Guía sobre RAG: inteligencia artificial con consulta de fuentes

TL;DR. RAG permite que la IA consulte documentos externos antes de responder, en lugar de fiarse solo de su memoria de entrenamiento. Así gana actualidad y precisión y puede citar sus fuentes. Pero no elimina los errores: puede recuperar el documento equivocado, sacarlo de contexto o inventar conclusiones. Verificar la fuente que cita sigue siendo imprescindible.

Una situación cotidiana en la oficina

Imagine que llega un cliente a su tienda preguntando por una garantía compleja. Usted tiene dos opciones: intentar responder de memoria, arriesgándose a confundir los plazos de este año con los del anterior, o pedirle un momento al cliente para abrir la carpeta de normativas y leer el párrafo exacto antes de hablar.
Esa carpeta es, en esencia, lo que hace el sistema RAG para una inteligencia artificial. En lugar de confiar solo en lo que “aprendió” durante su entrenamiento, el sistema le permite consultar una fuente externa de confianza antes de generar una respuesta para el usuario 1, 2.

El problema que RAG intenta resolver

Las inteligencias artificiales actuales tienen un límite de conocimiento basado en la fecha en que terminaron de entrenarse 2. Si usted le pregunta a un modelo estándar por un contrato firmado ayer, la IA no lo conocerá. Además, estos modelos tienden a la “confabulación” (conocida comúnmente como alucinación): producen contenido que suena muy convincente pero que es falso o no se ajusta a los hechos 3, 4.
RAG intenta mitigar esto proporcionando a la IA información actualizada y específica sin necesidad de volver a entrenar todo el modelo, un proceso que sería extremadamente costoso y lento 1, 2.

Qué significa RAG sin tecnicismos

RAG son las siglas en inglés de Generación Aumentada por Recuperación 2.
Para entenderlo sin jerga:

• Recuperación: El sistema busca en una base de datos externa los documentos o párrafos que parecen tener la respuesta.
• Aumentada: Esa información encontrada se añade a la pregunta del usuario.
• Generación: La IA lee su pregunta más los documentos encontrados y redacta una respuesta coherente.

Es fundamental comprender que RAG no vuelve “más inteligente” a la IA de forma permanente 2. Es simplemente un proceso de consulta: la IA sigue siendo la misma, pero ahora tiene permiso para leer “apuntes” antes de responder 5.

Cómo funciona el sistema paso a paso

1. Preparación de los documentos: Los manuales o contratos se dividen en trozos pequeños llamados fragmentos (o chunks) 6.
2. Organización para la búsqueda: Estos fragmentos se procesan para que el sistema pueda encontrar similitudes matemáticas entre lo que usted pregunta y lo que dice el texto 6.
3. La consulta del usuario: Cuando usted hace una pregunta, el sistema busca en la base de datos los fragmentos que mejor “encajen” con su duda 7.
4. La entrega del material: El sistema selecciona los fragmentos con mayor puntuación de relevancia y se los entrega a la IA 8, 9.
5. Redacción final: La IA usa esos fragmentos como contexto para escribir la respuesta que usted recibe 1, 7.

Ejemplo principal: la política de devoluciones

Para ver cómo funciona esto en la vida real, imagine una tienda de ropa ficticia que usa una IA con RAG para atender a sus empleados.
Caso 1: Funcionamiento correcto

• Empleado: “¿Se puede devolver una prenda sin etiqueta?”
• El sistema RAG: Busca en el manual y encuentra el fragmento: “Solo se aceptarán devoluciones de prendas que conserven la etiqueta original”.
• Respuesta de la IA: “No, según nuestra política de empresa, es obligatorio que la prenda conserve la etiqueta para procesar la devolución” 1.

Caso 2: Información antigua o contradictoria

• Empleado: “¿Cuánto tiempo tiene el cliente para devolver un artículo?”
• El sistema RAG: Por error, recupera un documento del año 2022 en lugar del actual de 2024.
• Respuesta de la IA: “El cliente tiene 15 días”. (Aunque la política actual sea de 30 días, la IA respondió basándose en el documento antiguo que el sistema le entregó) 1.

Caso 3: Conclusión no respaldada

• Empleado: “¿Qué pasa si la prenda está usada?”
• El sistema RAG: Recupera un fragmento que dice: “Las prendas deben estar en perfecto estado”.
• Respuesta de la IA: “No se aceptan prendas usadas y, además, el cliente perderá su derecho a futuras compras en la tienda”. (El fragmento no decía nada sobre prohibir compras futuras; la IA inventó esa conclusión punitiva basándose en su propio entrenamiento y no en la fuente) 10.

Diferencia entre responder de memoria y consultar fuentes

Cuando una IA responde “de memoria” (memoria paramétrica), utiliza los patrones estadísticos que aprendió hace meses o años 2, 4. No puede citar una fuente porque la información está diluida en su estructura interna.
Al usar RAG (memoria no paramétrica), la IA tiene un punto de referencia externo 2. Esto permite, teóricamente, que la IA le indique exactamente de qué documento extrajo la respuesta, lo que facilita la verificación por parte de un humano 2, 11.

Qué puede mejorar RAG

• Actualidad: Permite que la IA conozca hechos ocurridos hace minutos si los documentos se cargan en el sistema 1.
• Precisión en datos específicos: Es excelente para encontrar números de serie, códigos de error o cláusulas legales que una IA normal olvidaría 12.
• Reducción de invenciones: Al forzar a la IA a mirar un texto, es menos probable que invente una respuesta desde cero, aunque no imposible 10, 13.

Lo que RAG no garantiza

Es un error común pensar que RAG es la solución definitiva contra las alucinaciones. Disponer de documentos no elimina las respuestas no respaldadas 10. La IA puede ignorar el documento, malinterpretarlo o dar más peso a lo que “cree saber” por su cuenta que a lo que dice el papel que tiene delante 10, 14.

Un caso donde varias IAs validaron un proyecto inviable pese a disponer de datos suficientes está descrito en este experimento con IAs que validan sin verificar.

Fallos posibles del sistema

El proceso puede romperse en varios puntos:

1. Recuperar el documento equivocado: El sistema de búsqueda puede confundirse por palabras similares y entregarle a la IA un contrato de otro cliente 1.
2. No encontrar el fragmento correcto: Si la respuesta está escondida en un párrafo muy largo, el sistema de búsqueda podría pasarlo por alto 15.
3. Utilizar información antigua: Si conviven varias versiones de un documento, el sistema RAG puede elegir la obsoleta 1.
4. Perder el contexto del fragmento: Al trocear los textos para que la IA los lea rápido, se puede perder información vital. Por ejemplo, un fragmento que dice “esto está prohibido” podría perder la frase anterior que decía “En el caso de menores de edad…” 1, 16.
5. Redactar afirmaciones sin respaldo: La IA puede recibir la fuente correcta pero añadir de su propia cosecha datos que el texto no sostiene 10.

Cómo comprobar una respuesta generada con RAG

Nunca confíe ciegamente en una respuesta solo porque la IA diga que ha consultado una fuente. La mejor forma de verificar es pedirle al sistema que le muestre el fragmento exacto del documento que utilizó. Si la IA no puede mostrarle el texto original o si el texto original dice algo distinto a la respuesta redactada, la información no es fiable 11, 17.

Cinco preguntas antes de confiar en el sistema

1. ¿De qué fecha es el documento que la IA ha consultado para esta respuesta? 18
2. ¿El fragmento de texto recuperado contiene realmente la respuesta o la IA está deduciendo? 10
3. ¿Se ha entregado a la IA el documento completo o solo un pequeño trozo que podría estar fuera de contexto? 16
4. ¿Existen otras versiones de este documento en el sistema que puedan contradecir esta respuesta? 1, 18
5. Si el sistema no encuentra ninguna fuente, ¿me lo dirá claramente o intentará responder de todos modos usando su memoria? 14, 19, 20

Cierre

RAG no es una fórmula mágica que conecta a la IA con la verdad absoluta. Es una herramienta de consulta que ayuda a la IA a ser más precisa proporcionándole información externa, pero el éxito final depende de que los documentos estén actualizados, de que el sistema de búsqueda encuentre el párrafo correcto y de que la IA sea capaz de ceñirse estrictamente a lo que ha leído 1, 10.

Fuentes utilizadas

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Patrick Lewis et al. (Facebook AI Research, UCL, NYU). Mayo 2020 (revisado en abril 2021).
• RAGTruth: A Hallucination Corpus for Developing Trustworthy Retrieval-Augmented Language Models. Cheng Niu et al. Diciembre 2023 (revisado en mayo 2024).
• Contextual Retrieval in AI Systems. Anthropic (Fabricante de la IA Claude). Septiembre 2024.
• Artificial Intelligence Risk Management Framework: Generative AI Profile (NIST AI 600-1). National Institute of Standards and Technology (NIST). Julio 2024.
• Lost in the Middle: How Language Models Use Long Contexts. Nelson F. Liu et al. Julio 2023 (revisado en noviembre 2023).

Resumen de la guía

RAG es un sistema que permite a la IA consultar documentos externos antes de responder, actuando como una “búsqueda en tiempo real” para evitar depender solo de su memoria. Aunque mejora la precisión y permite usar datos actuales, no garantiza respuestas perfectas, ya que la IA puede recuperar fragmentos antiguos, incompletos o inventar conclusiones que el texto original no respalda. La verificación humana sigue siendo esencial.

Tabla de verificación

📄 Esta guía también está disponible en formato PDF para consulta offline.