Qué es RAG en inteligencia artificial, explicado fácil

Si alguna vez has usado un chat que responde preguntas sobre los documentos de una empresa, un manual o tus propios apuntes, casi seguro que por detrás había RAG. Son las siglas en inglés de «generación aumentada por recuperación». Suena complicado, pero la idea es muy intuitiva: antes de responder, la IA busca la información relevante en tus documentos y luego contesta usándola. Vamos a verlo paso a paso, sin fórmulas.

El problema que resuelve RAG

Un modelo de lenguaje solo «sabe» lo que aprendió durante su entrenamiento. No conoce tus documentos internos, ni tus procedimientos, ni lo que ha pasado después de entrenarse. Si le preguntas por ellos, tiene dos opciones: decir que no lo sabe o, peor, inventar algo plausible.

Podrías pegar todos tus documentos en el chat, pero hay límites de tamaño y, además, cuanto más texto le das de golpe, más fácil es que pase por alto lo importante. RAG es la solución intermedia: darle solo los fragmentos relevantes para cada pregunta.

Cómo funciona, con una analogía

Imagina a un estudiante en un examen a libro abierto. No se sabe el libro de memoria, pero cuando lee una pregunta va al índice, busca las páginas relevantes, las lee y escribe la respuesta con esa información delante. RAG hace exactamente eso:

1. Preparación: los documentos se dividen en fragmentos pequeños (unos párrafos cada uno).
2. Indexación: cada fragmento se convierte en una especie de «huella» numérica que representa su significado. Estas huellas se llaman «embeddings» y se guardan en una base de datos especial, a menudo llamada base de datos vectorial.
3. Búsqueda: cuando haces una pregunta, se calcula su huella y se buscan los fragmentos con huellas más parecidas. Esto encuentra textos relacionados por significado, aunque no usen las mismas palabras.
4. Generación: los fragmentos encontrados se pegan junto a tu pregunta y el modelo responde a partir de ellos, idealmente citando de dónde saca cada dato.

Consejo: Si usas un sistema con RAG, añade esto a tu pregunta: «Responde solo con la información de los documentos. Cita el documento y el fragmento de cada afirmación. Si la respuesta no está en los documentos, dilo claramente en lugar de completar con conocimiento general».

Para qué se usa

• Atención al cliente: un asistente que responde con las políticas y preguntas frecuentes reales de la empresa.
• Conocimiento interno: que el equipo consulte procedimientos, manuales y documentación sin buscar a mano.
• Estudio: chatear con tus apuntes o con un conjunto de artículos.
• Soporte técnico: responder con la documentación de un producto.
• Investigación: encontrar qué dicen muchos documentos sobre un tema concreto.

Los asistentes personalizados en los que subes documentos suelen usar esta técnica por debajo. Lo explicamos en GPTs y asistentes personalizados.

Herramientas open source para probarlo

Existe un ecosistema amplio de proyectos de código abierto para montar RAG: frameworks para programadores que conectan modelos, bases vectoriales y documentos, y también aplicaciones con interfaz que permiten subir documentos y chatear con ellos, incluso usando modelos que funcionan en tu ordenador. Si combinas un sistema RAG con una IA local en tu ordenador, tus documentos no tienen por qué salir de tu equipo.

Tienes una selección de repositorios útiles en mejores repositorios de IA open source. Antes de instalar cualquier proyecto, revisa su documentación oficial, su actividad reciente y su licencia.

Límites que conviene conocer

• Si la búsqueda falla, la respuesta falla: si no encuentra el fragmento correcto, el modelo responderá con información incompleta o la completará por su cuenta.
• Documentos desordenados, respuestas desordenadas: documentos contradictorios, desactualizados o mal escaneados dan malos resultados.
• Tablas y PDFs complejos: muchas veces se trocean mal y se pierde información.
• Sigue pudiendo inventar: RAG reduce las alucinaciones, pero no las elimina. Comprueba las citas.
• Permisos: si mezclas documentos de distinto nivel de confidencialidad, alguien podría acceder a lo que no debería. Diseña quién puede consultar qué.

No indexes documentos con contraseñas, datos personales o información confidencial en un servicio externo sin revisar sus condiciones y sin autorización. Y recuerda que los documentos indexados pueden contener instrucciones maliciosas: es una forma de prompt injection.

Cómo empezar a experimentar

1. Elige un conjunto pequeño de documentos tuyos y no sensibles: apuntes, manuales públicos, tus propios artículos.
2. Prueba primero con un asistente que permita subir archivos.
3. Prepara diez preguntas cuya respuesta conoces y comprueba los resultados.
4. Si te interesa ir más allá, prueba una aplicación open source local y compara.

Si trabajas con un proveedor que te ofrece «un chatbot entrenado con tus documentos», pregunta cómo funciona por dentro. Muchas veces no es un modelo entrenado de nuevo, sino un sistema RAG. Saberlo te ayuda a hacer las preguntas correctas: dónde se guardan los documentos, quién puede consultarlos, cómo se actualizan cuando cambian y cómo puedes comprobar de dónde sale cada respuesta.

Entender RAG te permite saber cuándo fiarte de un chat con documentos y cuándo no. Si quieres aprender a construir herramientas como estas con método, la academia de Código Élite tiene la IA práctica como eje principal.