IA para empresas · Webpsilon

Qué es RAG y cuándo lo necesita tu empresa: IA que responde con tus documentos

La técnica que evita que la IA se invente las respuestas: busca primero en tus manuales, tarifas o contratos y responde citando la fuente. Cómo funciona, cuánto cuesta y cuándo compensa.

Revisado el 4 de octubre de 2026 · Fuentes: Lewis et al. (2020), AWS, OpenAI, Supabase, Reglamento (UE) 2024/1689, AEPD

Respuesta rápida

RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación) es una técnica que hace que una IA busque primero la información en tus documentos y después redacte la respuesta a partir de lo que ha encontrado, citando la fuente. Así responde con tus datos actualizados, no con lo que «recuerda» de internet. Es la base de los asistentes internos y chatbots que montamos en nuestro servicio de growth partner.

Lo necesitas cuando quieres que la IA conteste sobre información propia que cambia (tarifas, procedimientos, catálogo, normativa interna) y tienes más documentos de los que caben en una conversación. Si son cuatro páginas, no hace falta.

Datos clave

2020

Año del artículo de Lewis et al., de Facebook AI Research, que bautizó la técnica como RAG.

0,02 $

Por millón de tokens cuesta convertir tus textos en vectores con text-embedding-3-small de OpenAI.

< 1 céntimo

Cuesta indexar un manual de 500 páginas (unos 350.000 tokens) con ese modelo.

720

Búsquedas al mes de «rag ia» en España; «que es rag» suma 390 (Open SEO).

Lo básico

¿Qué es RAG en inteligencia artificial?

Un modelo de lenguaje como GPT, Claude o Gemini sabe lo que aprendió durante su entrenamiento, pero no conoce tus tarifas de este año, tu manual de procedimientos ni el contrato con tu proveedor. Si le preguntas, puede contestar con seguridad algo falso: lo que se conoce como «alucinación».

RAG resuelve esto añadiendo un paso previo. Según la definición de AWS, consiste en que el modelo consulte una base de conocimiento autorizada antes de generar la respuesta. Funciona en cuatro pasos:

  1. Preparar: tus documentos se dividen en fragmentos y cada uno se convierte en un vector numérico («embedding») que representa su significado.
  2. Buscar: cuando alguien pregunta, el sistema busca los fragmentos con significado más parecido a la pregunta, aunque no usen las mismas palabras.
  3. Aumentar: esos fragmentos se añaden a la pregunta como contexto.
  4. Generar: la IA redacta la respuesta usando solo ese contexto e indica de qué documento sale.

El término viene del artículo de Patrick Lewis y otros publicado en mayo de 2020. Hoy es la técnica más usada para que la IA trabaje con información de empresa.

Comparativa

¿Qué diferencia hay entre RAG, fine-tuning y pegar los documentos en el chat?

Hay tres formas de que una IA use tu información. Elegir bien ahorra mucho dinero:

Tres formas de dar tus datos a la IAToca una fila para marcarla
Pegar en el chat RAG Fine-tuning
Qué es Copiar el documento en la conversación Buscar en tus documentos antes de responder Reentrenar el modelo con tus datos
Volumen de información Lo que quepa en una conversación Miles de documentos Depende del entrenamiento
Actualizar datos Volver a pegarlos Añadir o cambiar el documento Reentrenar
Cita la fuente A veces Sí, por diseño No
Coste Bajo, pero manual Medio: desarrollo + uso Alto
Ideal para Consultas puntuales Asistentes con información que cambia Estilo o formato muy específico

Para la mayoría de pymes, la elección está entre pegar el documento (si es poco y la consulta es puntual) y RAG (si es mucho, cambia o lo usa más gente). El fine-tuning rara vez compensa para responder con datos de empresa.

Cuándo

¿Cuándo necesita RAG tu empresa?

Estas preguntas te ayudan a decidir. Si respondes «sí» a tres o más, RAG probablemente compensa:

  • ¿Tu equipo pierde tiempo buscando información en manuales, correos o carpetas compartidas?
  • ¿Los clientes preguntan cosas que están en tu documentación pero nadie la lee?
  • ¿Tienes más de unas decenas de documentos que se actualizan con frecuencia?
  • ¿Necesitas que la respuesta indique de dónde sale el dato, por motivos legales o de calidad?
  • ¿Quieres un chatbot o asistente que no se invente precios ni condiciones?

Casos de uso habituales:

  1. Asistente interno. Responde a tu equipo sobre procedimientos, convenios, tarifas o fichas técnicas citando el documento y la página.
  2. Atención al cliente. Un chatbot web o de WhatsApp que contesta con tu catálogo, condiciones de envío y garantías, y deriva lo que no sabe.
  3. Soporte técnico. Servicios técnicos que consultan manuales de cientos de modelos para diagnosticar una avería.
  4. Despachos y asesorías. Búsqueda en contratos, expedientes o normativa con la cita exacta.
  5. Ventas. El comercial pregunta «¿qué ventajas tiene este producto frente a X?» y obtiene la respuesta de las fichas oficiales.

Si tus documentos son pocos y estables, empieza por algo más barato: un asistente con un proyecto o carpeta de conocimiento en Claude o ChatGPT puede bastar.

Costes

¿Cuánto cuesta implantar RAG en una empresa?

Lo sorprendente de RAG es que la parte técnica de indexar es muy barata. El coste está en preparar bien los documentos y en el desarrollo. Estos son los componentes con precios oficiales a octubre de 2026:

Componentes de un sistema RAGPrecios oficiales, octubre de 2026
Componente Ejemplo Precio
Vectorizar documentos OpenAI text-embedding-3-small 0,02 $ por millón de tokens
Base de datos vectorial (inicio) Supabase Free con pgvector, 500 MB 0 $/mes
Base de datos vectorial (producción) Supabase Pro, 8 GB de disco 25 $/mes
Orquestador n8n Cloud Starter 20 €/mes
Modelo que redacta la respuesta Modelos ligeros de OpenAI, Anthropic o Google Por millón de tokens, según modelo

Un ejemplo con cifras: un manual de 500 páginas tiene unas 250.000 palabras, alrededor de 350.000 tokens. Vectorizarlo con el modelo de OpenAI cuesta 0,35 × 0,02 = 0,007 $, menos de un céntimo. Y la base de datos inicial de Supabase es gratuita hasta 500 MB.

Lo que de verdad cuesta es el desarrollo y el mantenimiento: limpiar documentos, decidir cómo trocearlos, probar con preguntas reales y ajustar. Es ahí donde un RAG funciona o da respuestas mediocres.

Errores

¿Por qué falla un RAG? Errores frecuentes y riesgos

RAG reduce mucho las respuestas inventadas, pero no las elimina. Los fallos más comunes que vemos:

  • Documentos desordenados. PDF escaneados sin texto, versiones antiguas mezcladas con las nuevas, tablas que se rompen al extraerlas. Si la fuente es mala, la respuesta también.
  • Fragmentos mal cortados. Si una condición queda partida entre dos fragmentos, la IA solo ve la mitad.
  • Sin control de permisos. Que un empleado pueda preguntar por las nóminas porque el documento está en la misma base. Los permisos deben respetarse también en la búsqueda.
  • No medir. Sin un juego de 50–100 preguntas con respuesta correcta para probar cada cambio, no sabes si mejoras o empeoras.

Y los riesgos legales:

  • RGPD. Si los documentos contienen datos personales (clientes, empleados), el sistema los trata: base legal, minimización, contrato de encargo con los proveedores y control de transferencias fuera de la UE. Valora alojar la base vectorial en la UE. La AEPD tiene una guía sobre IA y RGPD.
  • Derecho de supresión. Si alguien pide borrar sus datos, hay que borrarlos también de la base vectorial, no solo del documento original.
  • AI Act. Un asistente RAG para clientes debe avisar de que es una IA (artículo 50 del Reglamento de IA, desde el 2 de agosto de 2026). Si se usa para decisiones de selección de personal o crédito, entra en alto riesgo, aplazado al 2 de diciembre de 2027.

Un RAG bien hecho cita siempre la fuente. Es la mejor defensa: quien lee puede comprobar el dato en segundos.

Paso a paso

Cómo implantar RAG en tu empresa

  1. Define la pregunta tipo. ¿Quién va a preguntar y qué? Un asistente interno de procedimientos no es igual que un chatbot de clientes.
  2. Selecciona y limpia los documentos. Solo versiones vigentes, en texto legible, con fecha y responsable.
  3. Prepara el juego de pruebas. 50–100 preguntas reales con su respuesta correcta.
  4. Monta un piloto. Con un orquestador como n8n, una base vectorial y un modelo ligero se valida en pocas semanas.
  5. Mide y ajusta. Porcentaje de respuestas correctas, fuentes citadas, preguntas sin respuesta.
  6. Pon en producción con mantenimiento. Cada vez que cambie un documento, se actualiza la base. Sin eso, el RAG envejece.

Si quieres saber si tu empresa necesita RAG o le basta con algo más simple, escríbenos y lo valoramos con tus documentos.

RAG es una de las piezas con las que trabajamos en nuestros proyectos de inteligencia artificial para empresas. Si lo que buscas es atender a clientes con esa información, mira también cómo funciona un chatbot de WhatsApp con IA.

¿Quieres una IA que responda con los documentos de tu empresa?

En Webpsilon diseñamos asistentes con RAG: preparamos tus documentos, montamos la búsqueda, conectamos el modelo de IA y medimos que las respuestas sean correctas.

✓ Documentos preparados✓ Respuestas con fuente✓ Permisos por usuario✓ RGPD y AI Act
Preguntas frecuentes

Dudas frecuentes sobre RAG

¿Qué significa RAG en inteligencia artificial?

Retrieval-Augmented Generation, en español generación aumentada por recuperación. La IA recupera primero información relevante de tus documentos y genera la respuesta a partir de ella.

¿RAG evita que la IA se invente cosas?

Lo reduce mucho, porque obliga a responder con fragmentos de tus documentos y a citar la fuente. No lo elimina del todo: depende de la calidad de los documentos y de cómo se haya configurado.

¿Qué diferencia hay entre RAG y fine-tuning?

RAG busca en tus documentos en el momento de responder y se actualiza al cambiar un archivo. El fine-tuning reentrena el modelo, es más caro, no cita fuentes y hay que repetirlo cuando cambian los datos.

¿Cuánto cuesta un sistema RAG?

Indexar documentos cuesta muy poco: con text-embedding-3-small de OpenAI, 0,02 $ por millón de tokens. Lo que más pesa es el desarrollo, la preparación de documentos y el mantenimiento.

¿Necesito RAG si uso ChatGPT o Claude con mis archivos?

Para pocos documentos y uso personal, subir archivos a un proyecto puede bastar. RAG compensa con muchos documentos, varios usuarios, permisos distintos o un chatbot para clientes.

¿Es legal usar RAG con documentos que tienen datos personales?

Sí, cumpliendo el RGPD: base legal, minimización, contrato con los proveedores, control de transferencias y capacidad de borrar los datos también de la base vectorial.