RAG: qué es, cómo funciona y para qué sirve en una empresa
Qué es RAG — definición en una frase
RAG (Retrieval-Augmented Generation) es una técnica de IA que combina un modelo de lenguaje con una base de conocimiento propia: antes de responder, el sistema busca la información relevante en tus documentos y la usa para construir la respuesta. Resultado: el agente responde sobre tu negocio sin inventarse datos.
El problema que resuelve RAG
Los modelos de IA como GPT-4 o Claude tienen un límite: solo saben lo que aprendieron durante el entrenamiento, que tiene una fecha de corte. No conocen tu catálogo, tus precios actuales, tus procedimientos internos, ni los datos de tus clientes.
Sin RAG, un chatbot de empresa tiene dos opciones malas:
Con RAG, el agente consulta en tiempo real la base de conocimiento de tu empresa antes de responder. Sabe lo que hay en tu documentación actualizada.
Cómo funciona RAG paso a paso
Paso 1 — Ingesta de documentos: los documentos de tu empresa (catálogo, precios, FAQs, procedimientos, contratos tipo) se procesan y dividen en fragmentos pequeños (chunks de 200-500 palabras).
Paso 2 — Embeddings: cada fragmento se convierte en una representación matemática (vector) que captura su significado semántico. Se almacena en una base de datos vectorial (Supabase con pgvector, Pinecone, Weaviate).
Paso 3 — Consulta del usuario: cuando el usuario hace una pregunta, se convierte también en un vector y se busca qué fragmentos de la base de conocimiento son semánticamente similares a la pregunta.
Paso 4 — Generación con contexto: el modelo recibe la pregunta más los fragmentos relevantes encontrados, y genera una respuesta basada en esa información real. No inventa; sintetiza lo que hay.
Cuándo tiene sentido RAG en una empresa
| Caso de uso | RAG recomendado | Alternativa sin RAG |
| Catálogo con 50+ productos/servicios | Sí | No viable (demasiado para programar) |
| FAQ fijas de 10-20 preguntas | No necesariamente | Programar respuestas directas |
| Atención al cliente con política de empresa | Sí | Riesgo de errores |
| Consultas sobre contratos o condiciones | Sí | Muy arriesgado sin RAG |
| Soporte técnico con documentación extensa | Sí | Imposible sin RAG |
| Reservas simples con calendario | No | Integración directa con calendario |
Limitaciones que conviene conocer
Calidad del input = calidad del output: si la documentación de tu empresa está desorganizada, incompleta o contradictoria, el agente RAG lo reproducirá. "Basura dentro, basura fuera."
No es perfecto al 100%: el sistema recupera los fragmentos más relevantes, pero no siempre el que el usuario necesitaría. La precisión depende de cómo están estructurados los documentos.
Requiere mantenimiento: si cambias precios, productos o procedimientos, hay que actualizar la base de conocimiento. Si no se actualiza, el agente responde con datos viejos.
Stack técnico habitual en PYMEs españolas
- Base de datos vectorial: Supabase con extensión pgvector (servidores EU, RGPD)
- Modelo de embeddings: text-embedding-3-small (OpenAI) o voyage-3 (Anthropic)
- Modelo de generación: Claude 3.5 Sonnet o GPT-4o-mini según presupuesto
- Orquestación: n8n (para flujos) o LangChain/LangGraph (para agentes complejos)
Precios de implementación RAG
| Complejidad | Base de conocimiento | Precio |
| RAG básico | Hasta 50 documentos / 500 páginas | 800-1.500€ |
| RAG avanzado | Hasta 500 documentos + actualización automática | 1.500-3.000€ |
| RAG multimodal (texto + imágenes + PDF) | Volumen alto | 3.000-5.000€ |
El mantenimiento y la actualización de la base de conocimiento se puede incluir en un retainer mensual (desde 150€/mes) o facturar por actualización (50-100€/batch).
El diagnóstico gratuito evalúa si RAG tiene sentido para tu caso o si hay una solución más simple con el mismo resultado.
¿Quieres aplicar esto en tu negocio?
Esto es lo que puedes automatizar en una pyme como la tuya, con una agencia de IA en Sevilla: