¿Qué es RAG y cómo puede una IA responder usando tus documentos?

Publicado el 2026-10-20 por frfrand

RAG explicado con ejemplos: cómo una IA busca información en documentos, qué son embeddings, por qué cita fuentes y dónde puede equivocarse.

RAG es una técnica que combina búsqueda de información con generación de respuestas mediante inteligencia artificial. Sus siglas significan Retrieval-Augmented Generation: generación aumentada mediante recuperación. En lugar de pedirle a un modelo que responda solo con lo aprendido durante su entrenamiento, primero se busca información relevante y se le proporciona como contexto.

Imaginá que tenés cien manuales internos de una empresa. Una persona pregunta «¿cómo puedo solicitar vacaciones?». Un modelo general podría inventar una política o contestar con reglas de otra empresa. Un sistema RAG intenta encontrar la sección correcta de tus manuales y responder a partir de ella.

El ejemplo de un bibliotecario

Pensá en una biblioteca. El bibliotecario no necesita memorizar todos los libros. Le alcanza con saber localizar el capítulo indicado, leerlo y explicar la respuesta.

Con RAG sucede algo similar, aunque automatizado: primero se recuperan fragmentos de documentos y después un modelo construye la respuesta. No es lo mismo que entrenar al modelo desde cero con todos los archivos.

¿Qué pasos sigue un sistema RAG?

Un flujo habitual tiene varias etapas:

1. Preparación: se cargan documentos, se extrae su contenido y se divide en fragmentos manejables.
2. Indexación: se guardan esos fragmentos con información útil, a veces convirtiéndolos en vectores llamados embeddings.
3. Pregunta: una persona consulta algo en lenguaje natural.
4. Recuperación: el sistema identifica los fragmentos más relacionados.
5. Generación: el modelo recibe la pregunta y los fragmentos recuperados para redactar una respuesta.

No todos los sistemas utilizan exactamente la misma búsqueda. Algunos combinan palabras clave con búsqueda semántica y después vuelven a ordenar los resultados.

¿Qué son los embeddings?

Son representaciones numéricas de información utilizadas para comparar similitudes. Dos frases pueden expresar la misma idea con palabras distintas: «¿cómo solicito días libres?» y «procedimiento para pedir vacaciones».

Una búsqueda literal puede no detectar fácilmente la relación. Una representación semántica puede ayudar a encontrar fragmentos relacionados por significado.

Pero un embedding no es conocimiento perfecto. Puede encontrar un párrafo parecido aunque sea antiguo, irrelevante o contradictorio. Por eso importa combinarlo con filtros, fechas, permisos y evaluación de los resultados.

¿RAG elimina las alucinaciones?

No. Puede reducir respuestas inventadas cuando recupera fuentes adecuadas, pero el modelo todavía puede interpretar mal un fragmento, omitir una condición o responder con demasiada seguridad.

Si la política interna dice «solo se aprueban solicitudes con diez días de anticipación», el sistema no debería responder «sí, podés pedirlas mañana» sin comprobar esa condición.

Un buen diseño permite mostrar las fuentes consultadas y admite responder «no encontré información suficiente» cuando corresponde.

El problema de los permisos

Imaginá que el mismo sistema contiene documentos públicos, contratos de clientes y salarios de empleados. No alcanza con que la búsqueda encuentre algo relevante: debe comprobar si esa persona está autorizada a verlo.

El control no debería depender de pedirle amablemente al modelo que ignore documentos privados. Los permisos deben aplicarse en la recuperación y acceso a los datos.

También pueden existir documentos con instrucciones maliciosas destinadas a engañar al modelo. Esos fragmentos deben tratarse como información no confiable, no como órdenes con autoridad.

¿Cuándo tiene sentido utilizarlo?

Un asistente de soporte sobre manuales actualizados, una búsqueda conversacional en documentación técnica o un sistema interno de preguntas frecuentes son buenos candidatos. RAG resulta menos útil si el problema solo exige consultar un número exacto de una base de datos mediante una API convencional.

A veces la solución más fiable es una consulta SQL o una función definida, no una búsqueda semántica.

¿Qué mantenimiento necesita?

Si cambian los documentos, conviene actualizar el índice. Si una política caduca, hay que retirarla o señalar su fecha. También se necesitan pruebas con preguntas reales y un registro de errores para mejorar la recuperación.

Medí si los fragmentos recuperados son relevantes antes de culpar al modelo de una respuesta incorrecta.

¿Dónde encaja ArduMaker?

Una arquitectura RAG puede ejecutarse con componentes alojados en VPS, bases de datos y servicios de IA. En ArduMaker podés gestionar parte de esa infraestructura y conectar aplicaciones, pero la recuperación, el control de permisos y la calidad de las fuentes deben diseñarse en tu proyecto.

En resumen: RAG permite que una IA consulte información externa antes de responder. Su utilidad depende tanto del buscador y los datos como del propio modelo.

Fuentes: Seguridad de sistemas RAG según OWASP · Introducción a embeddings de OpenAI.