Los modelos de lenguaje saben mucho del mundo, pero no saben nada de tu negocio: no conocen tus precios, tu horario ni tus condiciones. Hay dos formas de arreglarlo, y confundirlas cuesta tiempo y dinero.
Reentrenar vs. dar contexto
Reentrenar (o hacer fine-tuning) modifica el propio modelo con muchos ejemplos. Es caro, lento y hay que repetirlo cada vez que cambian tus datos. Para la mayoría de casos es matar moscas a cañonazos.
La alternativa es RAG —Retrieval-Augmented Generation, o generación aumentada por recuperación—. En lugar de meterle los datos dentro al modelo, se los damos como contexto en el momento de responder: el sistema busca los fragmentos relevantes de tu documentación y se los pasa al modelo junto con la pregunta. La técnica se describió formalmente en un artículo de investigación de 2020 y hoy es el patrón estándar para IA sobre datos propios.
Cómo funciona, paso a paso
- Se parte tu documentación (webs, PDFs, catálogos) en fragmentos y se indexa.
- Cuando alguien pregunta, el sistema recupera los fragmentos más relevantes.
- Esos fragmentos se pasan al modelo como contexto, y este redacta la respuesta basándose en ellos.
La ventaja práctica: cuando cambias un precio, solo actualizas el documento —no hay que reentrenar nada—. Y como la respuesta se apoya en tus textos, es mucho más fácil evitar que el modelo se invente cosas.
Cuándo tiene sentido
RAG es la opción por defecto para chatbots de atención, buscadores internos y asistentes que deben responder con información propia y actualizada. El fine-tuning se reserva para casos concretos de estilo o formato muy específico. Para que la IA conteste con los datos de mi empresa, casi siempre la respuesta es RAG.
En nuestros agentes de IA usamos exactamente este enfoque: el agente conoce tu negocio porque le damos tu información como contexto, y si algo no está en ella, toma el mensaje en lugar de inventar. Si quieres uno que hable con tus datos, hablamos.