Un sistema de IA solo se vuelve útil para una empresa cuando conoce sus propios procedimientos y trabaja con datos de negocio reales. Los modelos estándar no logran esto: están entrenados con textos de disponibilidad general y no saben nada sobre su lógica de producto, sus plantillas de oferta o sus flujos internos de aprobación. Por lo tanto, deben dotarse de contexto. Para este paso hay dos enfoques en discusión: la generación aumentada por recuperación, abreviada RAG, y el ajuste fino. Cuál es el adecuado depende del caso de uso.

Qué hace RAG

Con RAG, el modelo de lenguaje permanece sin cambios. Se antepone una capa de búsqueda: para cada consulta se buscan fragmentos adecuados de los propios fondos —manuales, páginas de wiki, historiales de tickets, datos de producto— y se entregan al modelo junto con la pregunta. La respuesta se genera, por tanto, sobre la base de material que se proporciona en el momento de la consulta.

La ventaja práctica radica en la actualidad. Si cambia una directriz, solo hay que sustituir el documento en el fondo; el modelo en sí permanece intacto. Asimismo, se puede rastrear de qué fuentes proviene una afirmación, un punto que pesa mucho en entornos regulados y en las respuestas a clientas y clientes. También se pueden representar los derechos de acceso en este punto: quien no puede ver un documento, tampoco lo recibe como contexto.

El esfuerzo se traslada, en cambio, a la preparación de datos. Los documentos deben indexarse, dividirse de forma sensata y hacerse buscables. Si el fondo es no estructurado, está desactualizado o contiene duplicados, incluso la mejor capa de búsqueda ofrece resultados débiles, y el modelo formula a partir de ellos una respuesta fluida pero incorrecta.

Qué hace el ajuste fino

En el ajuste fino se reentrena el propio modelo con material de ejemplo de la empresa. El conocimiento pasa así a los pesos del modelo, no a una base de datos antepuesta. El enfoque despliega sus fortalezas allí donde se trata menos de hechos y más de comportamiento: de un determinado tono, de un formato de respuesta fijo, de particularidades del lenguaje técnico o de tareas de clasificación recurrentes en las que el mismo tipo de entrada debe generar siempre el mismo tipo de salida.

El precio de ello es la inercia. El conocimiento nuevo o corregido no llega al sistema mediante la carga de un archivo, sino que requiere una nueva ejecución de entrenamiento con ejemplos preparados adecuadamente. Para contenidos que cambian con frecuencia, esta es la palanca equivocada. Además, en los modelos reentrenados es mucho menos fácil demostrar de dónde proviene una afirmación concreta.

La decisión según el caso de uso

En lugar de una preferencia fundamental, ayuda una mirada a las características del caso:

  • ¿Con qué rapidez queda obsoleto el conocimiento? Precios, existencias o directrices actualizados a diario abogan por RAG.
  • ¿Se trata de hechos o de forma? La información factual aboga por RAG, el formato y el estilo consistentes por el ajuste fino.
  • ¿Debe poder demostrarse el origen de una respuesta? Entonces difícilmente puede sustituirse una indicación de fuente procedente del paso de búsqueda.
  • ¿Qué homogéneas son las tareas? Un proceso estrechamente delimitado y a menudo repetido merece más esfuerzo de entrenamiento que un escenario abierto de pregunta-respuesta.
  • ¿Qué base de datos existe siquiera? El ajuste fino necesita pares de ejemplos limpios, RAG necesita documentos mantenidos. Ambas cosas son trabajo, pero diferente.

En la práctica, los enfoques no se excluyen mutuamente. Un modelo puede estar adaptado al formato y al lenguaje técnico y aun así obtener la sustancia del contenido de una capa de búsqueda. Quien quiera empezar poco a poco, normalmente comienza con RAG: el camino es más reversible, los resultados son verificables antes y la preparación de datos compensa también cuando más adelante se reentrena.

Qué significa esto para la operación

Ambas variantes generan esfuerzo continuo, solo que en lugares distintos. Los sistemas RAG necesitan un mantenimiento funcional de la base de conocimiento: ¿quién es responsable de que un documento obsoleto desaparezca realmente del índice? Los enfoques de ajuste fino necesitan un flujo definido para nuevas ejecuciones de entrenamiento y una posibilidad de detectar deterioros de calidad antes de que se hagan visibles en producción.

En ambos casos forma parte una evaluación que vaya más allá de muestras aleatorias: un conjunto fijo de preguntas típicas con respuestas correctas conocidas contra el que se comprueba cada cambio. Sin esta vara de medir no se puede determinar si una adaptación ha mejorado o empeorado el sistema.

La relación con el CMS

Para los sistemas de gestión de contenidos, el punto es más obvio de lo que parece a primera vista. Un CMS ya es un fondo de conocimiento estructurado, con gestión de derechos y versionado, es decir, exactamente lo que necesita una capa de búsqueda. La asistencia editorial, la búsqueda interna o la consulta por chat basada en los propios contenidos pueden conectarse así sin que los contenidos se transfieran a un modelo y queden allí congelados de forma permanente. La soberanía editorial permanece donde corresponde: en el sistema de redacción.

Para proyectos web y de software, esto significa: la cuestión de RAG o ajuste fino no es una mera cuestión de modelo, sino una cuestión de almacenamiento de datos y de responsabilidades. Quien de todos modos estructura, versiona y dota de derechos sus contenidos de forma limpia, ya ha realizado la mayor parte del trabajo previo.

Y quien toma la decisión de arquitectura a tiempo evita que un prototipo solo pueda convertirse más tarde en un servicio operable con un gran esfuerzo.

Fuentes