RAG en producción
La generación aumentada por recuperación es fácil de demostrar y difícil de llevar a producción. La diferencia está en la recuperación consciente de permisos, las respuestas fundamentadas y la evaluación que detecta las alucinaciones.
Una demo de generación aumentada por recuperación lleva una tarde. Un sistema RAG que se puede poner delante de una empresa exige la disciplina que la demo se salta, empezando por quién puede ver qué.
La implementación de RAG es la capacidad más solicitada en la IA empresarial ahora mismo, porque promete respuestas fundamentadas en el conocimiento de la propia organización. La promesa es real. Los modos de fallo son concretos y evitables.
La recuperación consciente de permisos no es negociable
La primera pregunta de todo sistema RAG empresarial no es «cuál es la mejor respuesta», sino «qué está autorizado a saber este usuario». Si la recuperación puede mostrar un documento que el usuario no podría abrir de otro modo, ha construido un motor de exposición de datos con una amable interfaz de chat. El control de acceso debe trasladarse a la recuperación: el índice respeta los mismos permisos que los sistemas de origen, y cada consulta se limita a los derechos de quien la solicita.
Si la recuperación puede mostrar lo que el usuario no puede abrir, ha construido un motor de exposición de datos con una interfaz de chat.
Fundamente cada afirmación y muestre sus fuentes
Una respuesta sin citas es una afirmación gratuita. Un sistema RAG de producción fundamenta cada afirmación en la evidencia recuperada y muestra al usuario de dónde salió la respuesta. Esto hace dos cosas: permite al usuario verificar y hace visible la alucinación. Cuando una respuesta no se puede fundamentar, el sistema honesto lo dice en lugar de inventar un párrafo con aire de seguridad.
Las partes poco vistosas deciden la calidad
Los equipos se obsesionan con qué modelo usar. En la práctica, la calidad de la recuperación la gobiernan las partes que nadie enseña en una demo: cómo se fragmentan los documentos, cómo se ordenan y se reordenan los candidatos, cómo se gestionan la actualización y la duplicación, cómo se usan los metadatos para filtrar. Acierte con esto y un modelo mediocre superará a un gran modelo alimentado con mal contexto.
Evalúe el fundamento de forma explícita
La métrica que más importa para RAG es el fundamento: qué fracción de las afirmaciones de la respuesta está realmente respaldada por las fuentes recuperadas. Incorpórela al arnés de evaluación. Un sistema que es exacto pero no fundamentado es un sistema que acierta por suerte, y la suerte no sobrevive a una auditoría de producción.
Puntos clave
- La recuperación debe llevar los derechos de acceso del usuario: nunca recupere lo que el usuario no puede ver.
- Fundamente cada respuesta en fuentes y muestre las citas; las afirmaciones sin citar son un defecto.
- La fragmentación, la ordenación y la actualización deciden la calidad más que la elección del modelo.
- Evalúe el fundamento de forma explícita: mida con qué frecuencia las respuestas están respaldadas por la evidencia recuperada.