Blog/IA para empresas

RAG para empresas: qué es, cuándo usarlo y cómo se construye

Qué es un sistema RAG, cuándo lo necesita tu empresa, cómo se construye por dentro y dónde suelen fallar estos proyectos.

Un sistema RAG para empresas es un asistente de IA que, antes de responder, busca en los documentos de tu empresa y contesta solo con lo que encuentra, citando la fuente. Es la opción adecuada cuando necesitas respuestas sobre información interna, cambiante y con permisos. Un chatbot genérico no la conoce y el fine-tuning no la mantiene al día.

Soy Martín Toledo, CTO de D-IA. En los proyectos que hacemos con pymes, RAG es la pieza que más se pide y la que más se malentiende. Aquí tienes qué es, cuándo tiene sentido, cómo se construye y dónde suele romperse.

¿Qué es RAG, explicado sin tecnicismos?

RAG significa Retrieval-Augmented Generation: generación de texto aumentada con recuperación de información. Primero el sistema busca los fragmentos relevantes en tu documentación y después el modelo de lenguaje redacta la respuesta usando esos fragmentos.

Piensa en un empleado nuevo muy rápido leyendo. No se sabe tus procedimientos de memoria, pero antes de contestar abre la carpeta correcta, lee las tres páginas que importan y responde con la referencia delante.

El término viene de un artículo de investigación de 2020 de Patrick Lewis y otros autores. Su punto de partida sigue vigente: los modelos guardan conocimiento en sus parámetros, pero les cuesta acceder a él con precisión. Darles una fuente externa que consultar mejora la exactitud de lo que escriben.

¿Cuándo necesita tu empresa RAG y cuándo basta un chatbot o el fine-tuning?

Necesitas RAG cuando las respuestas dependen de información propia de tu empresa que cambia y que no todo el mundo puede ver. Si la pregunta es genérica, un chatbot normal basta. Si quieres cambiar cómo escribe o razona el modelo, hablamos de fine-tuning.

OpciónQué haceCuándo encajaLímite principal
Chatbot genéricoResponde con lo que el modelo aprendió en su entrenamientoRedactar, resumir, preguntas generalesNo conoce tus documentos ni tus precios
RAGBusca en tu documentación y responde citandoManuales, contratos, políticas, catálogos, histórico de soporteDepende de la calidad y el orden de tus documentos
Fine-tuningReentrena el modelo con ejemplos propiosUn estilo fijo, un formato de salida muy concreto, una tarea repetitivaEl conocimiento queda congelado y hay que reentrenar para actualizarlo

Señales de que tu caso pide RAG:

  • Tu equipo pierde tiempo buscando en carpetas compartidas, correos o la intranet.
  • Las mismas preguntas internas llegan una y otra vez a las mismas dos personas.
  • La información cambia cada mes (tarifas, procedimientos, normativa interna).
  • Necesitas saber de qué documento sale cada respuesta, para poder comprobarla.
  • Distintos departamentos pueden ver documentos distintos.

Si ninguna de estas te suena, probablemente aún no lo necesitas. Si te interesa la diferencia entre un asistente que responde y uno que ejecuta acciones, la explicamos en chatbot vs agente IA.

¿Cómo es una arquitectura RAG empresarial típica?

Una arquitectura RAG empresarial tiene siete piezas: fuentes, ingesta, troceado, embeddings, base vectorial, control de permisos y generación con citas. Cada una se puede hacer bien o mal por separado, y el resultado final es tan bueno como la peor de ellas.

  1. Fuentes. Dónde vive la información: unidad compartida, SharePoint, Google Drive, el ERP, el CRM, el gestor de tickets.
  2. Ingesta. Un proceso que lee esos documentos, extrae el texto (incluidos PDF escaneados) y detecta cuándo cambian para reindexarlos.
  3. Troceado. Cada documento se divide en fragmentos con sentido propio: un apartado, una cláusula, una pregunta de soporte. Un troceado torpe es la causa más común de respuestas a medias.
  4. Embeddings. Cada fragmento se convierte en un vector, una lista de números que representa su significado. Así el sistema encuentra «plazo de devolución» aunque el documento diga «días para retornar el pedido».
  5. Base vectorial. Donde se guardan esos vectores para buscarlos rápido. Puede ser un servicio dedicado o tu propia base de datos: pgvector, por ejemplo, añade búsqueda vectorial a PostgreSQL y permite tener los vectores junto al resto de tus datos.
  6. Permisos. El sistema filtra los fragmentos según quién pregunta, antes de que lleguen al modelo. Si alguien de almacén no puede abrir las nóminas en la carpeta, tampoco debe recibir un resumen de ellas en el chat.
  7. Generación con citas. El modelo recibe la pregunta y los fragmentos permitidos, redacta la respuesta y enlaza el documento de origen. Si no encuentra nada, debe decirlo en lugar de inventar.

A esto se suma una capa que casi nadie presupuesta: registro de preguntas, evaluación de respuestas y un panel para ver qué se pregunta y qué falla.

¿Qué determina el coste de un sistema RAG?

El coste de un RAG depende sobre todo del estado de tus documentos y del número de sistemas a conectar, no del modelo de IA. El modelo es la parte más fácil de cambiar. Lo caro es dejar la información lista para que se pueda buscar.

Los factores que mueven el presupuesto, de más a menos peso en lo que vemos:

  • Calidad documental. Versiones duplicadas, PDF escaneados torcidos o documentos que se contradicen exigen limpieza antes de indexar.
  • Número de conectores. Cada fuente (Drive, ERP, correo, tickets) es una integración que hay que construir y mantener.
  • Complejidad de permisos. No es lo mismo un RAG que lee todo el mundo que uno que respeta roles por departamento y por cliente.
  • Volumen de consultas. Cada pregunta consume llamadas al modelo y al servicio de embeddings.
  • Dónde se aloja. Nube con región europea, servidor propio o modelo local cambian coste e infraestructura.
  • Mantenimiento. Reindexado, revisión de respuestas fallidas y ajustes cuando cambian los documentos.

¿Dónde fallan los proyectos RAG?

Los proyectos RAG fallan casi siempre por los datos y por la falta de evaluación, rara vez por el modelo. Estos son los puntos de rotura que más vemos:

  1. Documentos que se contradicen. Si hay tres versiones de la tarifa, el sistema puede citar la antigua. Hay que decidir cuál es la fuente de verdad.
  2. Tablas e imágenes ignoradas. Mucha información crítica vive en tablas de PDF que una extracción básica destroza.
  3. Recuperación pobre. El fragmento correcto existe, pero no sale entre los primeros resultados. Combinar búsqueda por palabras y por significado suele mejorar mucho.
  4. Sin «no lo sé». Si el sistema no está obligado a admitir que no encuentra nada, rellena el hueco con algo plausible.
  5. Permisos añadidos al final. Añadir permisos a un índice ya construido sale caro. Se diseñan desde el principio.
  6. Nadie mide. Sin un juego de preguntas de prueba con respuestas correctas conocidas, no sabes si un cambio mejora o empeora.

¿Qué pasa con la privacidad de los datos en un RAG?

Un RAG trata datos de tu empresa y, a menudo, datos personales, así que el RGPD se aplica igual que a cualquier otro sistema. La diferencia es que aquí tienes control de la arquitectura y puedes decidir qué se indexa, dónde se guarda y quién lo ve.

Los puntos que revisamos en cada proyecto, siguiendo el texto del RGPD publicado en el BOE:

  • Minimización (artículo 5). Los datos deben ser los necesarios para el fin. Si el asistente es de procedimientos, no indexes nóminas ni expedientes de clientes.
  • Encargados del tratamiento (artículo 28). Si un proveedor de modelo o de base de datos trata datos por tu cuenta, necesitas un contrato de encargo con garantías suficientes.
  • Transferencias fuera de la UE (artículo 44). Comprueba en qué región se procesan los datos y con qué garantías.
  • Evaluación de impacto (artículo 35). Si el tratamiento es probable que suponga un alto riesgo, en particular con nuevas tecnologías, toca hacerla antes de arrancar.

En la práctica, lo más eficaz es técnico: respetar los permisos de origen, anonimizar lo que no aporta, registrar qué consulta cada usuario y elegir proveedores que no entrenen con tus datos.

Preguntas frecuentes

¿RAG elimina las alucinaciones de la IA?

No las elimina, pero las reduce mucho cuando está bien construido. El modelo responde a partir de fragmentos concretos y cita el origen, así que puedes comprobarlo. La clave es obligarle a decir «no lo encuentro» cuando la documentación no cubre la pregunta.

¿Puedo montar un RAG con mis documentos de Google Drive o SharePoint?

Sí, son de las fuentes más habituales. Lo importante es que el conector respete los permisos que ya tienes en esas carpetas. Así cada persona solo recibe respuestas basadas en lo que ya podía abrir.

¿Es mejor RAG o fine-tuning para mi empresa?

Para preguntas sobre información interna que cambia, RAG casi siempre. El fine-tuning sirve para fijar un estilo o un formato, no para que el modelo conozca tus documentos al día. Hay casos que combinan ambos, pero son minoría en pymes.

¿Cuánto tarda en estar listo un sistema RAG?

Depende sobre todo de cuántas fuentes conectes y del estado de tus documentos. Un piloto con una sola fuente bien ordenada se valida mucho antes que un despliegue con varios sistemas y permisos por rol. Por eso recomendamos empezar con un caso acotado y medirlo.

¿Mis datos se usan para entrenar el modelo?

Depende del proveedor y del plan que contrates, no de la técnica RAG en sí. Con las condiciones comerciales adecuadas, o con un modelo alojado por ti, los documentos solo se usan para responder. Es algo que hay que revisar por contrato antes de conectar nada.

En resumen

RAG es la forma práctica de que la IA responda con la información de tu empresa, al día, con fuentes y respetando quién puede ver qué. Funciona cuando los documentos están ordenados, los permisos se diseñan desde el inicio y alguien mide la calidad de las respuestas. Si cumples esas tres condiciones, puedes evaluar un sistema RAG a medida para tu empresa con un piloto acotado antes de escalarlo.

¿Tu equipo pierde horas buscando información?

Te ayudamos a montar un sistema RAG con tus documentos, con citas, permisos por rol y datos bajo control. Empezamos por un caso acotado y medible.

Ver sistema RAG
Próximo directo: dom 15 nov · 19:00h (España)

Empieza este domingo.

El próximo domingo, personas que quieren accionar estarán en esta reunión aprendiendo a aplicar IA en su negocio. Tú eliges si estás o no estás.

Pon tu email real. Te enviaremos plantillas y regalos por email.

Datos protegidos · Sin spam · Cancelas cuando quieras

+3000 en el grupo
+20 países
100% gratis