RAG (generación aumentada por recuperación)

RAG (retrieval-augmented generation) resuelve un problema simple: el modelo de lenguaje no conoce los documentos de la empresa. En vez de reentrenarlo, se arma un paso previo. Cuando llega una pregunta, un buscador recupera los fragmentos más relevantes de la documentación propia (manuales, lista de precios, políticas de devolución, contratos) y se los pasa al modelo junto con la pregunta. El modelo responde usando esos fragmentos y puede citarlos.

La ventaja respecto de un chat sin RAG es que la respuesta se apoya en texto real y verificable, y que actualizar el conocimiento consiste en reemplazar un documento, no en reentrenar nada. El límite es que depende de la calidad del buscador: si recupera el fragmento equivocado o la documentación está desactualizada, el modelo responderá con seguridad sobre una base incorrecta. Por eso conviene que la respuesta muestre de qué documento salió.

Importadora Ejemplo tiene 340 fichas técnicas de productos en PDF y una política de garantía de 12 páginas. Antes, las consultas de clientes sobre compatibilidad o garantía iban al jefe de producto, unas 25 por semana. Con RAG, el sistema recupera la ficha correcta y el párrafo de garantía aplicable y redacta la respuesta citando ambos. En el primer mes, 19 de cada 25 consultas se respondieron sin escalar; las 6 restantes eran casos no cubiertos por la documentación, y el sistema lo dijo.

En los agentes de Pulso, la consulta al sistema de gestión cumple el papel que en RAG cumple la búsqueda en documentos: antes de responder, el agente trae la información real y recién después redacta. El Conciliador aplica la misma lógica con cada comprobante: recupera del sistema el proveedor, la orden de compra si existe y la cuenta corriente, y con eso valida antes de proponer la carga.