Qué es RAG: Beneficios, ejemplos y cómo funciona

Retrieval-Augmented Generation, en su versión corta RAG, es la técnica que usa la IA para construir sus respuestas y que consiste en la combinación de los datos de entrenamiento del modelo y la búsqueda de información externa.

Si te ocupás del marketing de una empresa, entender cómo funciona el RAG te puede ayudar a mejorar la visibilidad en la IA. Por eso es importante que tengas claro:

        • RAG funciona como una herramienta que aporta datos actualizados al modelo de IA.
        • El proceso RAG te ayuda a usar datos propios (catálogos, preguntas frecuentes, precios) muy valorados por la IA.
        • Podés aprovechar RAG en los sistemas que usas en tu negocio.
        • El próximo paso: el RAG agéntico.

pantalla-con-conversacion-ia

Tabla de contenidos

¿Qué es RAG?

La generación aumentada por recuperación o RAG es el proceso mediante el cual la IA combina datos de entrenamiento del LLM con información externa para generar respuestas más completas, verosímiles y actualizadas.

El proceso RAG tiene la ventaja de reducir tres problemas que tienen los LLM al generar las respuestas

        • Conocimientos desactualizados: los sistemas no conocen los datos que se producen luego de su fecha de entrenamiento o de su última actualización.
        • Acceso limitado a información: existen documentos que pueden tener acceso bloqueado o que no están indexados y que la IA no puede usar para construir sus respuestas.
        • Alucinaciones: cuando la IA no sabe, suele inventar.

¿Qué beneficios aporta RAG a la generación de respuestas?

Beneficio Qué aporta Qué resuelve
Información actualizada El modelo consulta fuentes vigentes al responder, sin esperar a un reentrenamiento. La fecha de corte del conocimiento
Menos alucinaciones La respuesta se apoya en documentos concretos, no solo en lo que el modelo “recuerda”. Respuestas inventadas
Trazabilidad Con la mención de fuentes y referencias es posible saber de dónde vino la información recuperada. Falta de verificación
Mayor relevancia El modelo suma contexto específico (datos de la empresa, del sector, del usuario) a su conocimiento general. Respuestas genéricas

Ejemplo práctico de RAG

En una conversación con el asistente virtual de un ecommerce un usuario consulta sobre la política de devolución de una compra.

        • Consulta: ¿Puedo devolver el producto después de 30 días?
        • Recuperación con RAG: el sistema revisa el documento Política de Devoluciones y recupera el fragmento de interés.
        • Respuesta del LLM: Según nuestras políticas, no se aceptan devoluciones después de los 30 días de realizada la compra.

En este ejemplo, no es necesario que en el entrenamiento el sistema haya aprendido las políticas de devolución, que pueden cambiar. Con RAG accede al documento con una API y recupera la información más actualizada.

Ejemplos de RAG con Inteligencia Artificial

Asistente interno de una PYME

La parte contable de una fábrica tiene que cargar declaraciones y presentaciones en ARCA cada cierto tiempo. Con RAG, el sistema puede acceder a la normativa vigente, sin necesidad de guardar la información de reglas que cambian continuamente.

Atención al cliente en una inmobiliaria

Un asistente virtual impulsado por IA puede responder requisitos de alquiler y disponibilidad de propiedades recuperando la información de la base de datos de la propia inmobiliaria aunque esta se actualice a diario.

¿Cómo funciona el RAG?

Si bien el proceso del RAG es complejo, podemos sintetizar su funcionamiento en cuatro etapas principales:

1.Preparación preliminar de las fuentes

El sistema RAG procesa y organiza documentos (manuales, PDF, tickets, páginas web) para poder encontrar más fácilmente la información que le interesa.

2. Recuperación de la información (Retrieval)

Cuando un usuario hace una pregunta, el sistema busca en las fuentes y recupera los fragmentos relacionados con la consulta. En esta etapa también se ejecuta en forma simultánea query fan-out que amplía la búsqueda con subconsultas.

3. Incorporación del contexto (Augmented)

A esta etapa también se la llama aumento del prompt. Consiste en agregar la información recuperada para que el LLM pueda elaborar una respuesta.

4. Generación de la respuesta (Generation)

Con la pregunta original, la información recuperada y el contexto el LLM genera una respuesta que puede incluir citas, referencias y enlaces a las fuentes.

como funciona el rag

¿En qué se diferencian las búsquedas de RAG y LLM?

Hacer consultas a la IA y obtener respuestas en segundos ha cambiado la forma de buscar en línea. Detrás de eso, el marketing se tuvo que adaptar y crear estrategias para alcanzar a los usuarios en este nuevo canal: los motores generativos impulsados por IA.

En estos sistemas, el LLM aporta la capacidad de comprender las consultas y generar las respuestas, pero con un detalle: el modelo responde a las búsquedas con datos de entrenamiento. 

Por eso, para tener respuestas actualizadas es fundamental el proceso de RAG que aporta la recuperación de información de fuentes externas. Así el modelo redacta con un contexto, usando datos verificables e información fresca.

«RAG ayuda a minimizar las contradicciones y las incoherencias en el texto generado. Esto mejora significativamente la calidad del texto generado y la experiencia de usuario.» Fuente: Google

¿Cuál es la relación entre RAG y posicionamiento en IA?

Cuando tus clientes buscan tus productos y servicios en motores generativos, tu marca tiene que aparecer en ChatGPT, los resúmenes IA de Google, Perplexity y otras plataformas de IA.
Para ello, deberías optimizar tu sitio con una estrategia que incluya SEO para que tu contenido gane visibilidad en el buscador tradicional, y GEO para que la IA lo elija y lo mencione. Tené en cuenta que los LLM que buscan en la web, solo procesan información que está indexada, pero el RAG permite conectar con datos propios del negocio para generar respuestas más completas y actualizadas.

9/10 citas de la vista creada con IA de Google no provienen del top 10, pero cuando una página está en el top 10, cuanto más arriba, más la cita la IA: el 23,6% de las primeras frente al 7% de las novenas. Fuente: iSocialWeb.

Sin embargo, la recuperación de RAG que aporta información fresca y propia, requiere optimizaciones que involucran ajustes de SEO y GEO:

Optimizaciones Acciones de SEO/GEO
Accesibilidad Evitar páginas bloqueadas para los buscadores y contenido que no se renderiza correctamente por el uso de JavaScript.
Datos de valor Incluir estadísticas, definiciones, ejemplos y fuentes claras. Evitar contenido genérico y afirmaciones sin referencias de calidad.
Confiabilidad Mostrar autoría real y visible, conseguir menciones en sitios con autoridad y mantener la coherencia entre el sitio web, las redes sociales y la ficha de negocio.
Secciones extraíbles Organizar el contenido con subtítulos descriptivos y respuestas directas al inicio de cada sección. Cada fragmento debe entenderse por sí mismo, incluso cuando se recupera fuera de su contexto original.

«El primer 30% del contenido de una página genera el 44,2% de todas las citas.»  Fuente: Ahrefs – estudio de Kevin Indig sobre 1,2 millones de citas de ChatGPT.

Lo que ya llegó: RAG agéntico

Según especialistas en IA como Michael King de iPullRank , el RAG clásico ya está evolucionando y las principales plataformas de IA como ChatGPT, Google AI mode, Perplexity y Copilot funcionan con RAG agéntico. ¿Tu contenido está listo para ese nuevo recorrido?

«Imagine la arquitectura RAG clásica como una sola flecha que apunta hacia la derecha: la consulta entra por un extremo y la respuesta sale por el otro. Ahora imagine el RAG agéntico como un bucle con cinco paradas etiquetadas — planificador, enrutador, herramientas de recuperación, crítico, sintetizador — y flechas bidireccionales que permiten al agente volver a visitar cualquier parada hasta que el crítico dé su aprobación. Ese bucle es lo que tu contenido tiene que sobrevivir.»  Fuente: Search Engine Land.

Optimizar contenido para IA ¡nuestra agencia te lo resuelve!

imagen google evento

Good SEO is Good GEO. Somos especialistas en SEO y entramos en esta era de la IA ayudando a decenas de marcas a aprovechar la potencialidad de este nuevo canal de marketing.

Aunque las máquinas y los sistemas como RAG y LLM, son protagonistas, la creatividad, el criterio y las perspectivas humanas siguen ganando en la carrera de posicionar y aparecer en ChatGPT y otros motores generativos. ¡Y así lo hacemos en Seonet!

Si tu empresa necesita visibilidad en la IA contactanos y te asesoramos. Tenemos especialistas que están listos para diseñar la estrategia de GEO que tu marca necesita.

Preguntas frecuentes sobre RAG

¿Qué es RAG en IA?

El RAG es la tecnología que permite combinar la información de un LLM con datos externos, para generar respuestas más actualizadas y confiables en la IA.

¿RAG elimina las alucinaciones de la IA?

No, las reduce. Si la fuente que usa la recuperación tiene información errónea la respuesta igual puede salir mal.

¿RAG es aplicable a un asistente en una PYME?

Sí. Es posible tener un asistente virtual que utilice documentos propios para dar respuestas. Esto puede ser de utilidad en empresas que trabajan con documentos o informes propios que no se indexan en la web como contratos, patentes o investigaciones.

¿Qué relación existe entre RAG y SEO?

El contenido optimizado para SEO es más fácil de utilizar y recuperar, por lo cual el SEO es clave para que tu contenido sea citado por los sistemas de IA.

Fuentes consultadas:

 

Sobre el autor:

Picture of Ing. Pablo M. Suarez
Ing. Pablo M. Suarez

Fundador y director de Seonet
Ingeniero en informática, conferencista y consultor en marketing digital.
Su agencia digital Seonet ha sido reconocida por Google con el premio internacional “Excelencia en Campañas de Búsqueda”.