4.4RAG: hacer que la IA responda a partir de tus documentos
Lo esencial en 30 segundos
- El RAG = recuperar Y LUEGO generar : se buscan los pasajes pertinentes en tus documentos y se proporcionan al modelo con la pregunta.
- Respuestas ancladas : menos invenciones, citas posibles, actualización fácil — se reindexa, sin reentrenar.
- Reflejo de Lina : exigir las fuentes y un « no lo sé » cuando la información no está en los documentos.
Minicaso guiado — Lina conecta la IA a los procedimientos
El agente de soporte de Lina choca con un límite : la IA responde « de memoria » y a veces inventa procedimientos. Lina reúne las FAQ y los procedimientos internos en Orán, los hace dividir en fragmentos, convertir y almacenar para la búsqueda, y luego conecta el flujo : pregunta → pasajes recuperados → respuesta a partir de esos pasajes, fuentes citadas. Cuando cambia un documento, reindexa. Su chatbot por fin conoce la empresa — sin inventar.
Continuación del caso 4.1-4.3 — Lina ancla su IA en los documentos de casa.
1. El principio del RAG
Un modelo de lenguaje no conoce tus documentos internos. El RAG (Retrieval-Augmented Generation, « generación aumentada por recuperación ») lo resuelve de forma sencilla : en lugar de dejar que la IA responda de memoria, se buscan primero los pasajes pertinentes en tus documentos y luego se proporcionan al modelo con la pregunta. La IA responde entonces a partir de tus contenidos — eso es lo que permite un chatbot interno que conoce tu empresa, como el de Lina.
2. El mecanismo, sin jerga
En práctica : se dividen los documentos en fragmentos de tamaño adecuado, se transforman en representaciones numéricas (llamadas embeddings, listas de números que capturan el sentido) almacenadas en una base prevista para la búsqueda por sentido (base vectorial). Con cada pregunta, se recuperan los fragmentos más cercanos al sentido de la pregunta y se inyectan en el prompt. Herramientas no-code (nodos dedicados en n8n) montan este circuito sin programar.
Beneficios : respuestas ancladas en tus fuentes (menos invenciones), citas posibles, actualización fácil (se reindexan los documentos modificados). Una de las aplicaciones de IA más útiles en la empresa — a condición de mantener el espíritu crítico (ver trampas).
3. ¿Por qué no pegar simplemente los documentos ?
Porque no escala : no se pegan cientos de páginas en cada prompt (límite de tamaño, coste, información ahogada). El RAG solo proporciona los pocos pasajes pertinentes para la pregunta planteada. Pegar los documentos funciona para un texto corto puntual ; el RAG es la verdadera solución para una base de conocimientos — y Lina lo comprueba con sus procedimientos.
🔎 Ejemplo concreto — 🔎 Ejemplo concreto — Un chatbot documental
El circuito de Lina para responder sobre los procedimientos de casa :
Indexación : FAQ/procedimientos → fragmentos → búsqueda por sentido
Pregunta → 3-4 pasajes recuperados
→ inyectados en el prompt → respuesta (con citas)
→ reindexar con cada actualización de los documentos.Lectura : la respuesta refleja los documentos, no la memoria del modelo.
Lección : pedir que cite las fuentes y que diga « no lo sé ».
Vocabulario de la sección
- RAG
- Método que hace responder a la IA a partir de tus documentos : buscar los pasajes pertinentes y luego proporcionarlos al modelo para que responda sobre ellos.
Ejemplo sencillo: El chatbot de Lina responde sobre los procedimientos internos en lugar de inventar.
Lo que no es: un reentrenamiento del modelo con tus datos.
Reflejo: preguntar siempre : ¿en qué pasajes se apoya esta respuesta ?
- Embedding
- Representación numérica de un texto (lista de números) que permite medir la proximidad de sentido entre fragmentos.
Ejemplo sencillo: Dos párrafos de procedimientos cercanos en sentido tienen representaciones cercanas.
Lo que no es: un resumen legible del documento.
Reflejo: retener la idea (comparar el sentido), no la técnica.
- Base vectorial
- Base prevista para almacenar estas representaciones y recuperar rápido los pasajes más cercanos a una pregunta.
Ejemplo sencillo: Lina almacena sus procedimientos divididos para la búsqueda por sentido.
Lo que no es: una simple carpeta de archivos PDF.
Reflejo: comprobar quién puede interrogar esta base (derechos de acceso).
- División (chunking)
- División de los documentos en fragmentos de tamaño adecuado antes de la indexación, para una búsqueda pertinente.
Ejemplo sencillo: Lina divide por procedimiento coherente, no en páginas arbitrarias.
Lo que no es: el envío del documento entero en cada prompt.
Reflejo: dividir por unidad de sentido, probar, ajustar.
- Alucinación
- Respuesta inventada por un modelo ; el RAG la reduce anclando la respuesta en fuentes proporcionadas.
Ejemplo sencillo: Antes del RAG, la IA de Lina inventaba pasos de procedimiento.
Lo que no es: un error de escritura o un fallo de software.
Reflejo: exigir fuentes + « no lo sé » y controlar lo crítico.
En la práctica — En práctica — Construir un mini-RAG documental
- Reúne una base documental (FAQ, procedimientos) y divídela en fragmentos coherentes, como Lina.
- Prepara la búsqueda por sentido (representaciones + base prevista para ello, con nodos n8n dedicados).
- Construye el flujo : pregunta → búsqueda de pasajes cercanos → inyección en el prompt → respuesta del modelo, fuentes exigidas.
- Prueba con preguntas reales, comprueba que las respuestas reflejen tus documentos, y reindexa cuando cambien los documentos.
Guion listo para decir — enmarcar el RAG con la DSI (30 s)
« Soy Lina : quiero indexar nuestras FAQ y procedimientos para un chatbot interno que cite sus fuentes. Antes de cargar los documentos reales, hago validar con vosotros el perímetro (qué documentos, qué accesos), probamos con copias, y definimos quién reindexa con cada actualización. »
Para decir antes de indexar documentos sensibles ; registrar el perímetro autorizado.
Modelo para copiar-pegar — ficha RAG (ejemplo ficticio)
FICHA RAG — ejemplo ficticio para adaptar
DOCUMENTOS AUTORIZADOS : _______________ (FAQ, procedimientos v. ___)
EXCLUIDOS (sensibles / confidenciales) : _______________
DIVISIÓN : por unidad de sentido, tamaño probado el : _______________
FLUJO : pregunta → 3-4 pasajes → prompt → respuesta + fuentes
CONSIGNA AL MODELO : « cita tus fuentes ; di no lo sé si está ausente »
REINDEXACIÓN : por _______________ con cada actualización
AVAL DSI/RSSI EL : _______________Base pequeña (10-20 páginas)
Ideal para empezar : división sencilla, pruebas rápidas, valor visible en pocos días.
Documentos con acceso restringido
Como Lina : indexar solo el perímetro autorizado y alinear los derechos de respuesta con los derechos de los documentos.
Documentos que cambian a menudo
Nombrar un responsable de reindexación : un RAG con documentos obsoletos responde bien… sobre el pasado.
Respuestas críticas (nómina, seguridad)
Mantener un control humano sistemático : el RAG reduce las invenciones, no las elimina.
✓ Buenas prácticas
- Dividir en fragmentos coherentes antes de indexar.
- Exigir fuentes y « no lo sé ».
- Reindexar con cada actualización.
✗ Errores frecuentes
- Pegar cientos de páginas en el prompt.
- Creer que las alucinaciones están totalmente eliminadas.
- Olvidar el control humano en lo crítico.
Puntos clave
- El RAG hace responder a la IA a partir de TUS documentos (no solo de su memoria).
- Mecanismo : dividir → representaciones → búsqueda de pasajes → proporcionar al modelo.
- Beneficios : respuestas ancladas, menos invenciones, citas, actualización fácil.
- Montable en no-code (n8n y nodos dedicados) : una de las aplicaciones de IA más útiles.
Desafío 48h — aplica mañana
Reúne 10 páginas de documentos no sensibles, divídelas por unidad de sentido y prueba 5 preguntas reales : ¿las respuestas citan tus pasajes ?
- Puedo explicar el RAG en una frase (recuperar y luego generar).
- Sé por qué no se pega todo en el prompt.
- He probado 5 preguntas en 10 páginas divididas.
Preguntas frecuentes
¿Por qué no pegar simplemente mis documentos en el prompt ?
No escala : límite de tamaño, coste con cada pregunta, información ahogada. El RAG solo proporciona los pasajes pertinentes : más económico, más preciso. Además, se actualiza la base sin reentrenar — se reindexa. Pegar funciona para un texto corto ; el RAG es la solución para una base de conocimientos.
¿El RAG impide totalmente las alucinaciones ?
Las reduce mucho sin eliminarlas : la IA puede interpretar mal un pasaje o responder cuando debería decir « no lo sé ». Exige las fuentes, la admisión de ausencia de información, y mantén un control humano en lo crítico.
¿Para qué sirve el RAG ?