Preguntar algo a un LLM entrenado hace meses tiene un problema evidente: no sabe nada de lo que ha pasado después de su entrenamiento, ni conoce datos privados de una empresa concreta que nunca vio durante ese proceso. El RAG (Retrieval-Augmented Generation, «generación aumentada por recuperación») resuelve justo esto: antes de responder, el sistema busca información relevante y actualizada en una fuente externa, y construye su respuesta apoyándose en lo que encuentra, no solo en lo que memorizó durante el entrenamiento.
Dos pasos, no uno
Primero, recuperación: ante una pregunta, el sistema busca en una base de datos, en documentos internos o directamente en la web los fragmentos de información más relevantes para esa consulta concreta. Segundo, generación: el modelo de lenguaje redacta una respuesta usando esa información recuperada como contexto, en lugar de basarse únicamente en lo que ya tenía memorizado de su entrenamiento original.
Por qué esto reduce (sin eliminar del todo) las alucinaciones
Cuando un modelo responde solo con lo que memorizó, puede inventar con total naturalidad un dato que suena plausible pero es falso. Con RAG, la respuesta se apoya en fuentes concretas y verificables, lo que reduce notablemente ese riesgo, aunque no lo elimina por completo: el sistema puede seguir interpretando mal la información recuperada, o mezclar fuentes de forma incorrecta.
Dónde se aplica en la práctica
- Asistentes de IA que buscan en la web antes de responder, para incorporar información reciente que no formaba parte de su entrenamiento.
- Chatbots internos de empresa, que consultan documentación propia (manuales, políticas, catálogos) antes de responder a un empleado o cliente.
- Herramientas de búsqueda generativa, que citan fuentes concretas al construir una respuesta sintetizada.
Por qué le interesa a alguien que no programa
Entender que las respuestas de IA que citan fuentes concretas suelen apoyarse en RAG ayuda a valorar mejor su fiabilidad: una respuesta con fuentes verificables detrás merece más confianza que una generada solo de memoria por el modelo, sin ningún respaldo externo consultado en el momento de responder.