La generación aumentada por recuperación (RAG) es un método en el que un modelo de IA primero busca en un conjunto definido de documentos y luego escribe su respuesta utilizando lo que encontró. En las campañas de los clientes, Alien Road utiliza RAG para que los chatbots, los borradores de contenido y los informes se basen en el material aprobado por el cliente en lugar de en la memoria general del modelo, lo que reduce los hechos inventados y mantiene la coherencia de las afirmaciones.
Este artículo explica cómo funciona RAG, qué tareas de campaña admite y el proceso que seguimos desde el descubrimiento hasta la elaboración de informes.
¿Cómo funciona RAG?
Un sistema RAG tiene tres partes. Un almacén de documentos contiene el material de origen, dividido en fragmentos. Un recuperador encuentra los fragmentos más relevantes para una pregunta, generalmente comparando incrustaciones vectoriales y, a menudo, combinado con una búsqueda por palabras clave. Luego, un modelo de lenguaje recibe la pregunta más esos fragmentos y escribe una respuesta, citando idealmente qué fragmentos utilizó.
El conocimiento general del modelo sigue dando forma al lenguaje, pero los hechos provienen del texto recuperado. Si el recuperador no encuentra nada relevante, un sistema bien construido lo dice en lugar de adivinar.
¿Por qué no simplemente pegar documentos en un chat?
Para una sola pregunta, pegar un documento funciona. Para una campaña con cientos de hojas de productos, páginas de políticas, anuncios anteriores e informes de investigación, no funciona. Las ventanas de contexto tienen límites, los costos crecen con cada token y pegar manualmente significa que diferentes miembros del equipo obtienen diferentes respuestas.
RAG hace que el conjunto de fuentes sea fijo y compartido. Todos y cada una de las herramientas consultan el mismo almacén, y cuando un documento cambia, lo actualizas una vez.
¿Qué tareas de campaña utilizan RAG?
- Chatbots de sitio web y WhatsApp que responden a partir de documentos de productos y políticas
- Borradores de contenido que deben mantenerse precisos según las especificaciones técnicas
- Generación de textos publicitarios restringida por afirmaciones aprobadas y lenguaje de cumplimiento
- Asistentes de habilitación de ventas que encuentran el estudio de caso o la respuesta correcta para un representante
- Comentarios de informes que explican el rendimiento utilizando notas de campaña y registros de cambios
El hilo conductor es que el resultado debe coincidir con algo que el cliente haya aprobado. RAG es menos útil para trabajos creativos abiertos donde desea que el modelo se mueva libremente.
Cómo aplica Alien Road la generación aumentada por recuperación
Descubrimiento
Un compromiso típico comienza con una auditoría de fuentes. Enumeramos los documentos que contienen la verdad sobre los productos y las afirmaciones del cliente: hojas de especificaciones, reglas de precios, preguntas frecuentes, exenciones de responsabilidad legal, pautas de marca. También marcamos los documentos que están desactualizados o se contradicen entre sí, porque RAG repetirá fielmente lo que haya en el almacén, incluidos los precios antiguos.
Configuración
Los documentos se limpian, se dividen en fragmentos a lo largo de secciones naturales como encabezados y se etiquetan con metadatos como producto, idioma, región y fecha. Los indexamos en una base de datos vectorial, comúnmente opciones como pgvector, Pinecone o un servicio de búsqueda administrado, y lo combinamos con una búsqueda por palabras clave para que los códigos de producto exactos se encuentren de manera confiable.
El prompt instruye al modelo a responder solo a partir del texto recuperado, citar el documento fuente y declarar cuándo falta información. Para clientes multilingües, indexamos cada versión de idioma en lugar de depender de la traducción en el momento de la respuesta.
Evaluación
Antes del lanzamiento, creamos un conjunto de prueba de preguntas reales con respuestas correctas conocidas, extraídas de tickets de soporte, correos electrónicos de ventas y el equipo del cliente. Cada respuesta se verifica por su corrección, precisión de la cita y negativa cuando debería negarse. Ajustamos los tamaños de los fragmentos, la configuración de recuperación y los prompts hasta que los resultados sean estables.
Medición e informes
Después del lanzamiento, los informes cubren la precisión de las respuestas en una muestra revisada, preguntas sin una buena recuperación (una señal de que falta un documento) y las métricas de campaña que admite el sistema, como clientes potenciales del chatbot o tiempo de edición en borradores de contenido. La lista de preguntas sin respuesta a menudo se convierte en el próximo plan de contenido.
¿Qué sale mal con RAG?
- Documentos obsoletos: el almacén contiene los precios del año pasado, por lo que el bot los cita
- Fragmentación incorrecta: una tabla dividida entre fragmentos pierde su significado
- Fallos de recuperación: la redacción del usuario difiere de la del documento, y la búsqueda vectorial pura no la encuentra
- Exceso de confianza: los equipos asumen que el resultado de RAG siempre es correcto y omiten la revisión
- Brechas de control de acceso: los documentos internos terminan en el almacén de un bot público
Cada uno de estos es un problema de proceso más que un problema de modelo, razón por la cual los pasos de auditoría y evaluación toman más tiempo que la configuración técnica.
¿Es RAG importante para SEO y la búsqueda por IA?
Los productos de búsqueda por IA como AI Overviews de Google, Perplexity y la búsqueda de ChatGPT funcionan con un principio similar: recuperar páginas web y luego generar una respuesta. Es más probable que se utilicen páginas que sean fáciles de recuperar y citar, con encabezados claros, respuestas directas y hechos precisos. La creación de sistemas RAG para clientes ha dado forma a cómo estructuramos su contenido público, porque vemos qué tipos de pasajes se recuperan bien.
RAG comparado con el ajuste fino (fine-tuning)
El ajuste fino cambia los pesos de un modelo entrenándolo en ejemplos. Es útil para enseñar un estilo, un formato o una tarea de clasificación estrecha. Es una mala forma de enseñar hechos que cambian, porque cada actualización de precio requeriría un reentrenamiento, y el modelo aún podría mezclar hechos nuevos con antiguos.
RAG mantiene los hechos fuera del modelo, en documentos que puede actualizar en minutos. Para el trabajo de campaña, donde los productos, las ofertas y las políticas cambian mensualmente, RAG es casi siempre la mejor opción. Los dos se pueden combinar: un modelo ajustado al tono de la marca, respondiendo desde un almacén RAG de hechos actuales.
- Use RAG para hechos que cambian: precios, stock, políticas, especificaciones
- Use el ajuste fino para patrones estables: tono, formato de salida, etiquetas de clasificación
- No use ninguno cuando un prompt bien escrito con algunos ejemplos ya funcione
¿Quién mantiene el almacén de documentos?
Cada sistema RAG necesita un propietario del lado del cliente que sepa cuándo cambia un documento. En una configuración típica, los gerentes de producto actualizan las especificaciones, el departamento legal actualiza las exenciones de responsabilidad y el marketing actualiza las ofertas, cada uno en su propia carpeta. Una verificación semanal marca los documentos anteriores a una edad establecida para su revisión.
Por dónde empezar esta semana
Recopile los diez documentos en los que más confían sus equipos de ventas y soporte y verifique cada uno por fecha y propietario. Elimine o marque todo lo que esté desactualizado. Luego escriba veinte preguntas reales de clientes con las respuestas correctas al lado. Esas dos listas, fuentes limpias y un conjunto de prueba, son la base de cualquier proyecto RAG, independientemente de la herramienta que elija más adelante.
Siga leyendo: Optimización con IA · Optimización con IA