Cómo dar a un modelo acceso controlado a tu documentación para que responda con tu contexto, sin entrenar nada y sin exponer datos.
Los modelos de IA saben mucho del mundo y nada de tu empresa. Le puedes preguntar a un modelo por la capital de Australia o por la historia de Roma y acertará — pero pregúntale por tu política de devoluciones o por el margen del producto estrella y, en el mejor de los casos, te dirá que no lo sabe. En el peor, se lo inventará con total aplomo.
RAG (Retrieval-Augmented Generation) es la técnica que arregla eso sin entrenar nada: cuando alguien pregunta, el sistema busca primero en tus documentos y le pasa al modelo solo los fragmentos relevantes para que responda con tu contexto. En vez de fiarte de lo que el modelo recuerda de internet, le das la fuente correcta justo antes de que conteste.
01El problema que RAG resuelve de raíz
Hay dos formas de que un modelo hable de tu negocio, y una es mala idea para la mayoría. La primera es reentrenar (o hacer fine-tuning): caro, lento, y cada vez que cambia un dato hay que repetir el proceso. La segunda es RAG: no tocas el modelo, le das acceso de lectura a tus documentos en el momento de responder.
La diferencia práctica es brutal. Con fine-tuning, corregir el precio de un servicio implica un ciclo de entrenamiento. Con RAG, es editar una línea en un documento — y en la siguiente pregunta ya sale bien.
02Cómo funciona, sin humo
- Tus documentos (manuales, contratos, wiki, FAQs) se trocean en fragmentos e indexan en una base de datos vectorial.
- Cada fragmento se convierte en un vector — una representación numérica de su significado, no de sus palabras exactas.
- Cuando llega una pregunta, el sistema la convierte también en vector y recupera los fragmentos más parecidos semánticamente.
- El modelo redacta la respuesta usando solo esos fragmentos como fuente.
- La respuesta puede citar de dónde salió cada dato, para poder verificarla.
La clave está en la palabra «semánticamente». Una búsqueda normal por palabras encuentra «devolución» solo si el documento dice «devolución». La búsqueda vectorial encuentra el fragmento correcto aunque el cliente pregunte «¿puedo devolver esto?» y el manual hable de «reembolsos» o «política de retorno». Entiende la intención, no las coincidencias literales.
03Qué resuelve en la práctica
Un asistente interno que responde «¿cuál es nuestra política de devoluciones para clientes B2B?» citando el documento exacto. Soporte que contesta con la versión actual del manual, no con lo que el modelo recuerda de internet. Onboarding donde los nuevos preguntan a la wiki en vez de interrumpir al compañero de al lado por décima vez en la semana.
En un proyecto de sector legal montamos un RAG sobre 1.200 páginas de contratos tipo y jurisprudencia interna. La consulta que antes se llevaba veinte minutos de buscar en carpetas pasó a resolverse en segundos, con la cita del párrafo exacto para que el abogado la validara. No sustituyó a nadie: le quitó a todos la parte de buscar para dejarles la de decidir.
04Las ventajas frente a entrenar un modelo
- Sin entrenamiento: añadir o corregir conocimiento es actualizar un documento.
- Datos bajo control: el índice vive donde tú decidas, incluso en tu propio servidor.
- Trazabilidad: cada respuesta apunta a su fuente y se puede auditar.
- Coste contenido: es un proyecto de semanas, no una inversión de laboratorio.
- Actualidad: la respuesta refleja la última versión del documento, no una foto congelada del día del entrenamiento.
05Dónde falla un RAG mal montado
RAG no es magia, y conviene decirlo. Si troceas mal los documentos, recuperas fragmentos a medias que dejan al modelo sin el contexto suficiente. Si el índice está sucio (versiones viejas mezcladas con nuevas), la IA cita la fuente equivocada con la misma seguridad. Y si no acotas al modelo, puede completar los huecos por su cuenta — justo lo que veníamos a evitar.
Por eso el trabajo fino no está en «conectar la IA», sino en preparar bien el conocimiento: cómo se trocea, cómo se limpian los duplicados, cada cuánto se reindexa y cómo se le ordena al modelo que responda «no lo sé» cuando la fuente no está. Ese «no lo sé» honesto vale más que cien respuestas inventadas.
06Cómo lo montamos en Vykia
Empezamos siempre por el conjunto de documentos que más consultas genera — soporte, ventas o operaciones — y montamos el RAG dentro de un flujo de n8n: la pregunta entra (por Slack, por el chat de la web o por WhatsApp), se recuperan los fragmentos, el modelo responde citando fuente y, si la confianza es baja, el flujo deriva a una persona en lugar de arriesgar. El índice puede quedarse en tu infraestructura, y para lo sensible usamos modelos con garantía de no-entrenamiento o directamente locales.
RAG no hace a la IA más lista: la hace útil, porque responde con TU información y te dice de dónde la ha sacado.
