Qué es RAG en IA: cómo usarlo con tus documentos

RAG (retrieval-augmented generation, generación aumentada por recuperación) es una técnica que hace que un modelo de lenguaje responda con información de tus documentos. Antes de generar la respuesta, el sistema busca los fragmentos relevantes en tu documentación y se los da al modelo como contexto. Así el modelo responde con datos de tu empresa, cita la fuente y no necesitas entrenarlo de nuevo.

En esta guía te explicamos de dónde viene el término, cómo funciona por dentro, cuándo elegir RAG frente a otras opciones, qué problemas de calidad aparecen y qué exigen el RGPD y el Reglamento europeo de IA.

De dónde viene el término RAG

El término viene de un artículo de investigación de 2020: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, de Patrick Lewis y otros autores. El artículo define RAG como modelos que combinan dos tipos de memoria para generar texto:

• Memoria paramétrica: lo que el modelo de lenguaje aprendió durante su entrenamiento. Es general y no se puede actualizar sin volver a entrenar.
• Memoria no paramétrica: un índice de documentos externos que el sistema consulta en cada pregunta. Lo puedes actualizar cuando quieras.

Para una empresa, esta separación es la clave. El modelo aporta la capacidad de entender y redactar. Tus documentos aportan los hechos. Si un procedimiento cambia, actualizas el documento y la siguiente respuesta ya usa la versión nueva.

Cómo funciona un sistema RAG paso a paso

Un sistema RAG sobre documentos de empresa tiene dos fases. La primera prepara los documentos. La segunda responde a cada pregunta.

Fase 1: preparar los documentos

1. Ingesta. El sistema recoge los documentos de sus fuentes: carpetas compartidas, gestor documental, intranet, base de conocimiento o tickets resueltos. Convierte cada formato (PDF, Word, HTML, correo) en texto limpio y guarda los metadatos: autor, fecha, departamento y quién tiene permiso para verlo.
2. Troceado. Divide cada documento en fragmentos de tamaño manejable, normalmente por secciones o párrafos. Un fragmento demasiado grande mete ruido. Uno demasiado pequeño pierde el contexto.
3. Embeddings. Un modelo de embeddings convierte cada fragmento en un vector: una lista de números que representa su significado. Dos textos que hablan de lo mismo tienen vectores cercanos, aunque usen palabras distintas.
4. Base de datos vectorial. Los vectores se guardan en una base de datos que permite buscar por similitud. Puede ser un producto específico o una extensión de una base de datos que ya usas, como pgvector para PostgreSQL.

Fase 2: responder a una pregunta

5. Recuperación. La pregunta del usuario se convierte también en un vector. El sistema busca los fragmentos más cercanos y aplica filtros por metadatos, por ejemplo, solo documentos vigentes o solo los que ese usuario puede ver. Muchos sistemas combinan esta búsqueda semántica con una búsqueda por palabras clave para no perder nombres propios o códigos.
6. Generación con citas. El modelo de lenguaje recibe la pregunta y los fragmentos recuperados, con la instrucción de responder solo con esa información. La respuesta incluye la referencia a cada documento usado, para que el usuario pueda comprobarla. Si los fragmentos no contienen la respuesta, el sistema debe decir que no la sabe.

RAG, fine-tuning o contexto largo: qué elegir

Hay tres formas habituales de que un modelo use el conocimiento de tu empresa. No compiten entre sí: resuelven problemas distintos.

Los modelos actuales aceptan contextos muy grandes; algunos llegan a un millón de tokens. Pero más contexto no siempre es mejor. La misma documentación advierte que la precisión baja cuando crece el número de tokens. El estudio Lost in the Middle (Liu y otros, 2023) ya mostró que los modelos usan peor la información situada en mitad de un contexto largo. Por eso, para un fondo documental grande que cambia, RAG sigue siendo la opción más práctica.

Una regla útil: si la pregunta es “qué dicen nuestros documentos sobre X”, empieza por RAG. El fine-tuning casi nunca es el primer paso, como explicamos en la guía de agentes de IA para empresas.

Casos de uso de RAG en una empresa

RAG encaja cuando hay mucha documentación, la gente pierde tiempo buscando en ella y la respuesta correcta está escrita en algún sitio.

• Base de conocimiento interna. El equipo pregunta en lenguaje natural sobre procedimientos, políticas de RR. HH., manuales técnicos o normativa interna. El asistente responde y enlaza el documento fuente.
• Chatbot de atención al cliente con tu documentación. El chatbot responde con manuales de producto, condiciones del servicio y preguntas frecuentes. Si la pregunta requiere datos del cliente o una acción, como crear una cita o consultar un pedido, el chatbot necesita además herramientas conectadas a tus sistemas. Ahí entra la parte de agente.
• Búsqueda en contratos y procedimientos. Localiza cláusulas, plazos o requisitos en cientos de documentos y resume lo que dicen, con la referencia exacta. La persona revisa el original antes de decidir.

Qué hemos construido en LCApps

En LCApps hemos desarrollado un servicio de RAG sobre documentos: procesa los documentos, los indexa en una base de datos vectorial y devuelve los fragmentos relevantes para cada pregunta. Es la base de chatbots multicanal (web, WhatsApp, SMS y Telegram) que responden con la documentación de la empresa y, cuando hace falta, consultan datos reales del negocio y ejecutan acciones.

También hemos construido servidores MCP, que conectan asistentes de IA con sistemas de gestión. Un servicio RAG se puede exponer como herramienta MCP para que cualquier asistente compatible lo use. Lo explicamos en qué es MCP (Model Context Protocol).

Diseñamos y operamos todos estos proyectos respetando el RGPD y el Reglamento de IA de la UE.

Problemas de calidad que debes prever

Un piloto de RAG suele funcionar bien en la demo y fallar en los detalles. Estos son los problemas más habituales:

• Alucinaciones. RAG las reduce, pero no las elimina. El modelo puede mezclar dos fragmentos o completar con lo que “sabe” de su entrenamiento. Mitígalo con instrucciones estrictas, citas obligatorias y la opción explícita de responder “no lo encuentro en la documentación”.
• Documentos desactualizados o duplicados. Si conviven tres versiones de un procedimiento, el sistema puede citar la antigua. Antes de indexar, decide qué fuentes son oficiales y marca las versiones vigentes. RAG no ordena tu documentación: hace visible el desorden.
• Permisos por usuario. Un asistente que responde a toda la empresa no puede mostrar nóminas o contratos a quien no debe verlos. Los permisos se aplican en la recuperación, con los metadatos de cada fragmento, y deben coincidir con los del sistema de origen. Filtrar solo en la respuesta final no basta.
• Recuperación pobre. Si el sistema no encuentra el fragmento correcto, el mejor modelo no puede responder bien. Las causas típicas son un troceado inadecuado, tablas o PDF escaneados mal convertidos, o siglas internas que el modelo de embeddings no entiende.
• Falta de evaluación. Sin medición, cada cambio es una apuesta. Prepara un conjunto de preguntas reales con su respuesta y documento correctos. Mide si el sistema recupera el documento correcto, si la respuesta es fiel a la fuente y si es útil. Repite la medición después de cada cambio.

Seguridad, RGPD y Reglamento europeo de IA

Los documentos de una empresa contienen datos personales: nombres en contratos, datos de empleados, correos de clientes. Al indexarlos, creas un nuevo tratamiento de datos.

RGPD

El RGPD se aplica igual que a cualquier otro sistema. Los puntos que más afectan a un proyecto RAG son:

• Minimización (artículo 5). Indexa solo los documentos necesarios para el caso de uso. Excluye carpetas con datos sensibles que nadie necesita consultar con el asistente.
• Control de acceso y seguridad (artículo 32). Respeta los permisos de origen, cifra los datos y registra quién consulta qué.
• Ubicación de los datos y transferencias (capítulo V). Comprueba dónde se guardan los vectores y dónde se procesan las peticiones al modelo. Si salen del Espacio Económico Europeo, necesitas una base para la transferencia internacional.
• Encargados del tratamiento (artículo 28). El proveedor del modelo, el de embeddings y el de la base de datos vectorial tratan datos por tu cuenta. Necesitas un contrato con cada uno y revisar si usan tus datos para entrenar.
• Evaluación de impacto (artículo 35). Si el sistema trata datos sensibles a gran escala o perfila a personas, puede ser obligatoria.
• Derechos de los interesados. Si una persona pide suprimir sus datos, también hay que borrarlos del índice, no solo del documento original.

Reglamento europeo de IA (AI Act)

El Reglamento (UE) 2024/1689 obliga, en su artículo 50, a que las personas sepan que interactúan con un sistema de IA, salvo que sea evidente. Esta obligación se aplica desde el 2 de agosto de 2026. Si tu chatbot RAG atiende a clientes o al público, indícalo con claridad al inicio de la conversación.

El Reglamento (UE) 2026/1744, conocido como “Ómnibus digital sobre IA”, entró en vigor el 27 de julio de 2026. No cambia esa obligación de informar al usuario. Sí aplaza las obligaciones de los sistemas de alto riesgo: al 2 de diciembre de 2027 para los del anexo III y al 2 de agosto de 2028 para los del anexo I. Un asistente RAG sobre documentación interna no suele ser de alto riesgo. Puede serlo si interviene en decisiones de empleo, de crédito o de acceso a servicios esenciales: revísalo antes de empezar.

Cómo hacer un piloto de RAG en tu empresa

1. Elige una pregunta de negocio. Por ejemplo: “el equipo de soporte tarda demasiado en encontrar la solución a incidencias ya conocidas”.
2. Selecciona y limpia las fuentes. Qué documentos son oficiales, cuáles están vigentes y quién puede ver cada uno.
3. Prepara el conjunto de evaluación. Recoge entre 50 y 100 preguntas reales con su respuesta correcta y el documento donde está.
4. Revisa datos y contratos. Qué datos personales contienen los documentos, qué proveedores intervienen y dónde se procesan.
5. Construye el piloto con ingesta, recuperación filtrada por permisos y respuestas con cita. Si los usuarios son externos, añade el aviso de que hablan con una IA.
6. Mide con usuarios reales durante unas semanas:
   • Porcentaje de respuestas correctas con la fuente correcta.
   • Porcentaje de preguntas donde el sistema dice “no lo sé” cuando debe.
   • Tiempo ahorrado por consulta.
   • Coste por consulta.
   • Valoración de los usuarios.
7. Decide con datos. Amplía a más fuentes, corrige la documentación o descarta el caso.

Si el piloto necesita integraciones con tus sistemas, el coste se calcula como en cualquier desarrollo: lo explicamos en cuánto cuesta un software a medida.

Preguntas frecuentes

¿RAG entrena el modelo con mis documentos?

No. En RAG el modelo no aprende tus documentos: los consulta en cada pregunta. Por eso puedes actualizar o borrar un documento y el cambio se aplica en la siguiente respuesta. Revisa igualmente las condiciones del proveedor del modelo sobre el uso de los datos enviados.

¿RAG elimina las alucinaciones?

Las reduce, pero no las elimina. Las citas, la evaluación continua y la opción de responder “no lo sé” son las defensas principales. En decisiones con impacto, una persona revisa la fuente.

¿Qué diferencia hay entre RAG y un agente de IA?

RAG es una técnica para recuperar información. Un agente decide pasos y ejecuta acciones con herramientas. Muchos agentes usan RAG como una de sus herramientas. Lo explicamos en agentes de IA para empresas.

¿Cuánto tarda un piloto?

Depende del volumen y del estado de la documentación. Un piloto acotado, con una fuente y un grupo de usuarios, suele medirse en semanas, no en meses. La parte que más tiempo consume suele ser ordenar las fuentes y preparar la evaluación.

Conclusión

RAG es la forma más práctica de que una IA responda con el conocimiento de tu empresa: usa tus documentos vigentes, cita la fuente y respeta los permisos de cada usuario. La calidad depende más de la documentación, el troceado y la evaluación que del modelo elegido.

En LCApps hacemos proyectos de IA a medida: RAG sobre documentos, chatbots multicanal, agentes y servidores MCP conectados a los sistemas que ya usas, siempre conforme al RGPD y al Reglamento de IA. Cuéntanos qué proceso quieres mejorar y te ayudamos a diseñar un piloto realista.