¿Qué es RAG (generación aumentada por recuperación)?

Actualizado 2026-10-12 · 2 min de lectura

RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación) es una técnica para que un modelo de lenguaje responda usando tus documentos y no solo lo que aprendió durante su entrenamiento. El término se popularizó con un artículo de investigación de 2020 de Lewis y colaboradores.

El problema que resuelve

Un modelo de lenguaje no conoce los precios de tu empresa, tus políticas internas ni los documentos de la semana pasada. Si le preguntas, puede inventar una respuesta convincente. RAG le entrega la información correcta justo en el momento de responder.

Cómo funciona

1. Preparar los documentos: se dividen en fragmentos pequeños (por ejemplo, párrafos).
2. Convertirlos en vectores: un modelo de embeddings transforma cada fragmento en una lista de números que representa su significado.
3. Guardarlos: los vectores se almacenan en una base de datos vectorial.
4. Buscar: cuando llega una pregunta, también se convierte en vector y se buscan los fragmentos con significado más parecido.
5. Responder: el modelo recibe la pregunta junto con esos fragmentos y responde basándose en ellos, idealmente citando la fuente.

RAG o fine-tuning

• RAG sirve para que el modelo sepa cosas que cambian: catálogos, normas, documentos. Actualizarlo es tan simple como cambiar los documentos.
• El fine-tuning sirve para cambiar cómo se comporta el modelo: su estilo, su formato o una tarea muy específica.

En la mayoría de los negocios se empieza por RAG: es más barato, más rápido de actualizar y más fácil de auditar.

Errores comunes

• Fragmentos demasiado grandes o demasiado pequeños, que hacen que la búsqueda traiga información irrelevante.
• No medir la calidad: hay que probar con preguntas reales y revisar si las respuestas citan el documento correcto.
• Documentos desactualizados: el sistema responde con lo que tiene. Si la fuente está mal, la respuesta también.