La generación aumentada por recuperación (RAG) es un método en el que un sistema de IA primero busca en un conjunto de sus propios documentos, como datos de productos, políticas y artículos de ayuda, y luego escribe una respuesta basada en lo que encontró. Para las marcas de e-commerce, RAG potencia asistentes de compra, bots de soporte y herramientas internas que responden a partir de datos actuales del catálogo y políticas en lugar de la memoria general del modelo.
La idea surgió de un artículo de investigación de 2020 de Patrick Lewis y sus colegas de Facebook AI Research y universidades asociadas. Ahora es el patrón más común para asistentes de IA empresariales, porque mantiene las respuestas vinculadas a fuentes que la empresa controla y actualiza.
¿Cómo funciona RAG paso a paso?
Un sistema RAG tiene dos mitades. La primera prepara su contenido: los documentos se dividen en fragmentos, cada fragmento se convierte en una representación numérica llamada embedding, y esos embeddings van a un índice de búsqueda, a menudo una base de datos vectorial. La segunda mitad responde preguntas: la pregunta del usuario se convierte en embedding, se recuperan los fragmentos más cercanos y el modelo de lenguaje escribe una respuesta utilizándolos.
- Ingesta: recopile feeds de productos, páginas de políticas, artículos de ayuda y preguntas frecuentes.
- Fragmentación: divídalos en pasajes de unos pocos cientos de palabras, manteniendo intactos los registros de productos.
- Embedding e indexación: almacene pasajes en un índice vectorial, a menudo junto con una búsqueda por palabras clave.
- Recuperación: encuentre los pasajes más relevantes para cada pregunta.
- Generación: el modelo escribe una respuesta citando o utilizando solo esos pasajes.
- Actualización: vuelva a indexar cuando cambien los productos, precios o políticas.
Muchas plataformas empaquetan estos pasos, desde servicios en la nube como Azure AI Search, Google Vertex AI Search y Amazon Bedrock Knowledge Bases hasta herramientas de soporte de e-commerce con bases de conocimiento integradas. Las construcciones personalizadas utilizan marcos como LangChain o LlamaIndex.
¿Qué casos de uso de e-commerce se adaptan a RAG?
Asistente de compras
Un cliente pregunta: “¿Cuáles de sus zapatillas de correr funcionan para pies anchos con un presupuesto determinado?” Un asistente RAG recupera productos cuyos datos mencionan ajuste ancho y filtra por precio, luego explica las opciones. La calidad depende en gran medida de si la información de ajuste existe en los datos del producto. Si no es así, ningún modelo puede inventarla de manera confiable.
Respuestas de soporte y políticas
Las ventanas de devolución, zonas de envío, términos de garantía y opciones de pago cambian. Un bot de soporte RAG responde desde la página de políticas actual, por lo que actualizar la página actualiza el bot. Esa es una gran ventaja sobre el ajuste fino (fine-tuning), donde el modelo necesitaría reentrenamiento para cada cambio de política.
Herramientas internas
- Agentes de servicio al cliente que buscan políticas y resoluciones pasadas durante un chat en vivo.
- Comerciantes que preguntan qué productos carecen de tablas de tallas o instrucciones de cuidado.
- Incorporación de nuevo personal con respuestas extraídas de documentos de procesos internos.
- Compradores que consultan especificaciones de proveedores a través de cientos de PDF.
Soporte de contenido
Los escritores pueden generar borradores de comparación de productos o guías de compra basados en atributos reales del producto, reduciendo las especificaciones inventadas. Un editor todavía verifica cada afirmación, pero el punto de partida está anclado en los datos.
¿Qué hace que un sistema RAG responda mal?
La mayoría de los fallos de RAG son fallos de recuperación. Si no se encuentra el pasaje correcto, el modelo responde vagamente o, peor aún, llena los vacíos con conocimiento general. Las causas comunes son una mala fragmentación, índices obsoletos y datos de productos a los que les faltan los detalles que los clientes preguntan.
- Índice obsoleto: los precios o el stock cambiaron pero el índice no se actualizó.
- Datos faltantes: atributos como ajuste, material o compatibilidad están ausentes en el feed.
- Mala fragmentación: una tabla de políticas dividida entre fragmentos pierde su significado.
- Brechas de sinónimos: los clientes dicen “zapatillas”, los datos del producto dicen “sneakers”.
- Sin regla de rechazo: el modelo responde incluso cuando la recuperación no encontró nada relevante.
La búsqueda híbrida, que combina búsqueda por palabras clave y vectorial, soluciona muchos problemas de sinónimos y códigos de producto. Una instrucción clara para decir “No tengo esa información” cuando faltan fuentes evita la mayoría de las respuestas inventadas.
¿Cómo se prueba un asistente RAG antes del lanzamiento?
- Recopile 100 preguntas reales de clientes de registros de chat y correos electrónicos.
- Escriba la respuesta correcta y la página de origen para cada una.
- Mida la recuperación: ¿el sistema encontró la fuente correcta en sus mejores resultados?
- Mida las respuestas: correctas, parcialmente correctas, incorrectas o rechazadas adecuadamente.
- Incluya casos difíciles: artículos agotados, productos descontinuados, otros idiomas.
- Vuelva a probar después de cada cambio importante de catálogo o política.
Separe las dos puntuaciones. Si la recuperación es buena pero las respuestas son incorrectas, corrija el prompt o el modelo. Si la recuperación es pobre, ningún prompt ayudará; corrija los datos y el índice.
El idioma merece su propia ronda de pruebas. Una tienda que vende en turco e inglés debería verificar que una pregunta en turco recupere correctamente los datos de productos solo en inglés, o mejor aún, que los atributos clave existan en ambos idiomas. Los modelos de embedding difieren en calidad multilingüe, y un sistema que obtiene buenos resultados en inglés puede pasar por alto silenciosamente la mitad de las preguntas en turco.
¿Qué pasa con la privacidad y la seguridad?
Mantenga los datos personales de los clientes fuera del índice compartido. Las consultas de pedidos deben realizarse a través de una llamada API segura y autenticada, no a través de documentos almacenados en una base de datos vectorial. También esté atento a la inyección de prompts: si se indexan reseñas de productos o documentos de proveedores, el texto dentro de ellos podría intentar instruir al modelo. Trate el contenido indexado generado por el usuario como no confiable.
Cómo aplica Alien Road RAG para clientes de e-commerce
Un compromiso típico comienza con una auditoría de preguntas: extraemos varios meses de preguntas de chat y correo electrónico, las agrupamos por tema y verificamos si los datos de productos y las páginas de políticas del cliente realmente contienen las respuestas. Las brechas encontradas aquí a menudo importan más que cualquier elección tecnológica, porque la falta de datos de ajuste o compatibilidad bloquea al asistente desde el primer día.
La configuración generalmente utiliza una plataforma existente donde se ajusta al stack del cliente, con búsqueda híbrida, una regla de rechazo y una reindexación programada vinculada al feed de productos. Construimos el conjunto de prueba de 100 preguntas con el equipo de soporte del cliente. La medición rastrea la precisión de la recuperación, la precisión de la respuesta, la tasa de transferencia a agentes humanos y la satisfacción del cliente en las conversaciones con bots, reportado mensualmente con ejemplos de respuestas fallidas y las correcciones realizadas.
Por dónde empezar esta semana
Exporte 100 preguntas recientes de clientes y, para cada una, encuentre la página en su sitio que la responde. Marque las que no tienen respuesta en ninguna parte.
- Recopile preguntas de chat, correo electrónico y mensajes de mercado.
- Haga coincidir cada una con una página de origen o márquela como faltante.
- Corrija las cinco principales respuestas faltantes en el sitio mismo.
- Verifique si su feed de productos incluye los atributos que los clientes preguntan.
Este ejercicio mejora su sitio de inmediato, y es exactamente el conjunto de prueba que un sistema RAG necesitará más adelante.
Siga leyendo: Optimización con IA · Optimización con IA