RAG: cuando la IA consulta sus documentos antes de responder
El RAG (generación aumentada por recuperación) primero localiza los pasajes pertinentes en un conjunto de documentos y luego se los entrega al modelo para que redacte su respuesta a partir de ellos. Es la técnica que hay detrás de la mayoría de los asistentes capaces de «responder a partir de sus archivos».
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|---|
| Origen | 2020 |
| Introducido por | Lewis et al. |
La idea en una frase
En lugar de confiar en lo que el modelo memorizó durante su entrenamiento, se le llevan las páginas adecuadas en el momento adecuado. El RAG funciona en dos tiempos: recuperar los pasajes pertinentes y luego generar una respuesta apoyada en ellos. El nombre procede del artículo de Patrick Lewis y sus coautores, publicado en arXiv en 2020.
Cómo funciona en la práctica
Imagine una pequeña empresa que quiere un asistente interno capaz de responder preguntas sobre recursos humanos.
- Preparación: los documentos (manual del empleado, política de vacaciones, circulares) se dividen en fragmentos, un paso llamado chunking. Cada fragmento se convierte en un embedding, una lista de números que representa su sentido, y se guarda en una base de datos vectorial.
- Pregunta: un empleado escribe «¿Cuántos días libres tengo por mudanza?». La pregunta también se convierte en embedding y el sistema recupera los fragmentos más cercanos en significado.
- Respuesta: esos pasajes se insertan en el prompt con una instrucción como «Responde solo a partir de los extractos proporcionados y cítalos». El modelo redacta entonces una respuesta basada en la política real.
Por qué es importante
Cada modelo tiene una fecha de corte de conocimientos y no sabe nada de sus documentos privados. El RAG resuelve ambos problemas sin reentrenar nada: basta con actualizar la base documental. También permite citar las fuentes, lo que hace las respuestas verificables y ayuda a limitar las alucinaciones. Y como solo se envían los pasajes útiles, ahorra espacio en la ventana de contexto y dinero en la factura. Para saber cuánto texto puede leer un modelo a la vez, pruebe nuestra herramienta de ventana de contexto.
Errores e ideas falsas frecuentes
- «Con RAG, la IA no puede equivocarse». La calidad depende mucho de la búsqueda: si no se encuentra el pasaje correcto, la respuesta será incompleta o errónea.
- «Basta con subir los PDF». Documentos mal divididos, desactualizados o contradictorios producen respuestas incoherentes. Mantener la base documental importa tanto como el modelo.
- «RAG siempre significa vectores». La búsqueda también puede hacerse por palabras clave o de forma híbrida.
- «Las ventanas de contexto largas hacen inútil el RAG». Reducen la necesidad en colecciones pequeñas, pero con grandes bases documentales seleccionar pasajes sigue siendo más barato y a menudo más preciso.
Términos relacionados: embedding, base de datos vectorial, chunking, búsqueda semántica, anclaje en fuentes (grounding).
Términos relacionados
- Embedding (vector semántico) · Lista de números (un vector) que representa el significado de un texto o una imagen para comparar contenidos según su cercanía de sentido.
- Base de datos vectorial · Base de datos que guarda embeddings y encuentra muy rápido los más cercanos a una consulta, es decir, los contenidos más relevantes.
- Búsqueda semántica · Búsqueda que encuentra contenidos por su significado, no por palabras idénticas, comparando representaciones numéricas de los textos.
- Chunking (fragmentación) · División de documentos largos en pasajes pequeños y coherentes para indexarlos y enviar al modelo solo los fragmentos útiles.
- Anclaje (grounding) · Hacer que una IA base su respuesta en fuentes aportadas (web, documentos, bases de datos) y no solo en lo que memorizó al entrenarse.
- Alucinación · Respuesta de una IA que parece segura y verosímil pero es falsa o inventada: una cifra, una cita, una fuente o una referencia.
Para probar
Todo el glosario
Preguntas frecuentes
¿Qué diferencia hay entre RAG y ajuste fino?
El RAG entrega documentos al modelo en el momento de la pregunta, sin modificarlo. El ajuste fino cambia el propio modelo mediante un entrenamiento adicional. Para información que cambia a menudo, el RAG suele ser más sencillo: basta con actualizar los documentos.
¿El RAG elimina las alucinaciones?
Suele reducirlas, pero no las elimina. Si la búsqueda recupera un pasaje equivocado, o el modelo interpreta mal el correcto, la respuesta puede seguir siendo errónea. Mostrar las fuentes citadas permite comprobarlo.
¿Hace falta una base de datos vectorial para hacer RAG?
No necesariamente. Con pocos documentos, una búsqueda por palabras clave o incluso pegar los textos completos en el contexto puede funcionar. Una base vectorial resulta útil cuando el contenido supera lo que el modelo puede leer de una sola vez.
¿De dónde viene el término RAG?
Lo popularizó el artículo «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», publicado en arXiv en mayo de 2020 por un equipo dirigido por Patrick Lewis. El enfoque se extendió después con los grandes modelos de lenguaje.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.