Decisiones de IA Arquitectura y tecnología
GraphRAG o RAG vectorial: ¿cuándo necesita un grafo tu asistente de conocimiento?
Empieza por RAG vectorial, mejor con búsqueda híbrida y reranking: resuelve la mayoría de las preguntas cuya respuesta está en uno o pocos pasajes y es más barato de montar y de mantener al día. Añade un grafo de conocimiento cuando las preguntas dependan de relaciones entre muchos documentos, como quién está vinculado con qué, cadenas de varios pasos o temas que recorren todo el corpus, y la evaluación muestre que la recuperación vectorial no llega. GraphRAG paga ese alcance con un índice más caro, más mantenimiento y permisos más difíciles de gestionar.
Las opciones
RAG vectorial
Los documentos se trocean, se convierten en embeddings y se recuperan por similitud semántica con la pregunta, a menudo junto a búsqueda por palabras clave y reranking.
GraphRAG
Se extraen entidades y relaciones de las fuentes a un grafo de conocimiento, y la recuperación recorre o resume ese grafo, normalmente junto a fragmentos de texto.
Comparativa
| Criterio | RAG vectorial | GraphRAG |
|---|---|---|
| Preguntas que resuelve bien | Preguntas locales cuya respuesta está en uno o pocos pasajes: una cláusula, un procedimiento, una definición. | Preguntas que conectan entidades de varios documentos, exigen varios saltos o piden temas y patrones de todo el corpus. |
| Construir el índice | Trocear y generar embeddings; relativamente barato y rápido, incluso con corpus grandes. | Extraer entidades y relaciones, a menudo con un LLM sobre cada fragmento; bastante más cómputo, tiempo y diseño. |
| Mantenerlo al día | Los documentos nuevos o modificados se vuelven a vectorizar y sustituyen a sus fragmentos anteriores. | Un cambio afecta a entidades, relaciones y resúmenes precalculados; la actualización incremental exige un diseño cuidadoso. |
| Esfuerzo de modelado | Poco modelado previo; la calidad depende del troceado, los metadatos y el ajuste de la recuperación. | Hay que decidir tipos de entidad, relaciones y cómo unificar entidades duplicadas, con una ontología o un prompt de extracción gobernado. |
| Explicabilidad | Muestra los pasajes usados; no explica por qué dos hechos están relacionados. | Puede mostrar el camino de entidades y relaciones que sostiene la respuesta, además de los pasajes de origen. |
| Control de acceso | Los permisos se filtran por fragmento y se heredan del documento de origen. | Entidades y resúmenes mezclan datos de muchos documentos: aplicar permisos por usuario es más difícil y hay que diseñarlo desde el principio. |
| Latencia y coste por consulta | Normalmente bajos y previsibles. | Dependen del modo de consulta: recorrer el grafo puede ser rápido; resumir muchas comunidades del corpus puede ser lento y caro. |
| Fallo típico | No encuentra respuestas que exigen unir datos repartidos entre documentos, o trae pasajes parecidos pero irrelevantes. | Errores de extracción y entidades duplicadas entran en el grafo y acaban en respuestas seguras apoyadas en relaciones falsas. |
Elige RAG vectorial cuando…
- Casi todas las preguntas son sobre lo que dice un documento: políticas, procedimientos, manuales o contratos, de uno en uno.
- El corpus cambia a menudo y las respuestas deben reflejar enseguida la última versión.
- Los usuarios tienen permisos distintos y el acceso debe aplicarse documento a documento.
- Necesitas pronto una primera versión útil y quieres aprender de preguntas reales antes de modelar nada.
Elige GraphRAG cuando…
- El valor está en las relaciones: proveedores y sus dueños, productos y componentes, expedientes y las personas implicadas.
- Los usuarios hacen preguntas de varios pasos cuya respuesta no está escrita en ningún pasaje concreto.
- Necesitas visiones de conjunto sobre un corpus grande, como temas o riesgos recurrentes, no solo búsquedas puntuales.
- Las entidades y relaciones son bastante estables y ya tienes, o quieres tener, un modelo de datos gobernado para ellas.
- La evaluación con preguntas reales muestra que la recuperación vectorial falla justo donde importan las conexiones.
Cuándo combinarlas
En la práctica casi nunca es una cosa o la otra. Un patrón habitual mantiene la recuperación vectorial o híbrida como camino por defecto y añade el grafo para las preguntas que lo necesitan: el grafo identifica las entidades relevantes y sus vecinas, y la recuperación de texto trae los pasajes que prueban cada relación. Un enrutador, o un agente que tiene las dos como herramientas, decide pregunta a pregunta. Introduce el grafo en un dominio donde las relaciones aporten el valor, mídelo con el mismo conjunto de evaluación y amplíalo solo si compensa su coste.
Errores típicos
- Construir un grafo de conocimiento de todo antes de saber qué preguntas tiene que responder.
- Elegir GraphRAG porque el RAG vectorial rendía poco, cuando el problema real estaba en el troceado, los metadatos, la búsqueda híbrida o el reranking.
- Olvidar la unificación de entidades: el mismo cliente o proveedor aparece como varios nodos y se pierden relaciones.
- Precalcular resúmenes que mezclan documentos con permisos distintos y enseñárselos a todos los usuarios.
- Presupuestar la primera indexación y no el trabajo de mantener el grafo sincronizado cuando cambian las fuentes.
Cómo lo enfoca Thinkia
Partimos de las preguntas, no de la técnica. Con los dueños del contenido reunimos preguntas reales, las clasificamos en búsquedas locales, preguntas de varios pasos o preguntas sobre todo el corpus, y acordamos cómo es una respuesta correcta y qué evidencia la sostiene. Ese conjunto de evaluación decide la arquitectura: si casi todas las preguntas son locales, la base adecuada es una recuperación híbrida bien ajustada con reranking, y un grafo solo añadiría coste.
Enterprise Knowledge AI aporta una capa de conocimiento gobernada: ingesta que respeta los permisos del origen, control de acceso aplicado en el momento de la consulta, respuestas enlazadas al documento y al fragmento que las sostienen, y un registro completo de quién preguntó qué y qué devolvió el sistema. Por debajo, nuestro motor RAG usa reordenadores y, donde aportan, patrones GraphRAG, agénticos o multimodales. Cuando añadimos un grafo, lo limitamos a un dominio donde las relaciones importan y tratamos la unificación de entidades y los permisos como parte del diseño, no como un remiendo posterior.
Las dos opciones funcionan sobre una base agnóstica de modelo. Con Synapse, la recuperación puede ejecutarse en tu propia infraestructura y cada tarea se enruta al modelo más adecuado, de modo que el coste de extraer y resumir queda a la vista y la decisión se puede revisar con datos y no con opiniones.
Productos de Thinkia implicados
- Enterprise Knowledge AICapa de conocimiento gobernada: respuestas con fuente, cita y trazabilidad.
- SynapsePlataforma agéntica gobernada: agentes, modelos, costes y datos en un solo sitio.
Soluciones de IA relacionadas
- Conocimiento corporativo con IATu organización sabe más de lo que es capaz de encontrar.
- Asistente de análisis con IAInvestigación que solía llevar días. Hecho en horas.
- Inteligencia documental con IAConvierte documentos sin estructura en decisiones estructuradas.
- Diligencia debida de terceros con IADiligencia a escala, no por excepción
Preguntas frecuentes
¿GraphRAG es más preciso que el RAG vectorial?
No en general. Suele ayudar en preguntas que exigen conectar documentos o ver el corpus completo, y aporta poco cuando la respuesta está en un solo pasaje. Mide los dos con tus propias preguntas antes de decidir.
¿Hace falta una base de datos de grafos para hacer GraphRAG?
No necesariamente. El grafo puede vivir en una base de datos de grafos, en tablas relacionales o junto al índice vectorial, según el tamaño y el tipo de consulta. Importa más la calidad de las entidades y relaciones extraídas y cómo se mantienen al día.
¿Puede un LLM construir el grafo de conocimiento solo?
Puede extraer entidades y relaciones a gran escala, y así funcionan muchos flujos de GraphRAG, pero el resultado necesita controles: unificar entidades, fijar los tipos de relación y revisar muestras con gente que conoce el dominio. Un error de extracción sin revisar se convierte en una relación falsa en las respuestas.
Ya tenemos un grafo de conocimiento o datos maestros. ¿Cambia la decisión?
Sí. Si ya existen entidades y relaciones curadas, por ejemplo en datos maestros o en un grafo existente, usarlas para la recuperación sale mucho más barato que extraer un grafo nuevo de los documentos, y suele ser más fiable.
¿Cómo gestiona GraphRAG los permisos?
Con cuidado. Cuando una entidad o un resumen combina datos de documentos con reglas de acceso distintas, un usuario puede ver algo que no podría leer en la fuente. Guarda la procedencia de cada nodo y relación y filtra en el momento de la consulta, o limita el grafo a contenido con el mismo nivel de acceso.
¿Qué conviene probar antes de pasar a GraphRAG?
Mejorar lo básico: troceado alineado con la estructura del documento, metadatos útiles, búsqueda híbrida por palabras clave y semántica, reranking y reescritura de la consulta. Muchas carencias que se atribuyen al RAG vectorial se resuelven ahí, por una fracción del coste de un grafo.
Para seguir explorando
Decisiones relacionadas
- RAG o fine-tuning: ¿qué necesita tu caso de uso empresarial?
- RAG vs buscador corporativo: ¿tu gente necesita respuestas o documentos?
- Evals automáticas o revisión humana: ¿cómo garantizas la calidad de la IA en la empresa?
- Arreglar primero los datos o empezar ya con IA: ¿qué va antes?
Términos clave
Artículos de Thinkia
- Bases de datos vectoriales para RAG: búsqueda semántica para LLM
- RAG agéntico: motor de automatización empresarial de alta confianza
- Fusion RAG: aumento de la precisión y la relevancia en la IA generativa
- Reclasificación en RAG: un nuevo camino hacia la precisión y la velocidad en la IA empresarial