IA en Contratación · 8 min lectura

Qué es RAG: la generación aumentada por recuperación explicada para empresas

Qué es RAG (retrieval-augmented generation): cómo funciona paso a paso, cuándo supera al fine-tuning, errores típicos y cómo evaluar un sistema RAG.

Door Ingmar van Maurik · Founder & CEO, Making Moves


Respuesta corta

RAG (retrieval-augmented generation, o generación aumentada por recuperación) es una forma de hacer que un modelo de lenguaje responda a partir de sus propios documentos. Ante cada pregunta, el sistema busca primero los fragmentos relevantes, por ejemplo del manual del empleado, y se los pasa al modelo junto con la pregunta. El modelo redacta entonces una respuesta citando las fuentes. Sin volver a entrenar el modelo. Que un sistema RAG funcione bien depende sobre todo de la parte de búsqueda: ¿recupera los fragmentos correctos, y solo los que la persona que pregunta tiene permiso para ver?

Por qué existe RAG

Un modelo de lenguaje solo sabe lo que había en sus datos de entrenamiento. No conoce su política de vacaciones, no ha visto el cambio del mes pasado en la política de viajes y no puede leer su wiki interna. Si se lo pregunta igualmente, a menudo obtiene una respuesta convincente pero inventada.

RAG lo resuelve haciendo que el modelo consulte la información en lugar de "recordarla". El término procede de un artículo de investigación de 2020 y hoy es el enfoque estándar para asistentes internos y bases de conocimiento.

Cómo funciona RAG, paso a paso

1. Reunir documentos. Políticas, manuales, perfiles de puesto, preguntas frecuentes. Con metadatos: quién es el responsable, cuándo se actualizó, quién puede leerlo.

2. Chunking (fragmentación). Los documentos se dividen en partes más pequeñas, por ejemplo por párrafo o sección. Los fragmentos demasiado pequeños pierden contexto y los demasiado grandes añaden ruido.

3. Embeddings. Cada fragmento se convierte en un embedding: una larga serie de números que recoge el significado del texto. Textos con un significado parecido reciben números parecidos, aunque usen palabras distintas.

4. Búsqueda vectorial. La pregunta del usuario también se convierte en un embedding. Una base de datos vectorial encuentra los fragmentos cuyo significado está más cerca de la pregunta. A menudo se combina con la búsqueda clásica por palabras clave (búsqueda híbrida), porque la búsqueda vectorial puede pasar por alto códigos, nombres o términos exactos.

5. Reranking (reordenación). Un segundo modelo, más preciso, vuelve a puntuar los candidatos y coloca los más relevantes arriba. Solo pasan los mejores.

6. Prompt con fuentes. Los fragmentos seleccionados se incluyen en el prompt junto con la pregunta y una instrucción como: responde solo con estas fuentes y dilo con honestidad si la respuesta no está en ellas.

7. Respuesta con citas. El modelo responde e indica los fragmentos que ha usado, para que el usuario pueda comprobar de dónde sale la información.

Cuándo elegir RAG, fine-tuning o una ventana de contexto larga

EnfoqueQué haceAdecuado paraMenos adecuado para

|---|---|---|---|

RAGBusca fragmentos relevantes en cada preguntaMuchos documentos, conocimiento que cambia, citas y permisos por usuarioTareas que sobre todo requieren otro estilo de escritura o un formato de salida fijo Fine-tuningSigue entrenando el modelo con ejemplosTono uniforme, formato fijo, tareas de clasificación concretasDatos que cambian a menudo; no es fácil eliminar después ese conocimiento y no hay fuentes Ventana de contexto largaMete todos los documentos en un único promptPocos documentos, análisis puntualesBases de conocimiento grandes; el coste y el tiempo de respuesta por pregunta aumentan, y los modelos no siempre aprovechan igual de bien la información situada en mitad de un texto largo

En la práctica se suelen combinar. Pero para "que los empleados puedan consultar nuestras políticas", RAG es casi siempre el punto de partida.

Fallos típicos

  • Fragmentos equivocados. El sistema recupera un pasaje que se parece a la pregunta pero trata de otra cosa, como las vacaciones de otro convenio colectivo. La respuesta suena segura, pero es incorrecta.
  • Documentos desactualizados. La versión antigua y la nueva de una política están las dos en el índice. Sin fechas ni control de versiones, el sistema elige al azar.
  • Sin filtrado de permisos. Cualquiera puede obtener a través del asistente fragmentos de tablas salariales o expedientes de bajas. Es el mayor riesgo y debe resolverse en el momento de la recuperación, según quién pregunta. Una instrucción en el prompt como "no compartas información confidencial" no es una medida de seguridad.
  • Citas inventadas. El modelo cita una fuente que no existe o que dice otra cosa. Compruebe automáticamente que los fragmentos citados se recuperaron de verdad y respaldan la afirmación.
  • Ningún "no lo sé". Si no se encuentra un fragmento adecuado, el sistema debe decirlo en lugar de adivinar.
  • Cómo evaluar un sistema RAG

    Una demo con cinco preguntas dice poco. Mídalo así:

    Qué mideCómo

    |---|---|

    Conjunto de pruebaReúna preguntas reales de empleados, con la respuesta correcta y el documento donde aparece. Incluya preguntas difíciles y preguntas sin respuesta. Tasa de acierto de la recuperación¿Con qué frecuencia está el fragmento correcto entre los resultados recuperados? Si es baja, un modelo mejor apenas ayudará. Fidelidad (faithfulness)¿La respuesta coincide con las fuentes recuperadas, sin añadidos? Haga que personas revisen una muestra, si quiere con apoyo de un evaluador automático que antes haya comprobado usted mismo. PermisosPruebe con cuentas de distintos roles que nadie vea fragmentos a los que no tiene acceso. Coste y latenciaCoste por pregunta y tiempo de espera para el usuario, con el volumen previsto.

    Vuelva a ejecutar este conjunto con cada cambio en la fragmentación, el modelo o el prompt. Así verá si un ajuste mejora de verdad.

    Ejemplo de RR. HH.: un asistente de políticas

    Una organización con varios miles de empleados recibe cada semana las mismas preguntas en RR. HH.: cuántos días de permiso hay por mudanza, cómo funciona la compensación por teletrabajo, qué ocurre si te pones enfermo en vacaciones. Un asistente RAG responde a partir del manual y el convenio vigentes, con un enlace al pasaje exacto.

    Qué lo hace bueno: solo está indexada la última versión de cada documento, cada documento tiene un responsable, los mandos ven las políticas para mandos y el resto no, y ante la duda el asistente remite a un asesor de RR. HH. Los expedientes personales no deben estar en él.

    Para reclutadores sirve igual como base de conocimiento con perfiles de puesto, guías de entrevista y criterios de selección. Cómo encaja un sistema así en la selección de personal lo explicamos en nuestro AI hiring system.

    Qué preguntar a un proveedor o a un candidato

    Para saber si un proveedor o un candidato entiende de verdad RAG, haga estas preguntas:

    1. "¿Cómo elige el tamaño de los fragmentos y cómo prueba esa elección?" Respuesta sólida: depende de los documentos y se mide con la tasa de acierto de la recuperación en un conjunto de prueba.

    2. "¿Por qué combina la búsqueda vectorial con la búsqueda por palabras clave?" Respuesta sólida: la búsqueda vectorial puede pasar por alto términos exactos como códigos o nombres.

    3. "¿Cómo se asegura de que un empleado no vea documentos salariales?" Respuesta sólida: filtrado de permisos en la recuperación, vinculado a la identidad del usuario, no mediante el prompt.

    4. "¿Qué ocurre cuando se actualiza una política?" Respuesta sólida: reindexación automática, eliminación de versiones antiguas y la fecha como metadato.

    5. "¿Cómo sabe que el sistema ha mejorado tras un cambio?" Respuesta sólida: un conjunto de prueba fijo con mediciones de recuperación y fidelidad, además de coste y latencia.

    Respuestas vagas como "el modelo es muy inteligente" son motivo para profundizar. Más información en cómo evaluar consultores de IA y cómo evaluar las competencias en IA.

    Evaluar el conocimiento de IA de forma estructurada

    La evaluación de competencias en IA de Making Moves comprueba, entre otras cosas, si alguien sabe diseñar y evaluar sistemas RAG: preguntas de conocimiento, escenarios de decisión sobre recuperación y permisos, y un caso práctico en el que se permite usar IA. La evaluación está en fase piloto y todavía no es una prueba baremada. Úsela como información estructurada junto con entrevistas y referencias.

    Preguntas frecuentes

    ¿Qué significa RAG?

    RAG son las siglas de retrieval-augmented generation: generar texto (generation) apoyándose en información recuperada (retrieval). El modelo busca primero en sus documentos y después responde.

    ¿RAG evita las alucinaciones?

    Las reduce, pero no las elimina del todo. Si se recupera el fragmento equivocado o el modelo resume mal la fuente, sigue habiendo errores. Por eso hacen falta citas y evaluación.

    ¿Es seguro RAG para documentos confidenciales de RR. HH.?

    Solo si los permisos se filtran en la recuperación y sabe dónde se procesan los datos. Tenga en cuenta el RGPD: no indexe expedientes de personal sin una base jurídica clara y reglas de acceso.

    ¿Tenemos que entrenar un modelo propio?

    No. RAG funciona con modelos existentes. La inversión va sobre todo a buenos documentos, calidad de búsqueda, permisos y evaluación.

    Resumen

  • RAG permite que un modelo de lenguaje responda a partir de sus propios documentos actualizados, con citas.
  • La calidad depende sobre todo de la fragmentación, la búsqueda y el reranking.
  • Para conocimiento que cambia, RAG suele ser mejor que el fine-tuning o un único prompt largo.
  • Los mayores riesgos: fragmentos erróneos o desactualizados, falta de filtrado de permisos y citas inventadas.
  • Evalúe con un conjunto de preguntas reales, tasa de acierto de la recuperación, fidelidad, coste y latencia.
  • ¿Quiere comprobar si candidatos o proveedores dominan de verdad RAG? Consulte la evaluación de competencias en IA o contáctenos.


    Reservar una llamada · Ver nuestro sistema AI Hiring