Qué es la generación aumentada por recuperación (RAG) y por qué importa
Un gran modelo de lenguaje es un escritor muy capaz con una debilidad muy concreta: solo sabe lo que aprendió durante el entrenamiento, y ese entrenamiento se detuvo en un punto fijo del pasado. Pregúntale por la política de devoluciones de tu empresa, por los precios del último trimestre o por un documento que escribiste ayer, y no tiene nada de lo que tirar salvo conjeturas. La generación aumentada por recuperación, que suele abreviarse como RAG, es la técnica que resuelve esto. Le da al modelo una forma de consultar cosas antes de responder.
La idea en una frase
RAG combina un modelo de lenguaje con un paso de búsqueda. En lugar de responder solo de memoria, el sistema primero recupera piezas de información relevantes de una fuente fiable, luego le entrega esas piezas al modelo junto con la pregunta y le pide que genere una respuesta anclada en ese material. El modelo sigue redactando la respuesta, pero la redacta con los datos delante.
Cómo funciona un flujo de RAG
Un sistema de RAG típico tiene tres etapas.
La primera es la indexación. Tus documentos, ya sean páginas web, registros de una base de datos o entradas de un FAQ, se dividen en fragmentos manejables. Cada fragmento se convierte en un embedding, una representación numérica de su significado, y se guarda en una base de datos vectorial que puede buscar por similitud en lugar de por palabras exactas.
La segunda es la recuperación. Cuando un usuario hace una pregunta, esa pregunta también se convierte en un embedding. El sistema encuentra entonces los fragmentos cuyo significado está más cerca de la pregunta. Por eso RAG puede emparejar "cuándo abrís" con un pasaje que dice "nuestro horario es de nueve a cinco" aunque las palabras no coincidan.
La tercera es la generación. Los fragmentos recuperados se colocan en el prompt del modelo como contexto. El modelo lee la pregunta y los pasajes de apoyo juntos y produce una respuesta, a menudo citando en qué pasaje se apoyó.
Por qué importa
RAG resuelve varios problemas a la vez. Mantiene las respuestas al día, porque actualizar los documentos de origen actualiza las respuestas sin reentrenar nada. Reduce las alucinaciones, porque al modelo se le pide que responda a partir del texto proporcionado en lugar de inventar. Hace que las respuestas sean auditables, porque puedes ver exactamente qué pasajes informaron la respuesta. Y permite que un modelo general se convierta en experto sobre datos privados que nunca vio durante el entrenamiento.
Este es el mismo mecanismo que hay detrás de la mayoría de los asistentes de IA modernos que responden preguntas sobre un sitio web, un catálogo de productos o una base de conocimiento concretos. Cuando una herramienta de búsqueda con IA cita una fuente, un paso de recuperación encontró primero esa fuente.
Dónde falla RAG
RAG vale lo que vale aquello que recupera. Si el pasaje adecuado está enterrado en una página larga y sin estructura, el paso de recuperación puede pasarlo por alto o traer un vecino que casi acierta. Si un dato vive solo en una imagen o en un flipbook, es del todo invisible para el índice. Si vive en un PDF, se lee mal o no se lee, y una maquetación en columnas como la de una carta de vinos a menudo mezcla qué precio pertenece a qué artículo. Si dos fragmentos se contradicen, el modelo tiene que adivinar en cuál confiar.
Aquí es donde la estructura empieza a importar. El contenido dividido en datos claros y autónomos se recupera limpiamente. El contenido que reparte un dato a lo largo de tres párrafos se recupera mal. Un FAQ bien organizado, un grafo de conocimiento o una página con datos estructurados explícitos le dan al paso de recuperación exactamente el tipo de unidad atómica y sin ambigüedad que está buscando.
La conclusión práctica
Si quieres que un sistema de IA, el tuyo o el de otra persona, responda con exactitud preguntas sobre tu negocio, piensa como un motor de recuperación. Haz que cada dato se pueda encontrar por sí mismo, mantenlo al día y mantenlo en texto que una máquina pueda leer. RAG es la forma en que el modelo llega a tu información. Que llegue a la pieza correcta depende de cómo esté organizada esa información.
Haz que tu negocio sea recomendable para la IA
Esta es la mecánica que hay detrás de la visibilidad en la IA. Si quieres ayuda para convertirla en una estructura que funcione para tu negocio, hablemos.
Hablemos →