Qué es RAG y cómo crear una IA que responda con los datos de tu empresa

Qué es RAG

RAG son las siglas de retrieval-augmented generation, que en español se suele traducir como generación aumentada por recuperación. El nombre viene de un artículo de investigación de 2020 firmado por Lewis y otros investigadores de Facebook AI Research, y describe los dos pasos que da el sistema cada vez que alguien pregunta:

1. Recuperación. El sistema busca en tus documentos y elige los pocos fragmentos que tienen más probabilidades de contener la respuesta.
2. Generación. Envía esos fragmentos, junto con la pregunta, a un modelo de lenguaje (GPT, Claude, Gemini, Llama o similar) con una instrucción: responde solo con este texto y dilo si la respuesta no está.

Quien redacta sigue siendo el modelo, así que la respuesta se lee de forma natural. Pero los datos salen de tus documentos, no de lo que el modelo aprendió en su entrenamiento. Esa es toda la idea.

Para que la búsqueda funcione, los documentos se preparan antes: se extrae el texto, se divide en fragmentos cortos y se guarda en un índice que se consulta por significado y no por palabras exactas. Por eso la pregunta «¿cuántos días de vacaciones tengo después del primer año?» encuentra el párrafo titulado «Régimen de vacaciones anuales».

RAG frente a ChatGPT: en qué se diferencian

ChatGPT, Copilot o Gemini, usados tal cual, son asistentes generalistas. Escriben, resumen y razonan muy bien, y saben mucho del mundo hasta su fecha de entrenamiento. De tu empresa no saben nada, salvo que alguien pegue la información en la conversación.

Un sistema RAG hace ese copiar y pegar de forma automática, en cada pregunta, con los documentos adecuados y solo con los que la persona que pregunta tiene permiso para ver.

	Chatbot genérico (ChatGPT tal cual)	Sistema RAG
De dónde salen las respuestas	De lo que aprendió el modelo al entrenarse	De tus documentos, consultados en cada pregunta
Información de tu empresa	Solo si la pegas	Integrada, de todas las fuentes conectadas
Cuando cambia un documento	No se entera	Usa la versión nueva desde el siguiente indexado
Cita la fuente	No	Sí, documento y página
Cuando no sabe algo	Puede inventarse una respuesta creíble	Puede responder «no encuentro esa información»
Permisos	No aplica	Cada persona solo recibe respuestas de lo que puede consultar

Mucha gente pregunta si no sería mejor «entrenar a ChatGPT con nuestros datos». Eso se llama fine-tuning y, para el conocimiento de una empresa, casi nunca es la herramienta adecuada: es caro, hay que repetirlo cada vez que cambia la información y sigue sin poder decir de dónde sale una respuesta. El fine-tuning sirve para enseñar a un modelo un estilo o un formato. Para datos, lo que necesitas es RAG.

De dónde saca la información un sistema RAG

De donde ya están tus documentos. Un sistema bien hecho lee de las fuentes que ya existen en lugar de obligar a todo el mundo a mover sus archivos a otra herramienta. Las más habituales son:

• Carpetas de SharePoint, OneDrive y Google Drive
• Wikis y bases de conocimiento como Confluence o Notion
• Gestores documentales, donde suelen estar contratos y expedientes
• Artículos de ayuda e históricos de tickets de soporte
• Datos estructurados del CRM, el ERP o bases de datos internas, cuando la respuesta depende de cifras al día

Qué documentos funcionan mejor

El texto digital limpio (archivos Word, Google Docs, PDF generados desde el ordenador) es el caso fácil. Todo se complica, y se encarece, con páginas escaneadas o fotografiadas, tablas complejas y hojas de cálculo, planos técnicos y lo que aún está en papel. Todo eso hay que convertirlo antes en texto legible, y es la parte del presupuesto que más se subestima.

La otra trampa es la calidad. Si en la carpeta compartida hay tres versiones del mismo procedimiento, el sistema encontrará las tres. Cualquier proyecto serio empieza por decidir qué documentos son la versión buena y cuáles se quedan fuera.

Permisos: quién puede ver qué

Es la pregunta que convierte un proyecto de dos meses en uno de cinco, y casi nadie la hace en la primera reunión.

Si en tu empresa todo el mundo puede abrir todos los documentos, los permisos son sencillos. En la mayoría no es así: expedientes de RRHH, actas del comité de dirección, bandas salariales y contratos de clientes tienen el acceso restringido. Un sistema RAG tiene que respetar esas restricciones en cada respuesta. Si no, cualquiera podría preguntarle al asistente por algo que no puede abrir, y la IA se lo resumiría encantada.

Hay tres niveles habituales:

• Abierto a todos. Una base común sin restricciones. La opción más barata y suficiente para contenidos de ayuda públicos.
• Por departamento. Comercial ve la documentación comercial y técnica la técnica. Esfuerzo moderado.
• Por persona o por cliente. El sistema comprueba, para cada usuario, los permisos originales de cada documento, normalmente leyéndolos de SharePoint o Google Drive. La opción más sólida y la más laboriosa.

Cómo se mantiene la información al día

Una de las grandes ventajas de RAG frente a un modelo reentrenado es que actualizarlo cuesta poco. Cuando cambia un documento, solo hay que volver a leer e indexar ese documento. La frecuencia es una decisión de diseño:

• Una sincronización cada noche o cada semana basta si los documentos cambian poco.
• La actualización casi en tiempo real compensa en contenidos de soporte, tarifas y todo lo que cambia varias veces por semana.
• Los documentos borrados o caducados también tienen que salir del índice. Es fácil olvidarlo y provoca algunas de las respuestas equivocadas más embarazosas.

Citar la fuente: más importante de lo que parece

Un sistema RAG sabe exactamente qué fragmentos ha usado para cada respuesta, así que puede mostrarlos. Hay proyectos que se quedan en nombrar el documento y otros que enlazan a la página exacta y la abren con un clic.

Parece un extra. En la práctica es lo que decide si la gente se fía de la herramienta. Quien puede comprobar la fuente en dos segundos se apoya en la respuesta; quien no puede, vuelve a preguntarle a su compañera. Además, las citas dejan los errores a la vista enseguida, y así es como el sistema mejora.

Seguridad y privacidad

La primera pregunta de sistemas y del departamento legal casi siempre es la misma: ¿nuestros documentos van a acabar entrenando la IA de otro? Con los contratos empresariales de los grandes proveedores, no. OpenAI, por ejemplo, afirma que no entrena sus modelos con datos empresariales enviados por su API o sus productos para empresas, y Microsoft explica cómo montar RAG con Azure AI Search dentro de tu propio entorno de Azure.

A partir de ahí, las decisiones que importan son estas:

• Dónde se procesan los datos. Para una empresa europea, usar centros de datos en la UE suele ser obligatorio por el RGPD.
• Qué modelo. Con información especialmente sensible (salud, finanzas, legal), el sistema puede funcionar con modelos abiertos desplegados en tu propia nube, sin que nada salga de tu infraestructura.
• Trazabilidad. Quién preguntó qué y qué documentos se usaron debería quedar registrado y poder revisarse.
• Transparencia. Si lo usan clientes o el público, el Reglamento europeo de IA obliga a avisar de que están hablando con una IA.

Cuánto cuesta crear un sistema RAG

Menos de lo que la mayoría espera para un piloto y más de lo que espera para un sistema de toda la empresa. El modelo de IA rara vez es lo caro. El precio depende del número de documentos y su estado, de en cuántos sitios están, del modelo de permisos y de si las respuestas tienen que citar la página exacta.

Tipo de proyecto	Alcance típico	Desarrollo	Costes mensuales
Piloto	Un equipo, una fuente, documentos limpios, interfaz web sencilla	5.000 – 15.000 €	150 – 600 €/mes
Departamental	Varias fuentes, permisos por departamento, citas, Teams o Slack	15.000 – 35.000 €	600 – 2.000 €/mes
Toda la empresa	Muchas fuentes, documentos escaneados, permisos por persona, datos sensibles	35.000 – 60.000 €+	desde 2.000 €/mes

Son rangos orientativos del mercado europeo, sin IVA. Los costes mensuales cubren el modelo de IA, el índice de búsqueda y el alojamiento, y crecen con el número de preguntas: una herramienta para 20 personas cuesta mucho menos de mantener que un asistente abierto a todos tus clientes.

Si quieres una cifra más cercana a tu caso, nuestra calculadora te hace diez preguntas sobre tus documentos, dónde están guardados y quién tiene que verlos:

Casos de uso en los que RAG compensa

Buena parte de la semana de un empleado se va en buscar información. Un estudio de McKinsey muy citado lo cifró en 1,8 horas al día para los trabajadores de oficina cuyo trabajo consiste sobre todo en manejar información. Estos son los casos en los que un sistema RAG recupera ese tiempo más rápido:

Conocimiento interno y acogida

Políticas de RRHH, procedimientos, información de producto y preguntas del tipo «¿esto aquí cómo se hace?». Las nuevas incorporaciones dejan de interrumpir a las mismas tres personas, y esas tres recuperan sus tardes.

Atención al cliente

O de cara al cliente, respondiendo con tu centro de ayuda y pasando a una persona lo que no está claro, o para el equipo de soporte, que ve junto a cada ticket el fragmento del manual que aplica. La segunda opción es un punto de partida más seguro.

Legal, cumplimiento y contratos

Encontrar una cláusula, una fecha de renovación o una obligación entre cientos de contratos, normas o expedientes, con enlace a la página exacta. Aquí es donde más cuentan las citas y los permisos.

Propuestas comerciales y licitaciones

Redactar respuestas a licitaciones a partir de propuestas anteriores, casos de éxito y fichas técnicas. El primer borrador lleva minutos en lugar de días, y el equipo dedica su tiempo a lo que de verdad es nuevo.

Técnicos de campo y documentación técnica

Los técnicos preguntan desde el móvil por una máquina o una instalación y reciben la respuesta del manual, también de fichas escaneadas y planos.

Si además el asistente tiene que hacer cosas, como actualizar una ficha del CRM o reservar una visita, ya no hablamos solo de RAG sino de un agente de IA. Y si lo que buscas es un chatbot que lea en vivo datos de tu CRM o tu ERP en lugar de documentos, te lo contamos en cómo crear un chatbot con IA conectado a tu base de datos.

Cómo empezar un proyecto RAG

Los proyectos que salen bien empiezan pequeños y medibles:

1. Elige un equipo y un tipo de pregunta. «Soporte responde dudas de producto» es un buen alcance. «Todo el conocimiento de la empresa», no.
2. Reúne entre 50 y 100 preguntas reales que hace ese equipo, con su respuesta correcta. Será la prueba que diga si el sistema funciona.
3. Revisa los documentos que hay detrás de esas respuestas: dónde están, en qué formato, si están al día y quién puede verlos.
4. Construye el piloto y mídelo con esas preguntas antes de que nadie dependa de él.
5. Amplía poco a poco a más fuentes y equipos cuando el acierto sea el que necesitas.

En Yeeply te ayudamos justo con esto. Definimos contigo el alcance, te presentamos propuestas de empresas certificadas de nuestra red que ya han construido sistemas parecidos y supervisamos el desarrollo hasta el lanzamiento. Tienes todos los detalles en nuestra página de sistema RAG para empresas.

Si quieres una propuesta para tu caso, pulsa «Solicitar presupuesto» arriba a la derecha o escríbenos a sales@yeeply.com. Cuéntanos qué documentos tienes, dónde están y quién necesita respuestas de ellos.