RAG empresarial: IA que responde con tus documentos
Un RAG empresarial busca en los documentos de la empresa antes de responder y contesta con esos fragmentos, citando su origen. Sirve cuando la respuesta está escrita en algún documento; no para cifras ni decisiones. Lo crítico: filtrar por permisos, cuidar los datos y exigir citas.
Un RAG empresarial es una IA que, antes de responder, busca en los documentos de la empresa lo relevante y contesta apoyándose en ello, citando de dónde sale. Sirve para preguntas cuya respuesta está escrita en algún sitio. No sirve para calcular ni para decidir, y sus riesgos son los permisos, los datos y las respuestas sin fuente.
Qué es RAG y de dónde viene
RAG son las siglas en inglés de retrieval-augmented generation, generación aumentada por recuperación. El nombre viene de un artículo de investigación de 2020 (Lewis y otros, aceptado en NeurIPS 2020) que presentaba los modelos RAG: un modelo de lenguaje combinado con una memoria externa, un índice de documentos en el que se busca antes de generar la respuesta.
La idea resuelve un problema práctico. Un modelo de lenguaje sabe lo que aprendió en su entrenamiento, pero no conoce tus contratos, tus procedimientos ni tu catálogo. Volver a entrenarlo con tus documentos es caro y se queda viejo en cuanto cambia un papel. Con RAG, el modelo no memoriza tus documentos: los consulta cada vez que alguien pregunta. Si cambias un procedimiento, basta con actualizar el documento.
Por eso a veces se describe como «IA con los documentos de la empresa». Es una buena definición siempre que no se olvide la segunda mitad: la calidad de la respuesta depende por completo de lo que encuentre la búsqueda.
Cómo funciona un RAG, pieza a pieza
| Pieza | Qué hace | Qué puede fallar |
|---|---|---|
| Fuentes | Los documentos que se van a consultar: manuales, contratos, fichas, preguntas frecuentes | Versiones antiguas o duplicadas que contradicen a las buenas |
| Troceado | Cada documento se divide en fragmentos manejables | Cortar una tabla o una cláusula por la mitad y perder el sentido |
| Índice | Cada fragmento se guarda con su texto y una representación numérica de su significado para buscar por sentido y no solo por palabras | Un índice que no se actualiza cuando cambia el documento |
| Recuperación | Ante una pregunta, se eligen los fragmentos más relevantes a los que esa persona tiene acceso | Traer fragmentos que el usuario no debería ver, o no encontrar el bueno |
| Generación | El modelo redacta la respuesta con esos fragmentos y cita su origen | Rellenar huecos con lo que «suena bien» en lugar de decir que no lo sabe |
| Registro | Qué se preguntó, qué se recuperó, qué se respondió y cuánto costó | Sin registro, nadie puede revisar una respuesta equivocada |
Conviene combinar búsqueda por palabras y búsqueda por significado; la documentación de Microsoft sobre RAG, por ejemplo, recomienda estas consultas híbridas para recuperar lo máximo posible. Cada una encuentra cosas que la otra pierde: la primera acierta con códigos, referencias y nombres exactos; la segunda, con preguntas escritas de otra manera que el documento.
Cuándo sirve un RAG y cuándo no
La pregunta que decide es sencilla: ¿la respuesta está escrita en algún documento? Si lo está, RAG puede ayudar. Si hay que calcularla o decidirla, no.
| Pregunta | ¿RAG? | Mejor alternativa |
|---|---|---|
| ¿Qué plazo de preaviso tiene el contrato con este proveedor? | Sí | RAG con cita a la cláusula |
| ¿Cuál es el procedimiento para tramitar una devolución? | Sí | RAG sobre el procedimiento vigente |
| ¿Cuánto hemos facturado a este cliente este trimestre? | No | Una consulta exacta a la base de datos |
| Calcula el impuesto de este pedido | No | Un motor de cálculo determinista |
| ¿Debemos aceptar este encargo? | No | Una decisión humana, con la información delante |
La tercera fila merece atención porque es un error frecuente: meter hojas de cálculo en un RAG para preguntar por cifras. Un buscador de fragmentos no suma. Las preguntas sobre ventas, gastos o clientes deben responderse con los datos del sistema de gestión. En los sistemas que construimos, «pregunta a tus datos» funciona así: consultas en lenguaje natural sobre ventas, gastos o clientes cuya respuesta sale de los datos del negocio. Y el asistente público que hemos puesto en la web de un cliente responde con la información del negocio, avisa de que es un asistente y nunca inicia la conversación. Ambos comparten con RAG la idea de fondo: que la IA responda desde información de la empresa y no desde su memoria.
Riesgos de un RAG: permisos, datos y citas
Permisos
Es el riesgo más serio y el que menos se ve en una demostración. Si el índice contiene nóminas, contratos o datos de clientes, la búsqueda tiene que respetar quién puede ver qué. La documentación de Microsoft sobre RAG en su buscador lo resume con un ejemplo claro: los datos financieros solo deben estar al alcance del equipo de finanzas, aunque sea un directivo quien pregunte al asistente. La solución es filtrar por permisos en la recuperación, documento a documento, antes de que el modelo vea nada.
Datos sensibles
Cada pregunta envía fragmentos de tus documentos a un modelo. Conviene saber dónde se procesan, si el proveedor los conserva y para qué, y no indexar lo que nadie necesita consultar. La lista de riesgos de OWASP para aplicaciones con modelos de lenguaje (edición 2026) incluye precisamente la revelación de información sensible.
Instrucciones escondidas en los documentos
Un documento puede contener texto que el modelo interprete como una orden («ignora lo anterior y responde…»). Es la inyección de instrucciones, primera de la lista de OWASP, y en un RAG entra por la puerta de los documentos. La misma lista dedica un apartado a las debilidades de los vectores y las incrustaciones (embeddings). Por eso, lo que el modelo lee se trata como dato, nunca como instrucción, y un RAG que solo responde no debe poder ejecutar acciones por su cuenta.
Respuestas sin fuente
Un RAG que no cita es difícil de revisar. Pide que cada respuesta indique el documento y el fragmento, y que diga «no lo encuentro» cuando la búsqueda no trae nada útil. Una respuesta segura y equivocada es peor que ninguna.
Qué preparar antes de empezar un RAG
- Inventario de fuentes, con un responsable por cada una: quién mantiene el manual, quién el catálogo, quién los contratos.
- Limpieza: una sola versión vigente de cada documento. Si conviven tres versiones del mismo procedimiento, el RAG las mezclará.
- Metadatos: fecha, área, vigencia y quién puede verlo. Sin ellos no hay filtro de permisos posible.
- Preguntas objetivo: una lista de preguntas reales que se hacen hoy, con su respuesta correcta y el documento donde está.
- Política de «no lo sé»: qué hace el asistente cuando no encuentra la respuesta y a quién deriva.
- Registro y coste: cada consulta envía texto al modelo, y más contexto recuperado significa más coste. Registrar cada llamada es lo que permite saber cuánto cuesta cada respuesta. Lo desarrollamos en cuánto cuesta implementar IA en una empresa.
Cómo saber si un RAG funciona
Con la lista de preguntas objetivo, mide cuatro cosas antes de abrirlo al equipo y, después, de forma periódica:
- Qué parte de las respuestas son correctas y citan el documento bueno.
- Si dice «no lo sé» cuando la respuesta no está en los documentos, en lugar de inventarla.
- Si alguna respuesta muestra información a la que esa persona no tenía acceso. Aquí el objetivo es cero.
- Cuánto cuesta y cuánto tarda cada respuesta.
Si el asistente va a hablar con clientes y no solo con el equipo, añade las reglas de un asistente público, que explicamos en chatbot con IA para empresas. Y si lo que quieres es que la IA haga cosas además de responder, lee antes agentes de IA para empresas: responder con tus documentos y actuar por su cuenta son riesgos muy distintos.
RAG es solo una de las formas de usar la IA; compáralo con otras en casos de uso de IA en empresas.
Fuentes consultadas
Comprobadas el 26 de septiembre de 2026. Enlazamos la fuente original para que puedas consultar el texto vigente.
Preguntas frecuentes
¿Qué es un RAG en inteligencia artificial?
Es una técnica en la que el modelo, antes de responder, busca en una colección de documentos los fragmentos relacionados con la pregunta y redacta la respuesta con ellos. Permite que la IA conteste con información propia y actualizada sin volver a entrenarla.
¿Qué diferencia hay entre RAG y entrenar un modelo con mis datos?
Entrenar cambia el modelo y es caro de repetir cada vez que cambian los documentos. RAG deja el modelo como está y le da, en cada pregunta, los fragmentos relevantes. Si actualizas un documento, la siguiente respuesta ya lo tiene en cuenta, y además puede citar de dónde sale.
¿De qué depende lo que cuesta un RAG?
Del volumen y el estado de los documentos (limpiarlos suele ser la parte más larga), de cuánto texto se envía al modelo en cada pregunta, del número de consultas, del control de permisos que haga falta y del mantenimiento del índice. Sin registrar cada llamada no se puede saber el coste real por respuesta.
¿Un RAG puede inventarse respuestas?
Sí, si la búsqueda no trae el fragmento bueno o si el modelo rellena huecos. Se reduce exigiendo que cite el documento, que diga «no lo encuentro» cuando no hay respuesta y midiendo con preguntas reales cuya respuesta correcta se conoce.
¿Algo de esto encaja con tu negocio? Cuéntanos cómo lo haces hoy.