Soluciones RAG · Granada / Remoto
RAG es la técnica que hace que un modelo responda con tu documentación delante y cite de dónde ha sacado cada afirmación. Lo mantengo en producción a diario en urbanisti.co, sobre normativa urbanística española. El mismo enfoque, aplicado a tus manuales, contratos o procedimientos internos.
RAG —retrieval-augmented generation— funciona así: cuando alguien pregunta, el sistema busca primero los fragmentos relevantes en tu documentación y solo entonces le pide al modelo que redacte una respuesta usando exclusivamente ese material, con la referencia al documento y al apartado. Si no encuentra base suficiente, la respuesta correcta es decir que no lo sabe.
Lo que se compra con RAG no es fluidez, es verificabilidad. Quien recibe la respuesta puede abrir la fuente y comprobarla en diez segundos, y eso cambia quién se atreve a usar el sistema para decidir algo. Es exactamente el problema que resolví en urbanisti.co, un RAG en producción sobre normativa urbanística española construido con FastAPI, LangGraph y BigQuery Vector Search, donde una respuesta sin cita al artículo no le sirve a nadie.
Reviso qué documentos hay, en qué formato y en qué estado. Después defino el troceado y los metadatos —versión, vigencia, ámbito, permisos—, porque de eso depende la calidad final mucho más que del modelo que elijas.
Un proceso repetible que convierte PDF, escaneos, HTML u hojas de cálculo en fragmentos indexados, y que se vuelve a ejecutar solo cuando el documento cambia. Sin ingesta automatizada, el sistema envejece en un mes.
Búsqueda vectorial combinada con búsqueda por palabra clave, reordenación de resultados y filtros por metadatos. Los códigos de referencia, los nombres propios y los números exactos se pierden si solo usas embeddings.
La respuesta enlaza al documento y al apartado concretos, y el sistema está diseñado para reconocer cuándo no tiene material suficiente y decirlo en lugar de rellenar el hueco.
Un conjunto de preguntas con respuesta conocida que mide dos cosas distintas: si el sistema encuentra los fragmentos correctos y si lo que afirma está realmente sostenido por ellos. Se ejecuta en cada cambio.
Una UI de consulta con historial y fuentes a la vista, una API para integrarlo en tu producto, o ambas. Respetando el modelo de permisos de tu organización: cada persona solo obtiene respuestas de los documentos que puede leer.
El modelo es la parte fácil y la última que decido. La calidad de un RAG se juega en la preparación del corpus, en la búsqueda y en la evaluación, así que la mayor parte del trabajo ocurre antes de la llamada al LLM. Uso pgvector cuando tus datos ya viven en PostgreSQL y quieres una pieza menos que operar, y BigQuery Vector Search cuando el volumen o el ecosistema de Google lo justifican: es la combinación que sostiene urbanisti.co. La orquestación va en Python con FastAPI y LangGraph, y el generador puede ser Claude, GPT o Gemini, que es la pieza más fácil de sustituir cuando cambian los precios.
Miro una muestra representativa de tus documentos y las preguntas que hace de verdad la gente. Al final de la semana sabes si tu documentación está lista, qué conviene arreglar antes y qué preguntas no va a poder responder ningún sistema. Una semana.
Ingesta de un subconjunto del corpus, búsqueda funcionando y un conjunto de preguntas de evaluación acordado contigo. El resultado no es una demo bonita: es una cifra de acierto sobre preguntas reales, y esa cifra decide si seguimos. De dos a tres semanas.
Corpus completo, ingesta automatizada, permisos, interfaz o API, trazas y control de coste por consulta. Con entrada de usuarios por fases, para corregir sobre uso en lugar de sobre suposiciones. De tres a seis semanas.
Las preguntas que fallan son el mejor mapa de lo que le falta a tu documentación. Cada ciclo de revisión añade casos a los evals y afina el troceado o la búsqueda. Los plazos son orientativos y dependen sobre todo del estado de los documentos: un corpus limpio acelera todo lo demás.
Consultoría de IA para empresas: descubre dónde aplicar IA, agentes y RAG con un ingeniero senior. De la idea al sistema en producción, sin humo.
Desarrollo de agentes de IA para empresas: automatiza procesos con agentes fiables, integrados con tus sistemas y con supervisión humana.
Cuéntame tu caso y te digo con franqueza si la IA es la herramienta adecuada — y cómo la implementaría.