La generación aumentada por recuperación (RAG) es una técnica en la que un modelo de IA primero busca pasajes relevantes en un conjunto definido de documentos y luego escribe su respuesta utilizando esos pasajes como evidencia. Para los especialistas en marketing, esto significa chatbots, asistentes y herramientas de contenido que responden a partir de sus propias hojas de productos, políticas e investigaciones en lugar de la memoria general del modelo. Reduce las respuestas inventadas, aunque no las elimina.
¿Cómo funciona RAG paso a paso?
La idea fue descrita en un artículo de investigación de 2020 de Facebook AI Research y desde entonces se ha convertido en el patrón estándar para los asistentes de IA empresariales. Funciona en dos fases.
La preparación ocurre una vez y se actualiza a medida que cambian los documentos. Los documentos se dividen en fragmentos, cada fragmento se convierte en un embedding (una lista de números que representa su significado) y se almacena en una base de datos vectorial o índice de búsqueda.
La respuesta ocurre cada vez que alguien hace una pregunta:
- La pregunta se convierte en un embedding.
- El sistema recupera los fragmentos con el significado más cercano, a menudo combinado con una búsqueda por palabras clave.
- Esos fragmentos se insertan en el prompt con instrucciones de responder solo a partir de ellos.
- El modelo escribe una respuesta, idealmente con referencias a los fragmentos utilizados.
¿Por qué no usar un chatbot tal como es?
Los modelos generales saben mucho, pero no su lista de precios, política de devoluciones o el último lanzamiento de producto. Si se les pregunta sobre ellos, pueden producir detalles plausibles pero incorrectos. Ajustar un modelo con sus documentos es costoso y queda obsoleto rápidamente.
RAG mantiene el conocimiento fuera del modelo. Actualice un documento y la siguiente respuesta lo reflejará. También puede mostrar fuentes, lo que permite a los usuarios y revisores verificar la afirmación.
¿Dónde encaja RAG en el trabajo de marketing?
Los mejores usos comparten dos características: un cuerpo definido de contenido confiable y preguntas repetidas sobre él.
- Asistentes de sitio web que responden preguntas sobre productos, precios y políticas desde páginas oficiales.
- Habilitación de ventas: representantes que preguntan sobre estudios de casos, características o comparaciones con la competencia a partir de documentos aprobados.
- Producción de contenido: redacción de artículos basados en la propia investigación de la empresa, documentación de productos y guía de marca.
- Búsqueda interna en informes de campañas, resúmenes y notas de reuniones.
- Desvío de atención al cliente, donde las respuestas deben coincidir con el centro de ayuda.
Es una opción menos adecuada para trabajos creativos abiertos, como ideas de campañas, donde la base en documentos existentes puede limitar la originalidad.
¿Qué herramientas pueden usar los especialistas en marketing sin construir desde cero?
No necesita ingenieros para cada proyecto RAG. Muchas herramientas incluyen recuperación lista para usar:
- GPT personalizados y proyectos de ChatGPT con archivos cargados.
- Proyectos de Claude con una base de conocimientos.
- Google NotebookLM para responder desde fuentes cargadas con citas.
- Agentes de Microsoft Copilot Studio basados en SharePoint o sitios web.
- Plataformas de mesa de ayuda como Intercom y Zendesk con agentes de IA que utilizan el centro de ayuda.
Para sistemas más grandes o orientados al cliente, los equipos construyen con marcos como LangChain o LlamaIndex y almacenes vectoriales como Pinecone, Weaviate o pgvector, o utilizan servicios gestionados de proveedores de la nube.
¿Qué hace que un sistema RAG sea bueno o malo?
La mayoría de los problemas de calidad provienen de la recuperación, no del modelo. Si no se recupera el pasaje correcto, el modelo no puede usarlo.
Calidad del contenido
Los documentos obsoletos, duplicados o contradictorios producen respuestas contradictorias. Limpie el conjunto de fuentes antes de indexar. Una página de precios actual es mejor que cinco PDF antiguos con precios diferentes.
Fragmentación y metadatos
Los fragmentos demasiado pequeños pierden contexto; los demasiado grandes diluyen la relevancia. Agregar metadatos como producto, región y fecha permite al sistema filtrar antes de buscar.
Instrucciones y rechazo
Dígale al modelo que diga que no sabe cuando los documentos no cubren la pregunta. Un asistente que admite una brecha es más seguro que uno que adivina.
¿Cómo se evalúa un asistente RAG?
Cree un conjunto de prueba de 50 a 100 preguntas reales con la respuesta correcta y el documento que la contiene. Luego mida:
- Tasa de aciertos de recuperación: ¿apareció el documento correcto en los fragmentos recuperados?
- Precisión de la respuesta frente a la referencia.
- Fidelidad: ¿la respuesta se mantiene dentro de lo que dicen las fuentes?
- Precisión de rechazo: ¿rechaza las preguntas que los documentos no responden?
Ejecute la prueba cada vez que cambien los documentos, la fragmentación o los prompts. Marcos como Ragas pueden automatizar partes de esto, pero la revisión humana de una muestra sigue siendo esencial.
Cómo aplica Alien Road RAG en el trabajo de optimización de IA
Un compromiso típico comienza con una auditoría de contenido: qué documentos son autorizados, cuáles están obsoletos y quién es el propietario de cada uno. Ese paso a menudo importa más que la elección de la tecnología, porque un asistente RAG hereda lo que haya en sus fuentes.
La configuración elige la herramienta más ligera que encaje. Un asistente de ventas interno puede ser un proyecto de Claude o un cuaderno de NotebookLM; un asistente de sitio web orientado al cliente necesita una construcción adecuada con registro de recuperación, reglas de rechazo y transferencia a un humano. El conjunto de preguntas de prueba se escribe con el equipo de ventas o soporte del cliente.
La medición rastrea la tasa de aciertos de recuperación, la precisión de la respuesta y la precisión de rechazo en el conjunto de prueba, además de métricas en vivo como preguntas respondidas sin escalada. Los informes mensuales enumeran las preguntas sin respuesta más comunes, que generalmente apuntan a contenido faltante o poco claro en el propio sitio del cliente.
¿Cómo se conecta RAG con la visibilidad de búsqueda?
Los motores de búsqueda de IA como Perplexity, AI Overviews de Google y la búsqueda de ChatGPT utilizan la recuperación de manera similar: buscan páginas y luego escriben respuestas a partir de ellas. El contenido que es claro, bien estructurado y fácil de citar tiende a ser recuperado y citado. Construir su propio sistema RAG es una forma práctica de descubrir qué tan fácil es para las máquinas usar su contenido.
¿Cuánto cuesta normalmente un proyecto RAG?
Los costos se dividen en tres categorías. El trabajo de contenido es lo primero: limpiar, actualizar y eliminar duplicados de documentos, lo cual es tiempo del personal. Las herramientas son lo segundo: una opción sin código como NotebookLM o un proyecto de Claude cuesta poco más allá de las suscripciones existentes, mientras que una construcción personalizada orientada al cliente agrega desarrollo, alojamiento y una base de datos vectorial.
Los costos de funcionamiento son lo último, principalmente llamadas al modelo por pregunta y los tokens adicionales de los pasajes recuperados insertados en cada prompt. Para la mayoría de los asistentes internos, estos se mantienen bajos. Para un asistente de sitio web público con mucho tráfico, estime las preguntas mensuales y multiplíquelas por los tokens promedio por respuesta antes de elegir un modelo.
Por dónde empezar esta semana
Recopile los 20 documentos que su equipo de ventas o soporte usa más y elimine las versiones obsoletas. Cárguelos en NotebookLM o en un proyecto de Claude y haga las 30 preguntas que los clientes hacen más a menudo. Anote cada respuesta que sea incorrecta o falte. Esas brechas muestran si necesita una herramienta RAG, mejor contenido o ambos.
Siga leyendo: Optimización con IA · Optimización con IA