# Qué es RAG (generación aumentada por recuperación)

> Qué es RAG en IA, de qué artículo sale, cómo lo usan Google y ChatGPT para responder con fuentes y qué parte de tu ficha de producto acaba en la respuesta.

URL: https://clione.ai/es/glosario/rag/
Lang: es

RAG son las siglas inglesas de _retrieval-augmented generation_, generación aumentada por recuperación. No es un modelo ni un producto, sino una forma de montar un sistema: **primero se busca, después se redacta**. Si buscas «rag» a secas encontrarás trapos, música _ragtime_ y poco más; aquí hablamos de inteligencia artificial. A una tienda le importa porque cada vez que un asistente responde con fuentes y cita tu [ficha de producto](/es/glosario/ficha-de-producto/), tu página ha sido el documento recuperado, y lo que el sistema tomó de ella decide lo que dice de ti.

## Cómo funciona

El nombre viene de un artículo de investigación de Patrick Lewis y otros once autores, publicado en arXiv el 22 de mayo de 2020 y aceptado en la conferencia NeurIPS 2020. Partía de un problema: los modelos de lenguaje preentrenados guardan conocimiento en sus parámetros, pero les cuesta acceder a él con precisión, y **explicar de dónde sale una respuesta o actualizar lo que saben** seguían siendo problemas abiertos.[^rag-paper] Su propuesta fue combinar dos memorias: la del propio modelo y una memoria externa, un índice vectorial de Wikipedia consultado con un recuperador neuronal. En tareas de generación, esos modelos produjeron un lenguaje **más específico, variado y fiel a los hechos** que un modelo equivalente sin recuperación.[^rag-paper]

Un sistema RAG típico hace hoy cuatro cosas, y Anthropic las describe paso a paso:[^anthropic-contextual]

1. **Trocea los documentos** en fragmentos de texto, normalmente de no más de unos cientos de [tokens](/es/glosario/token/).
2. **Convierte cada fragmento en un vector** con un modelo de [_embeddings_](/es/glosario/embeddings/) y lo guarda en una base de datos vectorial, para buscar por parecido de significado.
3. **Recupera** los fragmentos más relevantes para la pregunta, a menudo combinando esa [búsqueda vectorial](/es/glosario/busqueda-vectorial/) con una búsqueda por palabras exactas (BM25).
4. **Añade esos fragmentos a la petición** y el modelo de lenguaje redacta la respuesta con ellos delante.

El punto débil está en el primer paso. Un fragmento suelto puede perder lo que lo hacía útil: Anthropic pone el ejemplo de una frase de un informe financiero, «los ingresos de la empresa crecieron un 3 % respecto al trimestre anterior», que sin el resto del documento no dice de qué empresa ni de qué trimestre habla. Añadiendo a cada fragmento una línea de contexto antes de indexarlo, Anthropic midió **un 49 % menos de fallos de recuperación**, y un 67 % menos si además reordenaba los resultados.[^anthropic-contextual]

### RAG en los buscadores con IA

En la [búsqueda con IA](/es/glosario/busqueda-con-ia/), el índice es la web. Google define RAG, que también llama [_grounding_](/es/glosario/grounding/), como una técnica para mejorar la calidad, la precisión y la actualidad de las respuestas: **sus sistemas de clasificación de siempre recuperan páginas de su índice**, el sistema revisa la información concreta de esas páginas y genera la respuesta con enlaces a las que la respaldan.[^google-ai-guide] Por eso, para Google, entrar en lo recuperado sigue pasando por el rastreo y la [indexación](/es/glosario/indexacion/).

ChatGPT hace algo parecido con proveedores de búsqueda externos: reescribe la pregunta en una o varias consultas, revisa los primeros resultados y puede lanzar otras más específicas antes de responder.[^openai-help-search] Ese paso de multiplicar consultas tiene nombre propio, el [_query fan-out_](/es/glosario/query-fan-out/). Y Bing enseña a los propietarios de sitios un rastro de la recuperación: su informe AI Performance muestra las consultas de _grounding_, las frases clave que usó la IA para recuperar el contenido que acabó citado.[^bing-ai-performance]

## En una tienda

Un **ejemplo ficticio**: la ficha de un trípode de viaje. Microsoft explica que los asistentes parten el contenido en piezas y ensamblan la respuesta con piezas de varias fuentes,[^microsoft-ai-search] así que conviene leer la ficha como la leería un recuperador, párrafo a párrafo:

| Fragmento de la ficha                               | Leído solo, ¿se entiende?         | Cómo se arregla                                                                                    |
| --------------------------------------------------- | --------------------------------- | -------------------------------------------------------------------------------------------------- |
| «Pesa 1,4 kg y aguanta hasta 8 kg.»                 | No: no dice qué producto pesa eso | «El trípode de viaje X pesa 1,4 kg y aguanta hasta 8 kg.»                                          |
| «Compatible con todas las anteriores.»              | No: ¿anteriores a qué?            | Nombrar las rótulas o cámaras con las que es compatible                                            |
| «Plegado mide 40 cm, cabe en una maleta de cabina.» | A medias: falta el producto       | Nombrar el producto en la frase                                                                    |
| Tabla de especificaciones dentro de una imagen      | No llega al texto                 | Pasarla a HTML; Microsoft avisa de que el texto en imágenes se entiende peor[^microsoft-ai-search] |

Es el mismo problema que el del informe financiero: **una frase que solo se entiende con la página entera alrededor** se recupera peor y se cita peor. Clione usa este esquema en su propio enriquecimiento: cuando la tienda lo activa, adjunta al _prompt_ de cada producto cuatro fragmentos de los documentos que ha subido, unos 1.200 tokens.


Que RAG acaba con las invenciones. La recuperación ayuda: el artículo original midió respuestas más fieles a los hechos,[^rag-paper] y Google la usa para mejorar la precisión.[^google-ai-guide] Pero el modelo sigue redactando, y OpenAI avisa de que los resultados y las citas de ChatGPT con búsqueda **pueden estar incompletos, desfasados o equivocados**, y aconseja abrir la fuente citada para comprobar que respalda la respuesta.[^openai-help-search] Una cita no garantiza que la frase que la acompaña esté en tu página.


## Cómo comprobarlo

1. **Lee tu ficha párrafo a párrafo, como fragmentos sueltos.** Si un párrafo no nombra el producto o depende del anterior para entenderse, reescríbelo para que se sostenga solo.[^anthropic-contextual]
2. **Saca los datos de las imágenes, los PDF y las pestañas cerradas** y ponlos en el texto HTML de la página.[^microsoft-ai-search]
3. **Confirma en [Search Console](/es/glosario/search-console/) que la ficha está indexada.** En Google, lo que no está en el índice no se recupera.[^google-ai-guide]
4. **Haz una pregunta con búsqueda y abre cada fuente citada.** Comprueba que la frase que se le atribuye está de verdad en la página.[^openai-help-search]
5. **Si tienes la web en [Bing Webmaster Tools](/es/glosario/bing-webmaster-tools/), mira las consultas de _grounding_** de AI Performance: qué frases llevaron a recuperar las páginas que te citaron.[^bing-ai-performance]

## Concepto cercano: grounding

Google trata RAG y _grounding_ como el mismo proceso: su guía define RAG y añade que también se conoce como _grounding_.[^google-ai-guide] La diferencia útil es de enfoque. RAG nombra el mecanismo, recuperar y luego generar; _grounding_ nombra el resultado que se busca, una respuesta anclada en fuentes concretas. Por eso Bing habla de consultas de _grounding_ para las búsquedas que hace la IA antes de citar.[^bing-ai-performance] Para una tienda, lo práctico es lo mismo con los dos nombres: **tu página solo cuenta si se recupera, y solo se cita bien si cada fragmento se entiende solo**.

Para seguir, la entrada del [LLM (modelo de lenguaje grande)](/es/glosario/llm/) explica qué hace el modelo con lo recuperado, y la [ruta de lectura de búsqueda con IA](/es/aprender/busqueda-con-ia/) ordena el resto de términos.