RAG explicado: cómo crear un chatbot que responde con tus propios documentos
Una guía clara sobre la generación aumentada por recuperación (RAG): cómo funciona, cuándo la necesitas, cuánto cuesta desarrollarla y qué errores hacen que los asistentes de IA respondan mal.

Pregunta a un modelo de IA general por la política de devoluciones de tu empresa y se negará a responder o, peor aún, inventará una respuesta verosímil. Sencillamente, nunca ha visto tus documentos. La generación aumentada por recuperación (RAG) lo resuelve: antes de responder, el sistema busca los fragmentos relevantes de tu propio contenido y se los da al modelo como contexto.
Cómo funciona RAG
- Preparación (una vez y después en cada actualización): los documentos se dividen en fragmentos (chunks) y cada uno se convierte en un vector numérico (embedding) que recoge su significado. Los vectores se guardan en una base de datos vectorial.
- Búsqueda: la pregunta del usuario también se convierte en vector y la base devuelve los fragmentos más cercanos en significado, a menudo combinados con la búsqueda clásica por palabras clave.
- Generación: el modelo recibe la pregunta, los fragmentos encontrados e instrucciones como «responde solo con el contexto, cita las fuentes y di que no lo sabes si la respuesta no está».
Cuándo necesitas RAG y cuándo no
| Situación | ¿Encaja? |
|---|---|
| Bot de soporte que responde con artículos del centro de ayuda y políticas | Sí |
| Asistente interno para buscar en wikis, contratos y documentación técnica | Sí |
| Asistente de ventas que responde con catálogos y tarifas | Sí, con sincronización de datos al día |
| Cálculos, estado de pedidos, datos de la cuenta | Mejor con llamadas directas a la API (herramientas), no RAG |
| Textos creativos sin datos de la empresa | No hace falta |
De qué depende la calidad de las respuestas
- Calidad de las fuentes: documentos desactualizados o contradictorios producen respuestas desactualizadas o contradictorias. Poner orden en la base de conocimiento suele ser la mitad del proyecto.
- Fragmentación: los fragmentos demasiado pequeños pierden contexto y los demasiado grandes diluyen la búsqueda. Dividir por títulos y secciones suele funcionar mejor que por longitud fija.
- Búsqueda: la búsqueda híbrida (significado + palabras clave) y la reordenación de resultados mejoran mucho la relevancia, sobre todo con referencias de producto y nombres.
- Instrucciones: el modelo debe saber que tiene que ceñirse al contexto y admitir cuándo no sabe algo.
- Permisos de acceso: cada usuario solo debe recibir respuestas de documentos que tenga permiso para ver.
Stack tecnológico típico
| Capa | Opciones |
|---|---|
| Modelos | OpenAI GPT, Anthropic Claude, Google Gemini o modelos abiertos como Llama o Mistral |
| Embeddings y almacenamiento vectorial | pgvector en PostgreSQL, Qdrant, Pinecone, Weaviate |
| Orquestación | LangChain, LlamaIndex o un servicio propio ligero |
| Interfaz | Widget en la web, bot de Telegram o Slack, portal interno |
| Calidad | Conjunto de evaluación, registros, botones de valoración, monitorización |
Cómo creamos un asistente RAG
- Análisis: qué preguntas debe responder, con qué fuentes y para quién.
- Auditoría del conocimiento: eliminamos duplicados y documentos obsoletos y definimos reglas de actualización.
- Prototipo en 1–2 semanas con documentos y preguntas reales.
- Evaluación: 50–150 preguntas de prueba con respuestas esperadas; medimos la precisión, el apoyo en las fuentes y el comportamiento de «no lo sé».
- Integración y lanzamiento: widget o bot, permisos de acceso, analítica.
- Ciclo de mejora: cada mala respuesta en producción se convierte en un nuevo caso de prueba.
Costes y privacidad
Los costes de funcionamiento dependen sobre todo del número de preguntas y del modelo elegido; para la mayoría de pymes son modestos comparados con el tiempo del equipo de soporte. Si los datos no pueden salir de tu infraestructura, todo el stack puede funcionar en tus servidores con modelos abiertos.


