Glosario
RAG: qué es y por qué una IA con tus datos inventa menos
Definición
RAG (Retrieval-Augmented Generation) es una técnica en la que un modelo de lenguaje, antes de responder, recupera información de una fuente externa, como tu ERP o tus documentos, y la usa para redactar la respuesta. Así contesta con datos actuales de tu empresa y puede citar de dónde salen, en lugar de depender solo de lo que aprendió al entrenarse. Reduce las respuestas inventadas, aunque no las elimina.
RAG es la técnica por la que, antes de contestar, una IA busca en tus datos lo que necesita y responde apoyándose en eso. Es la diferencia entre un asistente que improvisa sobre tu empresa y uno que consulta tu programa y dice de dónde saca cada cifra.
Qué es exactamente
RAG significa generación aumentada con recuperación. El término viene del artículo de Patrick Lewis y su equipo (2020), que combinaba dos memorias: la paramétrica, es decir lo que el modelo guarda en sus pesos tras entrenarse, y una no paramétrica, un índice de documentos que un recuperador consulta en cada pregunta. El modelo genera la respuesta con los pasajes recuperados delante.
La idea cabe en tres pasos: se entiende la pregunta, se buscan los datos pertinentes en la fuente (un documento, una tabla, una consulta al programa) y se redacta la respuesta usando solo lo encontrado. Según los autores, las respuestas resultaban más precisas y más apoyadas en hechos que las de un modelo que solo usa su memoria interna.
También se le llama
RAG, Retrieval-Augmented Generation en inglés, o generación con recuperación. En productos se anuncia como «chatea con tus documentos», «IA con tus datos» o «asistente con base de conocimiento». Cuando lo que se recupera no son textos sino filas de una base de datos, a veces se llama RAG estructurado o consulta guiada por lenguaje natural.
Un ejemplo
Una pregunta típica en una empresa de bebidas: «¿cuántas cajas de cerveza sin alcohol hay en el almacén de Málaga y cuándo se acaban?». Sin RAG, un modelo de lenguaje no tiene ni idea de lo que hay en Málaga y podría responder con aplomo una cifra inventada.
Con RAG, el sistema primero consulta: existencias de ese producto en ese almacén (por ejemplo 84 cajas), ventas de las últimas semanas (22 por semana de media) y previsión de las próximas (24). Con esos tres datos delante, el modelo redacta: «Quedan 84 cajas en Málaga; al ritmo previsto, de 24 por semana, duran unas tres semanas y media. Existencias: dato de tu programa de hoy a las 07:00. Previsión: calculada el lunes». La respuesta lleva consigo su fuente.
Fíjate en lo que cambia. La cifra no sale de la memoria del modelo, sino de una consulta. Si el dato del programa estaba mal, la respuesta saldrá mal, pero el error será fácil de localizar porque se sabe de dónde vino.
Ojo con esto
RAG ayuda mucho, pero no es una garantía:
- Recuperar mal es responder mal: si la búsqueda trae el producto equivocado o un dato viejo, la respuesta será correcta sobre un dato erróneo.
- No elimina las alucinaciones: reduce el riesgo, pero el modelo puede aun así mezclar o resumir mal lo recuperado. Hay que exigir que cite la fuente.
- Más texto no es mejor: pasarle demasiado contexto puede diluir lo importante. Se recupera lo justo.
- Los datos desactualizados engañan: hay que dejar claro de cuándo es cada cifra.
- Para cálculos, no basta: las sumas y las previsiones deben hacerse con código y modelos estadísticos; RAG se ocupa de traer los datos y contar el resultado.
- Los permisos importan: si la IA puede consultar todo, un usuario podría preguntar por lo que no debe ver. El acceso se limita por usuario.
Dónde aparece en el sistema
El asistente funciona así. Cuando preguntas «¿cuánto stock queda en Sevilla?», el sistema consulta los datos que lee de tu programa con un usuario que solo puede leer, añade la previsión y el riesgo de rotura ya calculados, y es entonces cuando el modelo de lenguaje redacta la respuesta, indicando de dónde sale cada cifra. Para «¿y si mando dos menos?», recalcula el riesgo con esa variante y te enseña la diferencia.
Nada de esto cambia datos en tu programa: el asistente consulta y propone, la persona decide. El funcionamiento completo está en el asistente de IA sobre tu ERP, y el motor de cálculo en la previsión de demanda.
Términos relacionados
Modelo de lenguaje (LLM), alucinación de la IA, asistente conversacional, agente de IA y explicabilidad.
Preguntas frecuentes
¿RAG significa que la IA aprende de nuestros datos?
No en el sentido de reentrenarse. Consulta tus datos cuando hace falta y los usa para contestar, pero el modelo en sí no cambia. Por eso la información está siempre al día con la última lectura del programa.
¿Con RAG la IA ya no se equivoca?
Se equivoca menos, porque tiene los datos delante, pero no es infalible. Cada cifra debe llevar su origen para poder comprobarla.
¿Podemos usar RAG sobre documentos y no solo sobre cifras?
Sí: manuales, condiciones de proveedores o políticas internas se pueden consultar igual. En un sistema de stock, lo central son las cifras del programa y la previsión.
¿Dónde se guardan nuestros datos al usar esta técnica?
En nuestro sistema, los datos se alojan en la UE y el usuario de conexión a tu programa solo tiene permiso de lectura. Se consultan en el momento de la pregunta.