder.
RAG significa Retrieval-Augmented Generation, o generación aumentada por recuperación. No es memoria mágica ni entrenamiento automático. Es un proceso que conecta una pregunta con fragmentos relevantes de una base de conocimiento.
El flujo en seis pasos
| Paso | Qué ocurre |
|---|---|
| 1. Pregunta | El cliente escribe por WhatsApp |
| 2. Interpretación | El sistema identifica la intención |
| 3. Búsqueda | Recupera fragmentos relacionados |
| 4. Contexto | Entrega esos fragmentos al modelo |
| 5. Respuesta | La IA redacta usando la evidencia |
| 6. Traza | Guarda fuentes, respuesta y resultado |
Ejemplo: si alguien pregunta “¿puedo cambiar el plan después?”, el sistema busca la política de planes y entrega solo la sección aplicable. El modelo redacta una respuesta clara sin depender de recuerdos genéricos.
RAG no es fine-tuning
| RAG | Fine-tuning |
|---|---|
| Recupera información al momento | Ajusta el comportamiento del modelo |
| Permite actualizar documentos rápido | Requiere nuevo proceso de ajuste |
| Facilita citar fuentes | No aporta una fuente por respuesta |
| Ideal para conocimiento cambiante | Útil para patrones y estilo específicos |
Para precios, políticas e inventario, RAG o una API suele ser mejor. Para enseñar un formato muy particular, el fine-tuning puede tener sentido.
Qué contenido debes cargar
Prioriza lo que un empleado necesita para responder:
- Catálogo y alcance de servicios.
- Precios y condiciones.
- Políticas de entrega, devolución y soporte.
- Requisitos y restricciones.
- Guías de diagnóstico no sensible.
- Objeciones y comparativas autorizadas.
- Criterios de transferencia.
No subas carpetas completas sin revisar. Documentos duplicados y vencidos producen respuestas contradictorias.
Cómo preparar los documentos
Una idea por sección
Usa títulos claros y párrafos autocontenidos. “Política de devolución para Colombia” funciona mejor que “Otros”.
Metadatos
Guarda país, producto, versión, vigencia y propietario. Esto permite filtrar antes de buscar.
Fechas reales
Una fecha de modificación automática no indica vigencia. Incluye “válido desde” y, cuando corresponda, “reemplaza a”.
Contenido textual
Los PDF escaneados necesitan reconocimiento de texto. Las tablas complejas deben transformarse en estructuras legibles.
Cuándo usar una API en lugar de RAG
RAG sirve para conocimiento documental. Los datos que cambian constantemente deben consultarse en su sistema de origen.
| Pregunta | Mejor fuente |
|---|---|
| “¿Cuál es la política de cambios?” | RAG |
| “¿Hay inventario hoy?” | API de inventario |
| “¿Cuál es mi pedido?” | OMS o CRM |
| “¿Qué incluye el plan?” | RAG o catálogo estructurado |
| “¿Mi pago fue aprobado?” | Pasarela de pagos |
Cómo evaluar la recuperación
Antes de juzgar la redacción, revisa si el sistema encontró la fuente correcta.
- Crea 50 preguntas reales.
- Marca el fragmento que debería aparecer.
- Ejecuta la búsqueda sin generar respuesta.
- Calcula en cuántos casos la fuente correcta aparece entre los primeros resultados.
- Corrige contenido, metadatos o búsqueda.
Después evalúa si la respuesta respeta esa evidencia.
Señales de una implementación débil
- No muestra qué fuente utilizó.
- Mezcla políticas de países distintos.
- Mantiene documentos vencidos activos.
- Responde aunque la búsqueda no encontró nada.
- No tiene pruebas de recuperación.
- Usa RAG para datos que deberían consultarse en tiempo real.
Estas fallas explican por qué una IA inventa respuestas.
RAG dentro de una operación comercial
En ecommerce, RAG puede explicar devoluciones mientras una API consulta inventario. En ventas B2B, puede responder preguntas técnicas y el CRM conserva la oportunidad. En salud, debe limitarse a información administrativa y transferir asuntos clínicos.
Conclusión
RAG no hace que el modelo “aprenda tu empresa” para siempre. Le entrega la evidencia adecuada en cada conversación. Su calidad depende más del gobierno del conocimiento y de la recuperación que de la cantidad de documentos.
Sendiak permite conectar documentos a un agente mediante RAG y escalar a una persona cuando no existe evidencia suficiente.