RAG (Retrieval-Augmented Generation, generación aumentada por recuperación) es un esquema en el que la IA primero encuentra los fragmentos relevantes en los documentos de tu empresa y solo después redacta una respuesta basada estrictamente en ellos, con un enlace a la fuente. El modelo responde a partir de tu lista de precios, tus políticas y tu base de conocimiento actuales, y cualquier respuesta se puede verificar en un par de clics. A continuación: de qué se compone un sistema así, dónde pierde precisión y cómo solucionarlo.
Por qué la IA sin acceso a tus documentos se equivoca
Un modelo de lenguaje estándar está entrenado con textos generales. No sabe nada de tus tarifas, de los plazos de entrega a una ciudad concreta ni de que la política de devoluciones cambió la semana pasada. Si le preguntas directamente, rara vez dice «no lo sé»; lo más probable es que arme una respuesta verosímil a partir de lo que ha visto antes. En una conversación con un cliente eso es peligroso: un invento dicho con seguridad sobre el precio o la garantía es peor que un honesto «déjame comprobarlo».
El segundo problema es la verificación. Incluso cuando la respuesta es correcta, el empleado no ve de dónde sale y tiene que comprobarla. RAG resuelve ambas cosas: el modelo recibe como entrada los fragmentos de documentos encontrados, responde solo a partir de ellos y muestra de qué documento procede cada parte de la respuesta.
De qué se compone RAG: dos ciclos
El sistema funciona en dos modos. La preparación se ejecuta una vez y luego cada vez que cambian los documentos. La respuesta se ejecuta con cada pregunta de un empleado o de un cliente.
Los pasos 1–3 son la preparación: se hacen una vez y con cada actualización de documentos. Los pasos 4–5 se ejecutan con cada pregunta.
- Recopilación de fuentes. Documentos, base de conocimiento, wiki, historial de soporte, datos del CRM: todo aquello en lo que se apoyará la IA.
- División en fragmentos. Cada documento se corta en piezas con sentido: un apartado de una política, una fila de precios con sus condiciones, una respuesta de la base de conocimiento.
- Índice. Los fragmentos pasan a una base que busca por significado y entiende una pregunta formulada con otras palabras.
- Recuperación. Para cada pregunta, el sistema encuentra algunos de los fragmentos más relevantes.
- Respuesta. El modelo recibe la pregunta y los fragmentos encontrados, redacta una respuesta a partir de ellos y adjunta enlaces a los documentos.
Este artículo trata de la arquitectura y la precisión. Si te interesa el lado de negocio, consulta nuestra página sobre la base de conocimiento corporativa con IA.
Preparar los documentos es la mitad del trabajo
La IA responde exactamente tan bien como los documentos en los que se basa. Si una carpeta guarda tres versiones de la lista de precios, la búsqueda puede encontrar la antigua. Por eso, antes del lanzamiento revisamos las fuentes junto con el cliente.
| Qué revisamos | Para qué |
|---|---|
| Duplicados y versiones antiguas | Para que la búsqueda no encuentre una política obsoleta junto a la vigente |
| Contradicciones entre documentos | Si en dos sitios figuran condiciones distintas, la IA no debe elegir por su cuenta: decide el responsable del documento |
| Un responsable para cada fuente | Alguien se encarga de mantener al día la lista de precios y las políticas |
| Permisos de acceso | Qué documentos ven los vendedores y cuáles son solo para directivos |
| Formato | Los escaneos sin capa de texto y las tablas guardadas como imagen son difíciles de buscar; conviene pasarlos a texto |
No hace falta reescribir los documentos para la IA. Normalmente basta con quitar lo que sobra y acordar quién actualiza cada fuente y con qué frecuencia.
Dónde pierde precisión RAG
La calidad de la respuesta depende sobre todo de la recuperación. Si en este paso vuelven fragmentos equivocados, incluso un modelo potente responde fuera de lugar. Los principales puntos de fallo:
- Tamaño del fragmento. Las piezas demasiado grandes diluyen el sentido; las demasiado pequeñas pierden contexto, y una condición acaba en un fragmento y su excepción en otro. Dividimos según la propia estructura del documento: apartados, cláusulas, filas de tablas.
- Términos exactos. La búsqueda por significado maneja bien una pregunta reformulada, pero puede pasar por alto un SKU, un código de tarifa o una sigla. Por eso se combina con la búsqueda por palabras exactas y se unen los resultados.
- Ranking. Un paso aparte reordena los fragmentos encontrados según lo bien que responden a esta pregunta concreta. El modelo ve primero los más relevantes.
- Preguntas que abarcan varios documentos. Cuando una respuesta necesita dos fuentes, por ejemplo, las condiciones de entrega y la lista de precios, la recuperación tiene que devolver ambas. Estas preguntas merecen sus propias pruebas.
La precisión depende de la recuperación. Un modelo potente con el fragmento equivocado da una respuesta incorrecta con total seguridad.
Cómo redacta la IA la respuesta
El modelo recibe una instrucción estricta: responder solo a partir de los fragmentos proporcionados, citarlos y no rellenar nunca lo que falta. Si los documentos no contienen la respuesta, lo correcto es responder «esto no está en los documentos», y en un canal de clientes la pregunta pasa a un empleado. Esto se configura de forma explícita y se prueba con preguntas que deliberadamente no tienen respuesta en la base.
La segunda parte es el formato. Un vendedor quiere una respuesta corta y un enlace a la cláusula de la política; un cliente necesita un lenguaje sencillo, sin jerga interna. Escribimos instrucciones distintas para cada canal sobre la misma base de conocimiento.
Actualización, accesos y datos
Tres requisitos separan un sistema que funciona de una demo.
Actualización. El índice se actualiza cuando cambian los documentos. Si no, la IA responderá con total seguridad a partir de la lista de precios del año pasado. Quién actualiza cada fuente y con qué frecuencia se acuerda antes del lanzamiento.
Accesos. El filtrado por permisos está integrado en la recuperación: un empleado no recibirá por el chat un fragmento de un documento que no tiene permiso para ver. Un cliente en una app de mensajería solo recibe respuestas de la parte pública de la base.
Datos. Trabajamos bajo NDA. Qué documentos y campos se pueden pasar al modelo y cuáles quedan cerrados se fija antes de empezar el proyecto.
Cómo comprobar la calidad antes del lanzamiento
Antes del lanzamiento reunimos un conjunto de preguntas reales: del email de soporte, de los chats, de los vendedores. Para cada una se conocen de antemano la respuesta correcta y el documento donde está. Pasamos las preguntas por el sistema y miramos tres cosas: si encontró el documento correcto, si la respuesta es correcta y si el sistema dice honestamente «no encontrado» cuando no hay respuesta.
Los errores casi siempre se deben a una de dos causas: un hueco o una contradicción en los documentos, o una mala división y recuperación. Lo primero lo corrige el responsable del documento; lo segundo, nosotros. Tras el lanzamiento, el conjunto de prueba crece con cada pregunta en la que el sistema falló en el uso real.
Cuándo RAG compensa y cuándo es excesivo
| Situación | ¿Necesitas RAG? |
|---|---|
| Cientos de documentos; el producto o las condiciones cambian a menudo | Sí: sin búsqueda en documentos, las respuestas se quedan desactualizadas enseguida |
| El soporte responde a preguntas complejas a partir de la documentación | Sí: la IA prepara un borrador de respuesta con enlaces y una persona lo revisa |
| Los vendedores buscan respuestas en políticas y listas de precios | Sí: una respuesta en segundos en lugar de rebuscar en carpetas |
| Una docena de preguntas estándar cuyas respuestas nunca cambian | No: basta con un guion sencillo o un agente de IA con una instrucción breve |
| Casi no hay documentos; el conocimiento está en la cabeza de las personas | Primero construye la base de conocimiento y luego conecta la IA |
Un ejemplo de nuestro trabajo: el equipo de soporte de una empresa SaaS B2B responde desde una base de conocimiento con IA. La gestión de solicitudes es 48 veces más rápida, el 90% de las solicitudes se cierra sin intervención humana y las respuestas salen 24/7. Más detalles en el caso de éxito B2B SaaS.
Precio y cómo lo implementamos
Una base de conocimiento corporativa con IA es un módulo independiente desde 650 USD; un proyecto completo, desde 3750 USD, y el soporte continuo, desde 400 USD al mes. Empezamos con una auditoría exprés gratuita de una hora de tus fuentes y tareas, preparamos un plan de implementación en 3 horas más, después hacemos un piloto con tus documentos, y el lanzamiento es desde 7 días. Incluye dos semanas de soporte. Si esa misma base de conocimiento debe responder a clientes en apps de mensajería, mira cómo un agente de IA califica leads sobre ella.
Preguntas frecuentes
¿En qué se diferencia RAG de ChatGPT a secas?
Un chatbot público responde con el conocimiento general del modelo y no ve tus documentos. Con RAG, el modelo primero recibe los fragmentos encontrados en tu base y responde solo a partir de ellos, con enlace a la fuente.
¿Tenemos que reescribir nuestros documentos para la IA?
No. Normalmente basta con eliminar duplicados y versiones antiguas, resolver contradicciones y asignar responsables a los documentos. Los escaneos sin capa de texto conviene pasarlos a texto.
¿Qué pasa si la respuesta no está en los documentos?
El sistema lo dice directamente y, en un canal de clientes, pasa la pregunta a un empleado. Esto se configura y se prueba antes del lanzamiento.
¿Cómo se entera la IA de los cambios de precios o de políticas?
El índice se actualiza cuando cambian los documentos. El procedimiento de actualización y el responsable de cada fuente se acuerdan antes del lanzamiento.
¿Dónde se guardan los datos?
Trabajamos bajo NDA. Qué se puede pasar al modelo y qué queda cerrado se fija antes de empezar el proyecto.