Qué es RAG
Un LLM como ChatGPT sabe mucho, pero no sabe nada de tu empresa: ni tu catálogo, ni tus precios, ni tus políticas. Y lo que sabe tiene fecha de caducidad. RAG soluciona eso conectando el modelo a una base de conocimiento propia que se consulta en cada pregunta.
Cómo funciona
- Buscar (retrieval): con la pregunta del usuario se buscan los fragmentos más relevantes de tus documentos, normalmente en una base de datos vectorial.
- Aumentar (augmented): esos fragmentos se añaden al prompt como contexto.
- Generar (generation): el modelo responde apoyándose en ese contexto, y puede citar de dónde lo ha sacado.
Ejemplo real
Una tienda online conecta su catálogo, las condiciones de envío y las preguntas frecuentes a un chatbot con RAG. Cuando un cliente pregunta «¿cuánto tarda un envío a Canarias?», el sistema encuentra la política de envíos y responde con el dato real, no con una estimación genérica.
Para qué te sirve en tu negocio
- Atención al cliente que responde con tu información.
- Un buscador interno para que tu equipo encuentre procedimientos y documentación.
- Asistentes para comerciales con fichas de producto y tarifas actualizadas.
Es la forma más barata y rápida de tener una «IA que conoce tu empresa» sin reentrenar ningún modelo.
Errores comunes
- Meter documentos desordenados y esperar buenas respuestas. Si tu información es mala, las respuestas también.
- Trocear mal los documentos (chunking): fragmentos demasiado grandes o pequeños empeoran la búsqueda.
- No revisar qué fuentes cita el sistema.
Preguntas frecuentes
¿RAG es lo mismo que entrenar un modelo?
No. RAG no cambia el modelo: le da información en el momento de responder. Entrenar (fine-tuning) sí lo modifica.
¿RAG elimina las alucinaciones?
Las reduce mucho, pero no a cero.
¿Necesito programar para montar un RAG?
No necesariamente. Hay herramientas no-code y flujos en n8n que lo resuelven.