#Cómo funciona
El proceso tiene dos pasos. Primero, la recuperación: cuando llega una pregunta, el sistema busca en la base de conocimiento los fragmentos más relacionados. Para eso, los documentos (listas de precios, políticas, fichas de producto, preguntas frecuentes) se dividen antes en partes chicas y cada una se convierte en un vector, una representación numérica de su significado. La pregunta se convierte de la misma forma, y la búsqueda devuelve los fragmentos cuyo significado se parece más, aunque no compartan las mismas palabras. Eso es la búsqueda por similitud.
Después viene la generación: esos fragmentos se agregan al prompt junto con la pregunta, y el LLM redacta la respuesta usándolos como fuente. Muchas implementaciones también le piden que indique de qué documento salió cada dato.
Reduce las invenciones porque el modelo ya no tiene que recordar el precio o la política: los tiene delante. Si la información no está en la base, se lo puede instruir para que diga que no sabe en lugar de improvisar. Además, actualizar lo que sabe es tan simple como cambiar el documento, sin reentrenar nada. No es infalible: si la búsqueda trae el fragmento equivocado o la base está vieja, la respuesta sale mal con la misma seguridad.
En una agencia de marketing con IA, el RAG es la base de los agentes que atienden clientes y de los sistemas que escriben con la voz de una marca. La calidad depende menos del modelo y más de lo ordenada y al día que esté la información que se le carga.
#Un ejemplo
Una distribuidora de materiales de construcción tiene un bot de WhatsApp. Sin RAG, ante «¿cuánto sale la bolsa de cemento?» el modelo podría inventar un número. Con RAG, el sistema busca en la lista de precios vigente, encuentra la fila del cemento y el bot responde con el precio real y la fecha de la lista. Cuando cambian los precios, se sube la lista nueva y el bot la usa desde ese momento.
#Casos de uso
- Bots de atención: respuestas basadas en los precios, el stock y las políticas reales del negocio.
- Asistentes internos: un equipo que pregunta por procesos y manuales sin revisar carpetas a mano.
- Contenido con fuentes: redacción que toma los documentos de la marca como referencia.
- Soporte técnico: respuestas armadas a partir de la documentación del producto.
#Links útiles
- Agente de IA para WhatsApp que responde preguntas frecuentes
- Cerebro de marca en Claude: cómo armarlo en 5 pasos
- Cómo hacer que ChatGPT deje de mentirte
- Agentes de IA
- Documentación de Claude de Anthropic
Preguntas frecuentes sobre RAG (generación aumentada por recuperación)
¿Qué diferencia hay entre RAG y entrenar un modelo con mis datos?
El RAG consulta tus documentos en el momento de responder; el entrenamiento (fine-tuning) cambia el modelo para que responda de otra manera. Para datos que cambian, como precios o stock, el RAG es más práctico: se actualiza el documento y listo. El fine-tuning sirve más para enseñar un estilo o un formato fijo, y cada cambio exige volver a entrenar.
¿Siempre hace falta RAG o se puede pasar toda la información en el prompt?
Si la información es poca, se puede pasar entera. Anthropic indica que una base de conocimiento de menos de 200.000 tokens (unas 500 páginas) se puede incluir completa en el prompt, sin RAG. Cuando la base es más grande o crece seguido, el RAG evita mandar todo en cada pregunta, lo que baja el costo y el tiempo de respuesta.
¿Cómo conviene preparar los documentos para un sistema con RAG?
Con una sola versión vigente de cada dato y textos ordenados por tema. Si hay dos listas de precios o políticas que se contradicen, la búsqueda puede traer la vieja. Ayuda escribir títulos claros, poner fechas, separar cada producto o política en su propia sección y borrar lo obsoleto. Lo aplicamos en la regla de usar una sola fuente para los precios.
AI KID
RE/MAX Patagon
Mateo Caño