Glosario de IA Models & Architecture
¿Qué es la generación aumentada por recuperación (RAG)?
RAG (Retrieval-Augmented Generation)
← Todos los términos del glosarioTécnica que recupera fragmentos relevantes de una base de conocimiento y se los da a un modelo de lenguaje como contexto, para que responda apoyándose en esas fuentes.
Explicación
La generación aumentada por recuperación (RAG) une un paso de búsqueda con un modelo de lenguaje. Cuando llega una pregunta, el sistema busca los fragmentos más relevantes en una colección de documentos, normalmente con un índice vectorial, y se los pasa al modelo junto con la pregunta. El modelo redacta la respuesta a partir de ese material, no solo de lo que aprendió en el entrenamiento. Así las respuestas se apoyan en fuentes actuales y privadas, pueden citar de dónde sale cada dato y bajan las alucinaciones, sin reentrenar el modelo.
Cómo funciona el RAG
- Ingesta: los documentos se parten en fragmentos y cada fragmento se convierte en un embedding, un vector que recoge su significado.
- Indexado: los vectores se guardan en una base de datos vectorial o un buscador, a menudo junto a un índice por palabras clave.
- Recuperación: la pregunta se convierte en vector del mismo modo y se traen los fragmentos más cercanos, a veces reordenados por un reranker.
- Generación: el modelo recibe la pregunta y los fragmentos y escribe la respuesta, idealmente citándolos.
¿RAG o fine-tuning?
El RAG cambia lo que el modelo puede ver en el momento de responder; el fine-tuning cambia el propio modelo. El RAG encaja con conocimiento que cambia a menudo, que tiene permisos o que hay que citar. El fine-tuning encaja con un estilo, un formato o una tarea concreta y estable que el modelo debe hacer sin instrucciones largas.
No se excluyen. Muchos sistemas en producción usan un modelo general, recuperación para los datos y, solo donde compensa, un modelo ajustado para el tono o la estructura.
Límites y qué vigilar
- La calidad de la recuperación marca el techo: si no se recupera el fragmento correcto, el modelo no puede usarlo.
- El troceado, los metadatos y los permisos piden cuidado; si no, un usuario puede recibir respuestas construidas con documentos que no debería ver.
- El modelo aún puede malinterpretar el contexto o generalizar de más, así que hay que evaluar las respuestas con preguntas reales.
- Las preguntas sobre todo el corpus («¿cuáles son los temas principales?») cuestan al RAG simple y pueden necesitar resúmenes o enfoques con grafos.
Preguntas frecuentes
¿Qué significa RAG en inteligencia artificial?
RAG son las siglas de retrieval-augmented generation, «generación aumentada por recuperación». El término viene de un artículo de 2020 de Patrick Lewis y otros autores de Facebook AI Research, University College London y New York University.
¿El RAG elimina las alucinaciones?
No. Las reduce porque da al modelo fuentes relevantes, pero el modelo aún puede ignorar el texto recuperado, malinterpretarlo o ir más allá. Siguen haciendo falta buenas instrucciones, citas y una evaluación sistemática.
¿Necesito una base de datos vectorial para hacer RAG?
No siempre. La búsqueda vectorial es el método más habitual, pero el RAG puede usar búsqueda por palabras clave, una combinación de ambas, consultas SQL o un grafo de conocimiento. La elección depende de los datos y de las preguntas que haga la gente.
¿Qué diferencia hay entre RAG y fine-tuning?
El RAG añade información al consultar, recuperando documentos; el fine-tuning ajusta los pesos del modelo con entrenamiento extra. El RAG es más fácil de actualizar y auditar; el fine-tuning va mejor para enseñar un comportamiento o un formato constante.
¿Qué es el RAG agéntico?
En el RAG agéntico un agente de IA decide cuándo y cómo buscar: puede reformular la consulta, buscar en varias fuentes, revisar lo que encuentra y volver a buscar. Resuelve mejor las preguntas complejas que un único paso de recuperación, a cambio de más latencia y más llamadas al modelo.
Guías de decisión que usan este término
- RAG o fine-tuning: ¿qué necesita tu caso de uso empresarial?
- RAG vs buscador corporativo: ¿tu gente necesita respuestas o documentos?
- Arreglar primero los datos o empezar ya con IA: ¿qué va antes?
- GraphRAG o RAG vectorial: ¿cuándo necesita un grafo tu asistente de conocimiento?
- Ventanas de contexto largas o RAG: ¿sigue haciendo falta un pipeline de recuperación?
Cómo llevarlo a la práctica
- ¿Cómo responder dudas sobre políticas de RR. HH. con IA?
- ¿Cómo automatizar el correo con IA?
- ¿Cómo automatizar el onboarding de empleados con IA?
- ¿Cómo automatizar el service desk de IT con IA?
- ¿Cómo crear la base de conocimiento de la empresa con IA?
- ¿Cómo montar un centro de contacto con IA?
- ¿Cómo no perder el conocimiento de los expertos que se jubilan?
- ¿Cómo gestionar la documentación de la empresa con RAG?
- ¿Cómo vigilar los cambios regulatorios con IA?
- ¿Cómo preparar reuniones comerciales con IA?
- ¿Cómo revisar contratos con IA?
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Lewis et al. · Retrieval-augmented generation for knowledge-intensive NLP tasks (arXiv, en inglés)
- Anthropic · Introducing contextual retrieval (en inglés)
- Gao et al. · Retrieval-augmented generation for large language models: a survey (arXiv) (en inglés)
Actualizado: 2026-10-21