Generación aumentada por recuperación
Sinónimos: RAG · Retrieval-augmented generation · Generación aumentada de recuperación
Definición ampliada
La generación aumentada por recuperación o RAG combina un sistema que busca información relevante con un modelo generativo que utiliza los fragmentos recuperados para elaborar una respuesta. En un flujo típico, la consulta se convierte en una búsqueda sobre una colección externa, se seleccionan los fragmentos más pertinentes y se incorporan como contexto para la generación.
RAG permite trabajar con colecciones actualizables sin incorporar cada cambio al entrenamiento del modelo. También puede mostrar las fuentes empleadas, pero la presencia de citas no garantiza que la respuesta las interprete correctamente.
Contexto histórico
El trabajo de Lewis y colaboradores consolidó en 2020 el término RAG al combinar un recuperador denso con un modelo generativo para tareas intensivas en conocimiento [1]. La propuesta permitió consultar una memoria externa actualizable sin incorporar cada documento a los parámetros del modelo.
Desde entonces el patrón se ha diversificado. Una revisión de 2023 distingue tres etapas, que llama simple, avanzada y modular, según cuánto se trabajan la consulta, la selección de lo recuperado y la combinación de piezas [2].
Importancia actual
A fecha de agosto de 2026, RAG continúa siendo un patrón habitual para fundamentar asistentes en colecciones controladas. Mejora la actualización y la trazabilidad potencial de las respuestas, pero desplaza parte del riesgo hacia la selección, vigencia y correcta interpretación de los documentos recuperados.
En medicina ya hay evaluaciones. Una revisión sistemática con metaanálisis de 20 estudios biomédicos de 2023 y 2024 encontró que añadir recuperación mejoró el rendimiento frente al mismo modelo sin ella (OR 1,35; IC 95 % 1,19 a 1,53) [3]. En un banco de 7.663 preguntas médicas, la recuperación mejoró la precisión de seis modelos hasta un 18 % frente a pedirles que razonaran paso a paso, y también ahí se aprovechaba peor lo que quedaba en medio [4]. Con fuentes clínicas seleccionadas, un panel de clínicos valoró mejor en factualidad y completitud las respuestas de un sistema RAG que las de modelos generales, en 314 preguntas de nueve especialidades [5]. Son evaluaciones con preguntas, no estudios de desenlaces en pacientes.
Aplicaciones
Generales
- Asistentes sobre documentación interna.
- Preguntas y respuestas sobre manuales o normativa.
- Investigación con colecciones seleccionadas.
- Resúmenes respaldados por documentos recuperados.
Sanitarias
- Consulta de guías y protocolos institucionales.
- Asistentes sobre información farmacoterapéutica autorizada.
- Búsqueda semántica en literatura biomédica.
- Apoyo documental a decisiones, sin sustituir el juicio profesional.
Limitaciones
- Si la búsqueda falla, la generación parte de evidencia incompleta o errónea.
- La segmentación, el índice y el criterio de relevancia condicionan el resultado.
- Puede citar una fuente pertinente pero atribuirle una afirmación que no contiene: incluso con búsqueda web, en torno al 30 % de las afirmaciones de un modelo en preguntas médicas no estaban respaldadas por sus fuentes [6].
- Un documento recuperado puede llevar instrucciones escondidas que el modelo obedezca (inyección de prompts) [7].
- Requiere control de versiones, permisos y trazabilidad de las fuentes.
Ejemplos
Ante una pregunta clínica, un sistema RAG puede recuperar párrafos de una guía vigente, generar una síntesis y enlazar los fragmentos utilizados. La salida debe permitir comprobar fuente, fecha y correspondencia entre afirmación y evidencia.