RAG empresarial: IA que responde con tus documentos

RAG (generación aumentada por recuperación) es la técnica que permite a un modelo de lenguaje responder usando los documentos de tu empresa: antes de contestar, el sistema busca los fragmentos relevantes en tus manuales, contratos o tickets y se los entrega al modelo junto con la pregunta. Bien implementado, el asistente cita la fuente de cada respuesta y solo muestra a cada persona lo que tiene permiso de ver. Esta guía explica cómo funciona, dónde suele fallar y qué necesita tu empresa para ponerlo en producción.

¿Qué es RAG empresarial y en qué se diferencia de usar ChatGPT?

RAG empresarial es un sistema que conecta un modelo de lenguaje con las fuentes internas de una organización para que sus respuestas se basen en documentos verificables y no solo en lo que el modelo aprendió en su entrenamiento. El concepto fue formalizado en 2020 por Patrick Lewis y colegas en un artículo de investigación de Facebook AI Research, y hoy es la arquitectura más usada para asistentes internos, mesas de ayuda y buscadores corporativos.

La diferencia con pegar un PDF en un chat público es práctica: un sistema RAG trabaja sobre miles de documentos a la vez, se actualiza solo cuando cambian las fuentes, registra quién preguntó qué, aplica permisos por usuario y devuelve citas comprobables. Es la base de muchos agentes de IA empresariales: antes de que un agente actúe, necesita encontrar la información correcta.

Cómo funciona RAG paso a paso

Un sistema RAG tiene dos momentos: la preparación de los documentos (ocurre en segundo plano) y la respuesta a cada pregunta (ocurre en segundos).

Ingesta: conectores leen los documentos desde su origen (carpetas compartidas, SharePoint, Google Drive, sistema de tickets, base de datos) y extraen el texto. Los PDF escaneados pasan antes por OCR para obtener texto utilizable.
Fragmentación (chunking): cada documento se divide en fragmentos de tamaño manejable, idealmente respetando su estructura: títulos, secciones, artículos de un reglamento, filas de una tabla. Cada fragmento conserva metadatos: documento de origen, página, fecha, área y permisos.
Embeddings: un modelo convierte cada fragmento en un vector numérico que representa su significado. Textos que dicen lo mismo con palabras distintas quedan cerca entre sí.
Indexación: los vectores y los metadatos se guardan en una base vectorial o en un motor de búsqueda con soporte vectorial.
Búsqueda vectorial: cuando alguien pregunta, la pregunta también se convierte en vector y se recuperan los fragmentos más parecidos por significado.
Búsqueda híbrida: la búsqueda semántica falla con códigos de producto, números de contrato o siglas. Por eso se combina con búsqueda por palabras clave (por ejemplo, BM25) y se fusionan ambos rankings.
Reranking: un modelo especializado reordena los 50 a 100 candidatos y deja solo los más útiles para la pregunta concreta.
Generación con citas: el modelo de lenguaje recibe la pregunta y los fragmentos seleccionados, con instrucciones de responder solo con esa evidencia, citar cada afirmación y decir "no lo sé" cuando la evidencia no alcanza.

Cada paso suma. En un experimento publicado por Anthropic en 2024, agregar contexto a los fragmentos y combinar embeddings con BM25 redujo los fallos de recuperación en un 49 %, y al sumar reranking la reducción llegó al 67 %. Son resultados de su conjunto de pruebas, no una garantía, pero muestran que la calidad de un RAG depende más de la recuperación que del modelo que redacta.

Permisos por documento: el diferenciador que casi nadie implementa bien

En una empresa no todos pueden ver todo: nómina, contratos con clientes, actas de directorio o expedientes de salud ocupacional tienen acceso restringido. Un asistente RAG que ignora esos permisos se convierte en la forma más rápida de filtrar información interna.

La regla es simple: los permisos se aplican en el momento de la recuperación, no en el prompt. Pedirle al modelo "no muestres información confidencial" no es un control de seguridad; un usuario hábil o un documento manipulado pueden saltarlo. Lo correcto es:

Guardar en cada fragmento la lista de usuarios o grupos autorizados (la ACL del documento original).
Identificar al usuario con el mismo sistema de identidad de la empresa (Microsoft Entra ID, Google Workspace o el que uses) y filtrar la búsqueda por sus grupos antes de recuperar nada. Los motores de búsqueda empresariales llaman a esto security trimming.
Sincronizar los cambios de permisos con la misma frecuencia que el contenido: si alguien sale de un área, debe dejar de ver sus documentos en el asistente.
Separar índices por cliente o por empresa del grupo cuando hay varios inquilinos, para evitar fugas entre contextos.
Registrar en logs qué fragmentos se recuperaron para cada respuesta, para poder auditar.

OWASP incluye este riesgo en su Top 10 para aplicaciones con LLM (debilidades en vectores y embeddings: LLM09 en la edición 2026, LLM08 en la de 2025) y recomienda bases vectoriales con control de acceso granular y particionado de datos.

Cómo mantener el conocimiento actualizado

Un asistente que responde con la política de vacaciones del año pasado pierde la confianza del equipo en una semana. Para evitarlo:

Sincronización incremental: reindexar solo lo que cambió, cada hora o cada día según la fuente, en lugar de procesar todo de nuevo.
Borrado real: cuando un documento se elimina o se archiva en el origen, sus fragmentos deben salir del índice.
Fecha y versión visibles: la cita debe mostrar la fecha del documento para que el usuario detecte información vieja.
Dueños de contenido: cada colección tiene un responsable que revisa las preguntas sin respuesta y los documentos obsoletos.
Prioridad a la fuente vigente: si existen dos versiones de un procedimiento, la metadata permite preferir la aprobada más reciente.

Fuentes típicas y qué cuidar en cada una

Fuente	Ejemplos	Qué cuidar
PDF y documentos de oficina	Manuales, reglamentos internos, contratos, fichas técnicas	PDF escaneados sin texto, tablas que se desarman al extraer, versiones duplicadas
SharePoint, OneDrive, Google Drive	Carpetas por área, políticas, presentaciones	Respetar permisos heredados de carpetas y enlaces compartidos
Tickets y correo de soporte	Historial de casos resueltos, respuestas a clientes	Datos personales de clientes, respuestas incorrectas que se volvieron "conocimiento"
Bases de datos y ERP	Inventario, estado de pedidos, saldos	Para datos que cambian a cada minuto conviene consultar en vivo (con herramientas o APIs) en lugar de indexar
Wikis y bases de conocimiento	Confluence, Notion, intranet	Páginas abandonadas sin dueño ni fecha de revisión

Para conectar sistemas vivos como el ERP, cada vez se usa más un estándar abierto como el Model Context Protocol (MCP), que permite al asistente consultar datos con los permisos del usuario.

Errores de calidad más comunes

Chunking mal hecho: cortar cada 500 palabras sin mirar la estructura separa una condición de su excepción, o una tabla de su encabezado. El modelo recibe medio párrafo y responde mal con total seguridad.
Documentos obsoletos o contradictorios: RAG no limpia tu repositorio; si hay tres versiones de una política, el asistente puede citar cualquiera.
Respuestas sin citas: sin la fuente, nadie puede verificar y los errores pasan desapercibidos. Las citas deben enlazar al documento y, si se puede, a la página.
Alucinaciones por falta de evidencia: cuando la búsqueda no encuentra nada útil, el modelo tiende a rellenar. La instrucción de abstenerse y una prueba específica para esos casos son obligatorias.
Demasiado contexto: enviar 40 fragmentos "por si acaso" sube el costo y empeora la respuesta; los modelos aprovechan peor la información que queda en medio de un contexto largo.
No medir: sin un conjunto de preguntas reales con respuestas esperadas, cada cambio es una apuesta. Te lo explicamos en la guía sobre cómo evaluar asistentes de IA.

Seguridad y datos personales

Además de los permisos, un RAG abre riesgos propios. El más importante es la inyección indirecta de instrucciones: un documento o correo indexado puede contener texto oculto que intenta dar órdenes al modelo. Lo explicamos en detalle en nuestra guía de prompt injection, y el panorama completo de riesgos está en la guía del OWASP Top 10 para LLMs.

En Ecuador, si los documentos contienen datos personales aplica la Ley Orgánica de Protección de Datos Personales (LOPDP). Puntos concretos para un proyecto RAG:

Los datos de salud y biométricos son datos sensibles (art. 4) y su tratamiento está prohibido salvo las excepciones del art. 26, como el consentimiento explícito.
Si el modelo se consume vía API de un proveedor en el extranjero, hay una transferencia internacional de datos que debe ajustarse a los arts. 55 y siguientes.
El art. 37 exige medidas de seguridad adecuadas al riesgo: cifrado, control de acceso y registros de auditoría aplican también al índice vectorial, que es una copia de tus documentos.
Minimiza: no indexes lo que el asistente no necesita para su propósito.

Fases de un proyecto RAG y qué debe aportar tu empresa

Descubrimiento (1 semana): definimos casos de uso, usuarios, fuentes y reglas de permisos, y recolectamos 50 a 100 preguntas reales.
Prototipo sobre datos reales (2 a 4 semanas): ingesta de una o dos fuentes, búsqueda híbrida, citas y una primera medición de calidad. En nuestro servicio de desarrollo con IA esta fase parte desde USD 4.000.
Endurecimiento: integración con el sistema de identidad, permisos sincronizados, logs, pruebas de seguridad y conjunto de evaluación ampliado.
Despliegue gradual: un área piloto, retroalimentación con pulgar arriba o abajo, ajustes semanales.
Operación: monitoreo de calidad, costos y contenido obsoleto.

Lo que tu empresa debe aportar: acceso de lectura a las fuentes, un responsable de negocio con tiempo semanal, preguntas reales con sus respuestas correctas, la definición de quién puede ver qué y, sobre todo, la decisión de qué documentos son la versión vigente. El costo total depende de cuántas fuentes y usuarios entren; lo desglosamos en cuánto cuesta implementar IA en una empresa.

Preguntas frecuentes

¿RAG elimina por completo las alucinaciones?

No. RAG reduce mucho las respuestas inventadas porque el modelo trabaja sobre evidencia concreta, pero si la búsqueda trae fragmentos equivocados o incompletos, el modelo puede responder mal. Por eso un buen sistema exige citas, se abstiene cuando no hay evidencia suficiente y se mide con un conjunto de preguntas reales antes de cada cambio. Las alucinaciones se gestionan con diseño y evaluación continua, no desaparecen solas.

¿Mis documentos se usan para entrenar el modelo?

En un sistema RAG, tus documentos no se usan para entrenar el modelo: se guardan en un índice que tú controlas y solo se envían fragmentos al modelo en el momento de responder. Lo que sí debes revisar son las condiciones del proveedor de la API (retención de datos y uso para entrenamiento) y, en Ecuador, cumplir las reglas de transferencia internacional de la LOPDP si el proveedor procesa datos fuera del país.

¿Cuántos documentos necesito para empezar con RAG?

No hay un mínimo. Un asistente útil puede empezar con un solo manual de procedimientos de 50 páginas o con miles de tickets. Lo importante es que los documentos estén vigentes, que el caso de uso sea concreto y que exista un grupo de preguntas reales para medir. Es mejor empezar con una fuente limpia y bien evaluada que con todo el repositorio de la empresa sin depurar.

¿Puede un asistente RAG respetar los permisos de SharePoint o Google Drive?

Sí, si se diseña para eso. Cada fragmento indexado guarda los grupos o usuarios autorizados del documento original, y en cada consulta se filtra la búsqueda según la identidad del usuario antes de recuperar contenido. Los permisos deben sincronizarse periódicamente con el origen. Lo que no funciona es confiar en instrucciones al modelo para ocultar información: el filtro debe estar en la búsqueda.

¿RAG o fine-tuning para que la IA conozca mis documentos?

Para conocimiento que cambia y que necesita citas, RAG es casi siempre la opción correcta: se actualiza al instante, permite verificar la fuente y aplicar permisos. El fine-tuning sirve para ajustar el comportamiento, el formato o el estilo del modelo, no para memorizar documentos. Lo comparamos en detalle en nuestra guía de RAG vs fine-tuning.

Conclusión

Un RAG empresarial que funciona no se distingue por el modelo que usa, sino por lo que hay alrededor: buena fragmentación, búsqueda híbrida con reranking, citas verificables, permisos aplicados en la recuperación y un proceso para mantener vigente el conocimiento. Si empiezas con un caso de uso concreto, una fuente limpia y preguntas reales para medir, en pocas semanas sabrás si el asistente aporta valor antes de escalarlo.

Si quieres un asistente que responda con los documentos de tu empresa y respete quién puede ver qué, conoce nuestro servicio de desarrollo con IA o agenda una consulta gratuita y revisamos tus fuentes contigo.

RAG empresarial: cómo crear una IA que responde con los documentos de tu empresa