RAG

RAG son las siglas de Retrieval-Augmented Generation. En castellano suele decirse generación aumentada con recuperación. En la práctica: antes de responder, el sistema busca trozos relevantes en una base de documentos (tu web, PDFs, tickets) y el modelo de lenguaje redacta la respuesta usando ese material, no solo lo que memorizó en el entrenamiento.

Ejemplo sin tecnicismos

Tienes una tienda PrestaShop con 4.000 referencias. Un cliente pregunta en el chat: «¿enviáis muebles de más de 30 kg a Baleares?». Con RAG, el asistente recupera la página de envíos y la tabla de excepciones, y responde con esas condiciones. Sin RAG, el modelo podría inventar un plazo o un precio «típico» del sector.

Otro caso: soporte interno. El equipo pregunta «¿cómo reseteamos la pass del panel de leads?». RAG apunta al runbook en Notion o Confluence; la respuesta cita pasos reales.

Cómo encaja en marketing y SEO

RAG no es una técnica de posicionamiento en Google. Es arquitectura de producto (chat en web, WhatsApp con IA, copilotos). Pero afecta a tu contenido:

• Si tus páginas de servicio son vagas, el RAG recuperará vaguedad.
• Si tienes FAQ claras, tablas y títulos descriptivos, el bot responderá mejor.
• Duplicar las mismas respuestas en diez URLs confunde al recuperador; mejor una URL canónica por tema.

Lo que ayuda al RAG suele ayudar también al AEO: párrafos autocontenidos, headings que formulan preguntas, listas con pasos numerados.

RAG frente a fine-tuning

• RAG: no reentrenas el modelo; conectas documentos actualizables. Cambias precios en la web y el chat se alimenta de la versión nueva (tras reindexar).
• Fine-tuning: adaptas pesos del modelo con ejemplos; más coste y ciclo lento para cambios frecuentes.

Para catálogos, leyes o versiones de software, RAG suele ser la opción sensata.

Riesgos: no es infalible

El recuperador puede traer el fragmento equivocado (página antigua, traducción desactualizada). El modelo puede seguir alucinando si mezcla el documento con suposiciones. Por eso en producción se combina RAG con reglas, límites («no des precio legal sin revisión») y human in the loop en conversaciones sensibles.

Relación con llms.txt y crawlers

llms.txt orienta a algunos sistemas sobre qué leer en tu dominio. RAG en tu propio chat suele indexar contenido que tú controlas (export del CMS, API). Son capas distintas: una pública, otra de producto.

Si planteas un asistente en tu web, primero ordena el contenido humano; la IA no arregla un catálogo caótico. Para visibilidad en buscadores generativos externos, mira GEO y SEO para IA.