Qué es RAG: cómo hacer que la IA use los datos de tu empresa

Le preguntás a ChatGPT cuánto cuesta tu producto estrella y te inventa un número con total seguridad: ese es exactamente el problema que RAG resuelve. RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación) es una técnica que conecta un modelo de IA con los documentos de tu empresa: ante cada pregunta, el sistema primero busca los fragmentos relevantes en tu información y después el modelo redacta la respuesta usando esos datos reales, citando la fuente. No hay que entrenar nada: el modelo sigue siendo el mismo, pero ahora responde con tus precios, tus manuales y tus políticas.

Por qué ChatGPT no conoce tu empresa

Un modelo como GPT o Claude se entrena una vez con un corpus gigante de texto público. Después de eso, su conocimiento queda congelado. Eso significa que:

• No conoce tus datos: tu lista de precios, tu política de devoluciones y tu manual de onboarding nunca estuvieron en su entrenamiento.
• No se actualiza con tu operación: si mañana cambiás una tarifa, el modelo no se entera.
• Y lo peor: no sabe que no sabe. Si le preguntás algo de tu empresa, va a responder igual, con tono seguro, inventando. Es lo que se llama "alucinación", y es el motivo número uno por el que las empresas desconfían de poner IA frente a clientes.

Las dos soluciones posibles son entrenar el modelo con tus datos (caro y rígido) o pasarle la información correcta en el momento de la pregunta (RAG). Spoiler: en 2026, para el 95% de las empresas, la respuesta correcta es la segunda.

Cómo funciona RAG, sin jerga

El flujo completo tiene cuatro pasos. Sigamos el recorrido de un manual de garantías de 40 páginas:

1. Ingesta: el documento se divide en fragmentos manejables (párrafos o secciones).
2. Embeddings: cada fragmento se convierte en un vector — una lista de números que captura su significado. Fragmentos que hablan de lo mismo quedan "cerca" entre sí, aunque usen palabras distintas. Esto permite que la búsqueda entienda que "¿me cubren la pantalla rota?" se relaciona con la sección "daños accidentales en displays".
3. Búsqueda: cuando alguien pregunta, el sistema convierte la pregunta en vector y recupera los 3-5 fragmentos más cercanos en significado.
4. Generación con fuentes: esos fragmentos se le pasan al modelo junto con la pregunta y una instrucción clave: "respondé usando solo esta información". El modelo redacta la respuesta y el sistema muestra de qué documento salió.

El resultado: una IA que responde "según la política de garantías (sección 4.2), los daños de pantalla están cubiertos los primeros 6 meses" en lugar de inventar. Si además querés que esa IA ejecute acciones (generar el ticket de garantía, agendar el service), eso ya es territorio de agentes de IA — RAG suele ser una de sus piezas.

El mito de "entrenar tu propia IA"

Frase que escuchamos seguido: "queremos entrenar una IA con nuestros datos". En el 95% de los casos, lo que la empresa necesita es RAG, no entrenamiento. La comparación honesta:

Criterio	Fine-tuning (entrenar)	RAG
Costo inicial LATAM 2026	USD 20.000-100.000+	USD 3.000-10.000
Tiempo de implementación	3-6 meses	3-6 semanas
Actualizar información	Re-entrenar (semanas, USD miles)	Subir el documento nuevo (minutos)
Respuestas con fuentes citables	No	Sí
Riesgo de inventar datos	Alto (no distingue qué aprendió)	Bajo y controlable
Cuándo se justifica	Tono/formato muy específico, altísimo volumen	Responder con información de la empresa

El fine-tuning sirve para enseñarle a un modelo cómo hablar (un estilo, un formato muy particular); no es una buena forma de enseñarle qué saber, porque los datos quedan mezclados en los pesos del modelo, sin fuentes y desactualizados desde el día uno. Para conocimiento de empresa, RAG gana por goleada en costo, mantenimiento y verificabilidad.

¿Querés que tu equipo o tus clientes consulten la información de tu empresa en lenguaje natural? Agendá una reunión de 30 minutos y te mostramos un sistema RAG funcionando con documentos reales.

Qué documentos sirven (y cuáles te van a traer problemas)

Sirven muy bien:

• Manuales de producto y documentación técnica
• Políticas internas: garantías, devoluciones, RRHH, compliance
• Listas de precios y fichas de producto (mejor si están estructuradas)
• FAQs y respuestas históricas de soporte de buena calidad
• Procedimientos operativos y material de onboarding

Traen problemas:

• Versiones contradictorias del mismo documento: si conviven la política 2023 y la 2026, el sistema puede recuperar cualquiera. Hay que depurar antes de ingestar.
• Planillas gigantes sin estructura: una matriz de 80 columnas no se fragmenta bien; conviene transformarla o conectarla como dato estructurado.
• Documentos escaneados de mala calidad: el OCR moderno ayuda, pero un PDF ilegible sigue siendo ilegible.
• Conocimiento que no está escrito: RAG no puede recuperar lo que vive solo en la cabeza de tu mejor empleado. A veces el proyecto empieza por escribir esos 10 documentos que nunca nadie escribió.

Cuánto trabajo da mantenerlo

Menos del que se teme, si se diseña bien. El mantenimiento real de una base de conocimiento RAG es:

• Actualizar documentos cuando cambian: subir la versión nueva (la re-ingesta es automática). Esfuerzo: minutos por documento.
• Revisar las preguntas sin respuesta: el sistema registra qué consultas no encontraron información; esa lista te dice exactamente qué documento falta escribir. Revisión típica: 1-2 horas por mes.
• Auditar respuestas periódicamente: muestreo mensual de conversaciones para detectar desvíos.

La trampa a evitar: tratarlo como un proyecto que "se entrega y listo". Una base de conocimiento es un activo vivo; con un dueño interno que le dedique un par de horas mensuales, se mantiene sola. Sin dueño, en un año respondés con precios viejos.

Cómo se evita que la IA invente

La pregunta clave de cualquier decisor, y tiene respuesta técnica concreta:

1. Grounding estricto: el modelo recibe la instrucción de responder únicamente con los fragmentos recuperados. Si el dato no está, no se responde.
2. "No lo sé" explícito: cuando la búsqueda no encuentra fragmentos relevantes, el sistema responde que no tiene esa información y deriva a un humano — en vez de improvisar.
3. Fuentes visibles: cada respuesta cita el documento y la sección de origen. Lo que es verificable es auditable.
4. Umbrales de confianza: si la similitud entre pregunta y fragmentos es baja, se escala en lugar de arriesgar.

Con estas cuatro capas, los sistemas RAG bien implementados operan con tasas de error del orden del 1-5% según el dominio — y, a diferencia de un humano cansado un viernes a las 19, se auditan completos.

Cuándo NO necesitás RAG

• Si tus consultas son sobre datos transaccionales en vivo (stock, estado de un pedido), lo correcto es conectar la IA directo a tu sistema vía integración de IA, no convertir la base de datos en documentos.
• Si tenés 5 preguntas frecuentes y nada más, un chatbot con IA con esas respuestas configuradas alcanza y cuesta menos.
• Si tu documentación es un caos de versiones, el primer proyecto es depurarla. RAG sobre basura devuelve basura con buena redacción.

Qué hacer con esto

Si tu equipo pierde horas buscando "en qué PDF estaba eso" o respondiendo por enésima vez la misma consulta interna, RAG es de los proyectos de IA con retorno más rápido y riesgo más bajo que existen hoy.

En Deepyze implementamos bases de conocimiento con RAG de punta a punta: depuración de documentos, ingesta, integración con tus canales (web, WhatsApp, intranet) y los mecanismos anti-invención que describimos arriba. Precio fijo, equipo en tu huso horario y propuesta concreta en 24 horas: contanos qué información querés que tu IA conozca.