Qué es RAG y cuándo lo necesita una empresa (y cuándo no)
RAG es una técnica que hace que un modelo de IA busque primero en los documentos de tu empresa y responda con lo que encuentra, citando la fuente y sin reentrenar el modelo. Compensa cuando la documentación es extensa, cambia a menudo o tiene permisos por usuario; con pocos documentos o con datos en tablas basta algo más simple.
En resumen
- RAG (Retrieval-Augmented Generation) hace que el modelo lea los fragmentos relevantes de tus documentos antes de responder, sin reentrenarlo.
- Compensa con documentación extensa, cambiante o con permisos distintos, y cuando hay que citar la fuente.
- Puede sobrar con menos de unas 500 páginas estables (caben enteras en la instrucción, según Anthropic), para uso personal o con datos en tablas.
- Sus riesgos (alucinaciones, fugas por permisos, contenido desactualizado) se reducen citando fuentes, filtrando por permisos, reindexando y midiendo con preguntas reales.
- Digitup Studio lo ha aplicado al catálogo de Mundomar Cruceros y a los PDF de Rescrito / Aithor.
¿Qué es RAG, explicado sin jerga?
RAG es una forma de construir asistentes de IA en la que el modelo, antes de responder, recupera fragmentos de tus documentos y redacta la respuesta a partir de ellos. Las siglas vienen del inglés Retrieval-Augmented Generation: generación aumentada por recuperación.
El término procede del artículo Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, de Patrick Lewis y otros once autores (NeurIPS 2020), que combinaba lo que el modelo sabe por su entrenamiento con una fuente externa consultada en el momento. Ya apuntaba las dos ventajas que hoy buscan las empresas: saber de dónde sale cada respuesta y actualizar el conocimiento sin reentrenar.
Un modelo de OpenAI, Google o Anthropic sabe redactar, pero no conoce tu política de devoluciones. Con RAG recibe en cada pregunta las páginas que necesita, como quien consulta el manual antes de contestar.
Digitup Studio es un estudio técnico de Madrid que diseña y construye software a medida (agentes de IA, chatbots, RAG, automatizaciones, SaaS, apps e integraciones) y lo deja en producción. Aquí explicamos cuándo lo recomendamos y cuándo no.
¿Cómo funciona un RAG paso a paso?
Un RAG tiene dos fases: la preparación (pasos 1 a 3), que se repite cuando cambian los documentos, y la consulta (pasos 4 y 5), que ocurre con cada pregunta.
- Documentos. Se reúnen las fuentes (PDF, Word, web, base de conocimiento) y se limpian: duplicados, escaneados sin texto, tablas mal extraídas.
- Fragmentos. Cada documento se divide en trozos de pocos párrafos que conservan título, apartado y permisos del original. Demasiado pequeños pierden contexto; demasiado grandes meten ruido.
- Embeddings. Cada fragmento se convierte en una lista de números que representa su significado: dos textos que dicen lo mismo con palabras distintas quedan cerca. Se guardan en un índice que busca por similitud.
- Recuperación. La pregunta también se convierte en embedding y el sistema busca los fragmentos más parecidos, solo entre los que esa persona puede ver.
- Respuesta con fuentes. El modelo recibe la pregunta, los fragmentos e instrucciones claras: responder solo con esa información, citar documento y apartado, y decir que no lo sabe si la respuesta no está.
La búsqueda por significado falla con términos exactos, como un código de producto, así que se combina con búsqueda por palabras clave. En sus pruebas de 2024, Anthropic redujo un 67 % los fallos de recuperación entre los 20 primeros fragmentos al sumar embeddings con contexto, búsqueda por palabras clave (BM25) y reordenación. La cifra depende de cada conjunto de documentos; la conclusión, no: la calidad de un RAG se decide en la recuperación.
¿Cuándo necesita RAG una empresa?
Una empresa necesita RAG cuando la respuesta a sus preguntas frecuentes ya está escrita, pero en demasiados documentos, que cambian o que no todos pueden ver. Con dos o más de estas señales, merece la pena estudiarlo:
- Se repiten preguntas cuya respuesta está en manuales, políticas, contratos o fichas de producto.
- La documentación ocupa cientos o miles de páginas repartidas en varios sitios.
- Los documentos cambian a menudo y hay que responder con la versión vigente.
- Cada usuario, departamento o cliente solo puede ver una parte.
- Cada respuesta tiene que poder comprobarse en su documento.
Usos típicos: un asistente interno de procedimientos, un buscador conversacional sobre un catálogo, la atención a clientes en la web o en WhatsApp y la consulta de contratos. Cómo lo planteamos (fuentes, permisos, canales y precio) está en RAG para empresas.
¿Cuándo no hace falta RAG?
No hace falta RAG cuando la información cabe entera en la instrucción del modelo, cuando el uso es personal o cuando los datos están en tablas y se necesita una consulta exacta.
Pocos documentos que cambian poco
Anthropic da una regla práctica en su artículo sobre recuperación contextual: con menos de 200.000 tokens, unas 500 páginas, la base de conocimiento cabe entera en la instrucción del modelo, sin RAG. Un manual de 40 páginas que cambia una vez al año no necesita índice.
Uso personal con archivos subidos
Para preguntar sobre tres contratos o resumir un informe basta con subirlos a un chat de IA con plan de empresa, como ChatGPT, Claude o Gemini. Un RAG a medida tiene sentido cuando el conocimiento lo comparte un equipo, hay que controlar quién ve qué o el asistente atiende a clientes en tu web o en WhatsApp.
Datos estructurados
Preguntas como «¿cuántos pedidos tiene pendientes este cliente?» se resuelven con una consulta a la base de datos, al CRM o al ERP: la búsqueda por significado no sabe sumar ni filtrar con exactitud. El modelo traduce la pregunta a una consulta o llama a una API. Si además ejecuta acciones, hablamos de agentes de IA; la diferencia la explicamos en chatbot o agente de IA.
Cuándo no somos la opción
No somos la opción si basta un SaaS del mercado ya configurado y nadie tiene que escribir software, si el presupuesto es inferior a 1.000 € o si la entrega tiene que ser en menos de 2 semanas. Si la documentación no existe o se contradice, conviene ordenarla primero; una auditoría de IA ayuda a decidir por dónde empezar.
¿RAG, fine-tuning o contexto largo: cuál elegir?
RAG sirve cuando al modelo le falta información; el fine-tuning, cuando falla en cómo responde; y el contexto largo, cuando toda la información cabe en la instrucción. La guía Optimizing LLM Accuracy de OpenAI lo plantea de forma parecida: optimizar el contexto cuando el modelo no conoce lo necesario y optimizar el modelo cuando da resultados inconsistentes.
| Aspecto | RAG | Fine-tuning | Contexto largo |
|---|---|---|---|
| Volumen | De decenas a miles de documentos. | Ejemplos de preguntas y respuestas, no documentos. | Hasta unos cientos de páginas. |
| Si cambia un documento | Se reindexa y se usa al momento. | Hay que volver a entrenar. | Se sustituye el texto. |
| Permisos por usuario | Sí, filtrando antes de recuperar. | No: lo aprendido vale para todos. | Solo con una instrucción por perfil. |
| Cita la fuente | Sí: documento y apartado. | No. | Puede, si se le pide. |
| Coste de uso | Bajo: solo viajan los fragmentos necesarios. | Preparar datos y entrenar, más el uso. | Alto sin caché: viaja todo el texto. |
| Riesgo principal | No recuperar el fragmento correcto. | Aprender errores o quedarse desactualizado. | Pasar por alto datos en mitad del texto. |
El fine-tuning aparece como alternativa del mercado; las técnicas se pueden combinar.
El riesgo del contexto largo lo documentó el estudio Lost in the Middle (Nelson F. Liu y otros, 2023): los modelos aprovechan peor la información situada en mitad de un texto largo que al principio o al final.
¿Qué riesgos tiene un RAG y cómo se reducen?
Los riesgos principales son inventar respuestas, mostrar información a quien no debe y citar contenido desactualizado. Ninguno desaparece, pero todos se reducen y se hacen visibles.
| Riesgo | Cómo se nota | Cómo se reduce |
|---|---|---|
| Alucinaciones | Afirma algo que no está en ningún documento. | Responder solo con lo recuperado, citar la fuente y decir «no lo sé» si no hay respuesta. |
| Fugas por permisos | Un usuario ve datos de otro cliente o departamento. | Filtrar por permisos antes de buscar: el modelo nunca recibe lo que el usuario no puede ver. |
| Contenido desactualizado | Cita un procedimiento que ya no está vigente. | Sincronizar con la carpeta de origen, retirar versiones antiguas y mostrar la fecha del documento. |
| Instrucciones ocultas | Un documento incluye órdenes dirigidas al modelo. | Tratar los documentos como datos, limitar lo que puede hacer el asistente y exigir aprobación humana en acciones sensibles. |
En nuestros proyectos esto se concreta en control de acceso, separación de información, registro de acciones, protección de credenciales, copias de seguridad y aprobación humana cuando hace falta. Si hay datos personales, el encaje con el RGPD lo valida tu asesor jurídico. Qué conserva cada proveedor de modelos lo explicamos en integración de IA.
¿Cómo se evalúa la calidad de un RAG?
La calidad de un RAG se evalúa con un juego de preguntas reales, cada una con su respuesta correcta y su documento, midiendo por separado si recupera bien y si responde bien. Como dice la guía de OpenAI, un RAG añade un eje nuevo que optimizar: la recuperación.
- Recuperación: ¿el fragmento con la respuesta llega al modelo?
- Fidelidad: ¿la respuesta se apoya solo en esos fragmentos?
- Corrección: ¿coincide con lo que diría una persona experta?
- Citas: ¿el documento y el apartado citados son los correctos?
- Saber callar: si los documentos no lo dicen, ¿reconoce que no lo sabe?
Las preguntas las aporta tu equipo, incluidas las que no tienen respuesta. Sirven para comparar versiones o modelos con datos, no con impresiones. En producción se vigilan las preguntas sin respuesta, las valoraciones, el coste por consulta y el tiempo de respuesta. Un fallo de recuperación se arregla en el índice; uno de redacción, en las instrucciones o en el modelo.
¿Dónde ha aplicado Digitup Studio RAG?
Digitup Studio tiene dos casos publicados con RAG: un buscador conversacional sobre un catálogo de cruceros y un SaaS que responde sobre los documentos de cada usuario.
En Mundomar Cruceros, agencia de viajes especializada en cruceros, construimos un RAG sobre el catálogo de barcos y rutas y un chat de recomendación, dentro de un sistema interno de landings. El visitante pregunta por destino, duración, naviera o tipo de barco con sus palabras, sin depender solo de filtros. En cualquier catálogo conviene repartir: lo exacto, como fechas o puerto de salida, con filtros; lo abierto, con búsqueda por significado.
En Rescrito (antes Aithor), el SaaS de IA para escritura académica que desarrollamos, el usuario trabaja con sus propios PDF y el RAG conecta las respuestas con esos documentos. El producto combina OpenAI, Gemini y otros modelos según la tarea y el coste, con planes y límites de uso para controlar el consumo de los modelos.
Fuentes
Enlaces externos consultados el 23 de octubre de 2026.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, Patrick Lewis y otros, arXiv:2005.11401 (NeurIPS 2020).
- Optimizing LLM Accuracy, OpenAI.
- Introducing Contextual Retrieval, Anthropic, 19 de septiembre de 2024.
- Lost in the Middle: How Language Models Use Long Contexts, Nelson F. Liu y otros, arXiv:2307.03172 (TACL).
- Caso Mundomar Cruceros y caso Rescrito / Aithor, Digitup Studio.
Preguntas frecuentes
¿Qué significa RAG?
RAG son las siglas de Retrieval-Augmented Generation, en español generación aumentada por recuperación. Antes de responder, el modelo de IA recupera los fragmentos relevantes de tus documentos y redacta la respuesta a partir de ellos, indicando de dónde sale cada dato y sin reentrenar el modelo. El término viene de un artículo de Patrick Lewis y otros autores presentado en NeurIPS 2020.
¿Un RAG entrena el modelo de IA con los datos de mi empresa?
No. En un RAG el modelo no se reentrena: en cada consulta recibe la pregunta y solo los fragmentos necesarios, filtrados por los permisos de quien pregunta. Tus documentos siguen en tu índice y puedes cambiarlos o retirarlos cuando quieras. Si el proveedor del modelo conserva esos datos depende de su producto y del plan contratado; conviene revisarlo antes de usar datos reales.
¿Qué diferencia hay entre RAG y fine-tuning?
RAG le da al modelo, al responder, información que no tiene: fragmentos de tus documentos. El fine-tuning reentrena el modelo con ejemplos de preguntas y respuestas para cambiar cómo responde: tono, formato o tareas muy repetitivas. Para documentación que cambia, RAG es más fácil de mantener, porque basta con reindexar, y permite filtrar por permisos y citar la fuente. Las dos técnicas se pueden combinar.
¿Un RAG elimina las alucinaciones?
No las elimina, pero las reduce y las hace visibles. El modelo tiene instrucciones de responder solo con lo recuperado, citar el documento y decir que no lo sabe si no encuentra nada, así que cada respuesta se puede comprobar. Si la recuperación falla o el documento está desactualizado, la respuesta también fallará; por eso un RAG se mide con preguntas reales antes de lanzarlo.
¿Cuánto cuesta implantar un RAG en una empresa?
En Digitup Studio los proyectos empiezan a partir de 1.000 € y la entrega, a partir de 2 semanas. Por encima no hay tarifa cerrada: el precio depende de qué tiene que hacer el asistente, en qué canales responde (web, WhatsApp o Telegram), con qué sistemas se conecta y cuánta información maneja. Aparte va el consumo del modelo de IA, que depende del uso.
Proyectos
relacionados
Un catálogo de cruceros y los PDF de cada usuario.
¿Tu equipo consulta cada día la misma documentación?
En una llamada de 30 minutos con Anton, sin compromiso, te decimos si un RAG tiene sentido o si basta algo más simple.