RAG para empresas: cómo conectar inteligencia artificial con tus documentos y datos

RAG con datos empresariales —Retrieval Augmented Generation, o generación aumentada por recuperación— es la técnica que permite que un modelo de lenguaje responda con la información de tu empresa sin haber sido entrenado con ella.

El mecanismo es simple de explicar: antes de responder, el sistema busca en tus documentos los fragmentos relevantes para la pregunta y se los entrega al modelo como contexto. El modelo responde usando ese material, no su memoria general.

Eso resuelve tres problemas de una vez: la información está actualizada, se puede citar la fuente y no hay que reentrenar nada cuando cambia un procedimiento.

Por qué no basta con un modelo general

Un modelo de lenguaje sabe mucho del mundo y nada de tu empresa. No conoce tu política de garantías, el anexo del contrato con tu principal cliente ni el procedimiento que actualizaron el mes pasado.

Hay tres formas de darle ese conocimiento:

Método	Cómo funciona	Costo	Actualización	Trazabilidad
Entrenamiento propio	Se entrena un modelo desde cero	Muy alto	Muy difícil	Nula
Ajuste fino	Se ajusta un modelo existente	Medio-alto	Lenta, requiere reentrenar	Baja
RAG	Se recupera contexto en cada consulta	Bajo	Inmediata	Alta

Para conocimiento empresarial, RAG gana casi siempre. El ajuste fino sirve para enseñar un formato o un estilo de respuesta, no para incorporar hechos que cambian.

Cómo funciona RAG, paso a paso

1. Ingesta. Se recolectan los documentos: contratos, manuales, procedimientos, actas, fichas técnicas, respuestas históricas.

2. Fragmentación. Cada documento se divide en trozos manejables. El tamaño importa: fragmentos muy grandes diluyen la relevancia; muy pequeños pierden el contexto. Conviene respetar la estructura del documento —por cláusula, por sección— en lugar de cortar por cantidad de caracteres.

3. Vectorización. Cada fragmento se convierte en un vector numérico que representa su significado. Fragmentos con significado parecido quedan cerca entre sí en ese espacio.

4. Almacenamiento. Los vectores se guardan en una base vectorial junto con sus metadatos: documento de origen, fecha, versión, área, nivel de acceso.

5. Recuperación. Cuando llega una pregunta, se vectoriza igual y se buscan los fragmentos más cercanos. Aquí se aplican también los filtros de permisos.

6. Generación. El modelo recibe la pregunta junto con los fragmentos recuperados y redacta la respuesta citando las fuentes.

El paso 5 es donde se gana o se pierde la calidad. Si la recuperación trae los fragmentos equivocados, el mejor modelo del mundo responderá mal.

Qué necesita tu empresa antes de implementar RAG

Documentos identificables y vigentes. Si hay siete versiones del mismo procedimiento en distintas carpetas, el sistema recuperará cualquiera. Antes de vectorizar hay que definir cuál es la versión válida.

Una estructura de permisos. No todos los documentos son para todos. Los metadatos de acceso deben aplicarse en la recuperación, no confiarse a la instrucción del modelo.

Formatos legibles. Los PDF escaneados sin texto requieren OCR previo. Los documentos con tablas complejas necesitan tratamiento especial.

Un caso de uso concreto. “Que responda sobre todo” no es un alcance. “Que responda consultas sobre cláusulas contractuales de proveedores” sí lo es.

Errores que arruinan un proyecto RAG

Indexar todo el drive. Meter miles de documentos sin curar produce ruido: el sistema recupera versiones antiguas, borradores y duplicados. Menos documentos bien seleccionados funcionan mejor que todo el repositorio.

Ignorar las versiones. Sin metadatos de fecha y vigencia, el sistema puede responder con una política derogada.

Fragmentar mal. Cortar un contrato a la mitad de una cláusula genera respuestas incompletas que parecen completas.

No filtrar por permisos. El caso más grave: un usuario pregunta y recibe información de un área a la que no tiene acceso.

Saltarse la evaluación. Sin un conjunto de preguntas con respuestas conocidas, no hay forma de saber si el sistema mejora o empeora con cada ajuste.

Permitir respuestas sin fuente. Si el sistema no cita, el usuario no puede verificar y la confianza se pierde con el primer error.

Cómo evitar que invente respuestas

La alucinación se controla con diseño, no con esperanza:

Instruir explícitamente que responda “no encontré esa información en los documentos disponibles” cuando la recuperación no traiga nada relevante.
Exigir citas. Cada afirmación debe apuntar a un fragmento recuperado.
Definir un umbral de relevancia. Si ningún fragmento supera cierta similitud, no se genera respuesta.
Medir la tasa de alucinación sobre un conjunto de preguntas de control antes de liberar el sistema.
Mostrar el fragmento fuente en la interfaz, para que el usuario verifique en un clic.

Cómo se evalúa un sistema RAG

Se mide en dos etapas separadas, porque los problemas son distintos:

Recuperación:

¿El fragmento correcto aparece entre los recuperados?
¿En qué posición aparece?
¿Cuánto ruido irrelevante viene con él?

Generación:

¿La respuesta es correcta según el fragmento?
¿Afirma algo que no está en las fuentes?
¿Cita correctamente?
¿Reconoce cuando no sabe?

Separar ambas etapas permite corregir lo que corresponde. Si la recuperación falla, ajustar el prompt no sirve de nada.

Casos de uso habituales

Consulta de contratos. Encontrar cláusulas, plazos, penalidades y renovaciones entre cientos de documentos.
Soporte interno. Responder dudas de procedimientos citando el manual vigente.
Atención al cliente. Responder con la política real de garantía, despacho o devolución.
Licitaciones y propuestas. Recuperar respuestas y antecedentes de propuestas anteriores.
Normativa y cumplimiento. Consultar requisitos aplicables con la referencia exacta.
Conocimiento técnico. Manuales de equipos, procedimientos de mantenimiento, fichas de seguridad.

Lo ampliamos en cómo utilizar IA para consultar documentos y en búsqueda semántica empresarial.

RAG y datos personales

Si los documentos indexados contienen datos personales —currículums, fichas de trabajadores, contratos con personas naturales—, el tratamiento entra en el alcance de la Ley 21.719. Hay que definir la base de licitud, el período de conservación y quién puede acceder a qué.

Además, conviene verificar dónde se procesan los fragmentos enviados al modelo y si el proveedor los usa para entrenar. Lo tratamos en IA privada con datos empresariales.

Preguntas frecuentes

¿Qué diferencia hay entre RAG y entrenar un modelo con mis datos?

RAG recupera información en el momento de la consulta y la entrega al modelo como contexto; el conocimiento se actualiza al actualizar los documentos. Entrenar o ajustar un modelo incorpora el conocimiento en sus parámetros, lo que es mucho más caro, difícil de actualizar y no permite aplicar permisos por usuario.

¿Cuántos documentos se necesitan para que RAG funcione?

No hay un mínimo. Funciona con decenas de documentos bien seleccionados y puede funcionar peor con miles sin curar. La calidad y la vigencia importan más que el volumen.

¿RAG puede consultar bases de datos además de documentos?

RAG está pensado para texto no estructurado. Para datos estructurados —ventas, stock, saldos— conviene que el agente consulte directamente la base de datos mediante una herramienta. Lo explicamos en cómo conectar IA a las bases de datos de una empresa.

¿Los documentos salen de mi empresa?

Depende de la arquitectura. Los fragmentos recuperados se envían al modelo, así que la decisión clave es qué proveedor se usa y bajo qué condiciones. Existen alternativas con procesamiento en infraestructura propia o con acuerdos que excluyen el uso de los datos para entrenamiento.

¿Cuánto demora implementar RAG en una empresa?

Un caso acotado, con un repositorio definido y documentos en formato legible, suele tomar entre cuatro y ocho semanas hasta el piloto. El mayor consumo de tiempo no es técnico: es curar y versionar los documentos.

Pon a trabajar el conocimiento que ya tienes

En Syscode implementamos sistemas RAG conectados a los documentos y datos de cada empresa, con permisos por usuario, citación de fuentes y evaluación medible.

Agenda un diagnóstico y revisemos qué repositorio de tu organización tiene el mejor retorno.