¿Cuanto cuesta montar un RAG en una empresa?

El coste no lo marca el numero de documentos, sino el numero de fuentes distintas y lo sucias que esten. Indexar un repositorio ordenado es barato. Conectar seis sistemas con permisos heterogeneos, formatos mezclados y documentos duplicados es donde se va el presupuesto. El consumo de modelo suele ser la partida mas pequena y la mas facil de estimar; el mantenimiento de los conectores y el banco de evaluacion son las que se olvidan al presupuestar.

¿Es mejor RAG o entrenar un modelo propio con mis datos?

Resuelven cosas distintas. El ajuste fino ensena estilo, formato y forma de razonar sobre un tipo de tarea; no es una buena forma de meter hechos que cambian. El RAG sirve justo para eso: informacion que se actualiza, que hay que citar y que depende de permisos. Para la mayoria de empresas el RAG cubre el problema real, y el ajuste fino solo tiene sentido despues, cuando ya tienes volumen de interacciones y quieres afinar el tono o reducir coste.

¿Puede un RAG filtrar informacion confidencial?

Si, y es el fallo mas comun. Ocurre cuando los permisos se aplican al final, filtrando la respuesta ya generada, en lugar de aplicarse en la recuperacion. Si un fragmento no deberia ser visible para quien pregunta, no puede llegar al modelo: debe quedar fuera del conjunto recuperado. Eso obliga a guardar los permisos como metadato de cada fragmento en el momento de indexar y a que el sistema conozca la identidad del usuario en cada consulta.

¿Cuantos documentos hacen falta para que funcione?

No hay minimo. Un RAG sobre treinta procedimientos bien redactados funciona mejor que uno sobre diez mil PDFs contradictorios y sin fecha. Lo que importa es que exista una version buena de cada cosa y que se sepa cual es. Si tu documentacion tiene tres versiones del mismo protocolo circulando, el primer trabajo no es tecnico: es decidir cual manda.

RAG empresa: la capa de conocimiento de tu plataforma IA

Casi todo el mundo llega al RAG por el mismo sitio: quiere un chat que responda con los documentos de la empresa. El montaje funciona en la demo y se cae al tercer mes. El problema no suele ser el modelo ni el buscador vectorial: es que se ha construido una funcionalidad donde hacia falta una capa.

Un RAG no es un chatbot, es una capa de la plataforma

RAG significa generacion aumentada con recuperacion. En una frase: antes de responder, el sistema busca en tus fuentes y le pasa al modelo solo los fragmentos relevantes. El modelo deja de improvisar y pasa a redactar sobre material tuyo.

Esa distincion cambia donde pones el esfuerzo. El chat es un consumidor de la capa, no la capa. La ingenieria y el presupuesto van a la recuperacion, no a la interfaz. Si el conocimiento esta bien recuperado, cualquier cosa que pongas encima funciona: un chat interno, un agente que contesta correos, un asistente dentro del ERP, una API que consulta otro proceso.

Al reves no se cumple. Una interfaz excelente sobre un indice desordenado produce respuestas seguras de si mismas y equivocadas, que es el peor resultado posible dentro de una empresa.

La arquitectura minima que sostiene un RAG de empresa

Cuatro piezas, y ninguna es opcional:

→Ingesta: conectores a las fuentes reales (Drive, ERP, CRM, correo, tickets, PDFs) con actualizacion programada. Una carga manual inicial caduca sola.
→Troceado e indexado: partir los documentos en fragmentos con sentido y guardarlos con sus metadatos (fuente, fecha, area, permisos).
→Recuperacion: busqueda hibrida, vectorial y por palabra clave, mas un reordenado de resultados. La busqueda solo vectorial falla con referencias, siglas y numeros de pieza.
→Generacion con citas: la respuesta apunta al documento del que sale. Sin cita no hay auditoria posible, y sin auditoria nadie confia.

Las dos piezas que casi nadie presupuesta

Permisos y observabilidad. Los permisos tienen que viajar con el fragmento, no aplicarse al final sobre la respuesta. Si el indice no distingue quien puede ver que, el asistente acabara filtrando informacion de personal o margenes a quien sepa preguntar.

La observabilidad es el registro de que se pregunto, que se recupero y que se respondio. Sin ese registro no puedes mejorar la recuperacion ni explicar un fallo cuando alguien de direccion te lo reclame. Es la diferencia entre depurar y adivinar.

Una sola capa de conocimiento, muchos agentes encima

Aqui esta la decision estrategica de verdad. Puedes montar un RAG por departamento, uno para soporte, otro para ventas, otro para calidad, o montar una capa de conocimiento comun y colgar de ella tantos agentes como haga falta.

La segunda opcion es mas trabajo el primer mes y menos trabajo cada mes siguiente. Los conectores se escriben una vez. Los permisos se definen una vez. Cuando cambia un procedimiento, cambia para todos los agentes a la vez y no en cinco sitios distintos.

Es literalmente la diferencia entre tener un asistente y tener una plataforma. En All ITs AI hicieron el inventario de los 20 agentes de IA que una empresa necesita en 2026: leelo contando cuantos de ellos comparten exactamente las mismas fuentes. Casi todos.

Las decisiones que no puedes delegar en el proveedor

Un proveedor te monta la infraestructura. Estas cuatro son tuyas, porque son de negocio y no tecnicas:

→Donde vive el dato. Si indexas contratos, nominas o datos personales, el sitio donde se almacenan y el proveedor de modelo que los procesa forman parte de tu cumplimiento normativo, no de la ficha del producto.
→Quien responde de cada fuente. Un RAG hace visible la calidad de tu documentacion. Cuando el procedimiento oficial contradice el correo del jefe de area, el sistema lo saca a la luz el primer dia.
→Que pasa cuando no sabe. Muchas veces la respuesta correcta es no lo se, pregunta a esta persona. Eso se define antes, no despues del primer error delante de un cliente.
→Como se mide. Un banco de preguntas reales con respuesta conocida, ejecutado en cada cambio de indice, de prompt o de modelo. Sin eso estas ajustando a ciegas.

Por donde empezar sin montar un macroproyecto

No empieces por el caso mas vistoso. Empieza por el mas repetitivo y con respuesta verificable: consultas de stock, condiciones de garantia, tarifas, procedimientos internos. Volumen alto y verdad comprobable te dan datos para ajustar la recuperacion rapido.

El sector marca el orden. En automocion, por ejemplo, el recorrido natural pasa por stock, leads y postventa, tres flujos con datos estructurados y consecuencia comercial directa.

Y cuenta con que parte de ese conocimiento acabara siendo publico. Cuando un asistente responde de cara al cliente, esa respuesta influye en como te encuentran y en si los buscadores y los modelos acaban citandote. La capa interna y la cara externa beben de la misma fuente.

Este tema tambien se trata, desde otro enfoque, en All ITs AI · Agent Hub · GEOySEO.

La pregunta util no es que herramienta elegir. Es que capa de conocimiento quieres tener dentro de veinticuatro meses, quien la mantiene y cuantos agentes van a apoyarse en ella. En Potenciado construimos esa capa y los agentes que viven encima. Si quieres contrastar tu caso, escribenos y lo miramos con tus fuentes reales delante.