Alvaro Peña de Luna 
La generación aumentada por recuperación (RAG) es una técnica en la que un sistema de IA primero recupera documentos relevantes de una fuente externa, como un índice de búsqueda o una base de datos, y después se los pasa a un modelo de lenguaje grande para que redacte la respuesta a partir de ese material, en lugar de depender solo de lo que aprendió en el entrenamiento.
RAG es la razón por la que los buscadores con IA pueden hablar de noticias de la semana pasada, mostrar fuentes bajo sus respuestas y citar tus páginas. Para una marca, es la parte de la búsqueda con IA en la que más directamente puede influir.
Cómo funciona la generación aumentada por recuperación
El término procede de un artículo de investigación de 2020 firmado por investigadores de Facebook AI Research (hoy Meta). La idea es sencilla: un modelo de lenguaje grande redacta bien, pero su memoria está congelada y es imprecisa, así que le das los documentos adecuados en el momento en que responde. En un buscador con IA, el proceso suele ser este:
- Entender la pregunta. El sistema reformula el prompt en una o varias búsquedas, a veces muchas a la vez (consulta query fan-out).
- Recuperar. Lanza esas búsquedas contra un índice. La recuperación puede comparar palabras clave, significado (con embeddings vectoriales) o las dos cosas.
- Seleccionar pasajes. De los resultados se queda con los fragmentos más relevantes, a menudo unos pocos párrafos por página y no la página entera.
- Aumentar el prompt. Esos pasajes se insertan en las instrucciones que recibe el modelo, junto con la pregunta del usuario.
- Generar. El modelo redacta la respuesta a partir de los pasajes y, en la mayoría de los buscadores con IA, añade como fuentes las páginas que ha usado.
RAG en los buscadores con IA
Todas las grandes experiencias de búsqueda con IA usan algún tipo de recuperación. Perplexity está construido en torno a buscar en la web y citar fuentes. ChatGPT puede lanzar una búsqueda web cuando considera que la pregunta la necesita. Los AI Overviews y el modo IA de Google se apoyan en el propio índice de búsqueda de Google. Los detalles cambian, pero el patrón es el mismo: la respuesta es tan buena, y tan favorable para ti, como los documentos que se han recuperado.
Por qué RAG importa para tu marca
- Lleva la competencia a la recuperación. No puedes editar los datos de entrenamiento de un modelo, pero sí publicar y conseguir páginas que se recuperen para las preguntas de tus clientes.
- Compiten pasajes, no páginas. La recuperación suele trabajar con fragmentos. Una sección clara y autónoma que responde a una pregunta es más fácil de seleccionar que una página larga que mezcla varios temas.
- Los terceros hablan por ti. Si las fuentes recuperadas son webs de reseñas, comparativas y artículos, lo que el modelo repite es su descripción de tu marca.
- La actualidad cuenta. Una página recuperada refleja su contenido actual, así que un precio actualizado o un producto nuevo pueden llegar a las respuestas sin esperar a un modelo nuevo.
Cómo optimizar para la recuperación
- Sé rastreable. Comprueba con el probador de robots.txt que los rastreadores de búsqueda y de IA llegan a tus páginas clave.
- Responde en pasajes autónomos. Usa encabezados descriptivos y pon la respuesta en las primeras frases que hay debajo.
- Deja los datos en el texto. Precios, funciones y especificaciones encerrados en imágenes o scripts se recuperan peor que el HTML plano.
- Posiciona en la búsqueda clásica. Los motores que recuperan de un índice de búsqueda suelen tirar de páginas que ya funcionan en él.
- Aparece en las fuentes que se citan. Averigua qué páginas de terceros aparecen en las respuestas de tu categoría y trabaja para que te incluyan.
Errores habituales
- Confundir una cita con una mención. Un motor puede citar tu página sin nombrar tu marca, o nombrarte mientras cita a otro. Sigue las dos cosas.
- Pensar que el motor lee toda tu web. Lee los pocos pasajes que ha recuperado para esa pregunta, nada más.
- Dar por hecho que siempre hay recuperación. Algunas respuestas salen solo de la memoria del modelo, sin ninguna fuente.
Cómo muestra Mencoro lo que recuperan los motores de IA
Mencoro guarda el texto de cada respuesta de IA y las fuentes que devuelve. A ChatGPT se le pregunta con la búsqueda web activada, y sus fuentes incluyen las páginas que ha recuperado su búsqueda aunque el texto no las cite. Un enlace cuenta como tuyo cuando apunta a uno de tus dominios o subdominios, aunque la respuesta no nombre tu marca, y su Link position es su lugar en la lista de fuentes. Los enlaces alimentan la Link position y el Share of voice (un enlace a tu dominio cuenta como una referencia directa y neutral con un peso de 0,14), pero no el Coverage ni la Favorability, que miden lo que dice la respuesta. Tienes el método completo en cómo funciona Mencoro, y el seguimiento de posiciones en ChatGPT lo muestra aplicado a ChatGPT.
Términos relacionados del glosario
- Grounding: anclar una respuesta de IA en fuentes verificables.
- Embeddings vectoriales: las representaciones numéricas que permiten a la recuperación comparar significados.
- Citas en IA: las fuentes que enlaza una respuesta de IA.
- Fragmentación de contenido: dividir el contenido en pasajes que se puedan recuperar por separado.
