RAG (Generación Aumentada por Recuperación)
Técnica que conecta un modelo de lenguaje con una fuente de conocimiento externa para que recupere información relevante antes de responder, en lugar de depender solo de lo que memorizó al entrenarse.
RAG (Retrieval-Augmented Generation) es una técnica que conecta un modelo de lenguaje (LLM) con una fuente de conocimiento externa para que recupere datos relevantes antes de responder. En vez de depender solo de lo que memorizó al entrenarse, el modelo busca información actualizada, la inyecta en el prompt y genera respuestas más precisas, verificables y con menos alucinaciones.
Actualizado: 31 de mayo de 2026.
RAG no modifica los pesos del modelo. A diferencia del fine-tuning, no reentrena nada: solo le da al modelo el contexto correcto en el momento de responder. Por eso suele ser más barato de mantener, más rápido de actualizar y más fácil de auditar.
Cómo funciona RAG paso a paso
Un sistema RAG típico ejecuta cuatro fases cada vez que recibe una pregunta:
- Indexación (offline): los documentos se dividen en fragmentos (chunks), se convierten en vectores numéricos mediante un modelo de embeddings y se almacenan en una base de datos vectorial.
- Recuperación (retrieval): la pregunta del usuario también se convierte en un vector y se buscan por similitud semántica los fragmentos más cercanos.
- Aumento (augmentation): esos fragmentos se insertan dentro del prompt junto a la pregunta original.
- Generación: el LLM (por ejemplo GPT, Claude o un modelo abierto como Llama) redacta la respuesta basándose en el contexto recuperado, idealmente citando las fuentes.
RAG vs. Fine-tuning vs. Prompt simple
Comparativa actualizada a mayo de 2026. RAG y fine-tuning no son excluyentes: muchos sistemas en producción combinan ambos.
| Criterio | Prompt simple | RAG | Fine-tuning |
|---|---|---|---|
| Conocimiento actualizado | No (corte de entrenamiento) | Sí, en tiempo real | Solo hasta el reentrenamiento |
| Coste de actualización | Nulo | Bajo (reindexar) | Alto (reentrenar) |
| Cita fuentes | No | Sí | No |
| Riesgo de alucinación | Alto | Reducido | Medio |
| Datos privados/internos | Limitado | Sí, sin exponerlos al entrenamiento | Sí, pero quedan "horneados" |
| Tiempo de puesta en marcha | Inmediato | Días | Semanas |
Por qué importa RAG en 2026
- 2020 — año del paper fundacional. El término RAG fue acuñado por Patrick Lewis y su equipo en el paper de NeurIPS 2020 publicado por Meta AI (entonces Facebook AI Research), que demostró que combinar recuperación y generación superaba a los modelos puramente paramétricos en tareas intensivas en conocimiento. Fuente: Lewis et al., "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", NeurIPS 2020 (arXiv:2005.11401).
- Patrón dominante en producción. Según los informes State of Data + AI de Databricks (2023-2024), el uso de bases de datos vectoriales y patrones de recuperación creció con fuerza desde 2023, consolidando RAG como una de las arquitecturas más habituales para llevar la IA generativa a producción con datos propios de cada empresa. Fuente: Databricks, State of Data + AI.
Casos de uso reales
- Asistentes sobre documentación interna: un chatbot que responde sobre manuales, políticas de RR. HH. o documentación técnica de la empresa.
- Soporte al cliente: respuestas basadas en la base de conocimiento y el historial de tickets, con citas a los artículos de ayuda.
- Búsqueda legal o médica: recuperar la cláusula o el estudio exacto antes de resumir, manteniendo la trazabilidad.
- Agentes de IA: los agentes modernos usan RAG como una de sus herramientas para consultar conocimiento antes de actuar.
RAG reduce las alucinaciones, pero no las elimina. La calidad de la respuesta depende directamente de la calidad de la recuperación: si se recuperan fragmentos irrelevantes o incompletos, el modelo seguirá generando errores. La estrategia de chunking, los embeddings y el re-ranking son tan importantes como el LLM elegido.
Preguntas frecuentes sobre RAG
¿RAG reemplaza al fine-tuning? No. RAG aporta conocimiento actualizado y trazable; el fine-tuning ajusta el estilo y el comportamiento del modelo. Lo habitual es combinarlos.
¿Necesito una base de datos vectorial para hacer RAG? En la mayoría de casos sí, porque permite la búsqueda por similitud semántica a escala. Para prototipos pequeños pueden bastar búsquedas por palabra clave o índices en memoria.
¿RAG sirve para mantener mis datos privados? Sí. Los documentos se consultan en el momento de responder y no se incorporan a los pesos del modelo, lo que facilita el control de acceso y el cumplimiento normativo.
¿Qué modelos puedo usar con RAG? Cualquier LLM con ventana de contexto suficiente: modelos comerciales como GPT o Claude, o modelos abiertos como Llama o Mistral desplegados en tu propia infraestructura.
