RAG

RAG son las siglas de Retrieval-Augmented Generation, en español generación aumentada por recuperación. Es una técnica en la que un modelo de lenguaje no se basa solo en lo que aprendió durante su entrenamiento, sino que primero busca información actual o específica y luego la usa para formular una respuesta. El modelo «recupera» y «genera», por tanto, en un solo movimiento.

Parece un detalle técnico, pero es precisamente la razón por la que entornos de búsqueda con IA como Perplexity, ChatGPT Search y Google AI Overviews pueden remitir a webs. Sin RAG, un LLM solo podría responder a partir de sus datos de entrenamiento, que se quedan desfasados rápidamente y no citan fuentes.

¿Cómo funciona RAG paso a paso?

El funcionamiento exacto varía según el sistema, pero el proceso general es más o menos así:

1. Analizar la pregunta. El sistema determina qué información necesita y convierte la pregunta en una o varias búsquedas.
2. Recuperar información. Busca en un índice, por ejemplo la web, un repositorio interno de documentos o un catálogo de productos, y selecciona los fragmentos relevantes.
3. Aportar contexto. Esos fragmentos se entregan al modelo de lenguaje junto con la pregunta original.
4. Formular la respuesta. El modelo redacta una respuesta basada en ese contexto y a menudo muestra las fuentes utilizadas como cita.

Por qué RAG es importante para tu web

En RAG, el paso de recuperación decide qué fuentes ve el modelo. Si tu página no aparece en ese paso, tampoco puede acabar en la respuesta. Eso significa que siguen valiendo los requisitos básicos de siempre: tu página tiene que poder rastrearse, indexarse y reconocerse como relevante.

Además, la forma de tu contenido influye. Los sistemas RAG suelen trabajar con fragmentos en lugar de páginas completas. Un párrafo que responde a una pregunta de forma clara y autónoma es más fácil de reutilizar que una respuesta repartida por un texto largo. Ayuda una estructura clara con buenos subtítulos, igual que los datos estructurados, que hacen inequívocos datos como el horario o los precios.

Un ejemplo

Una asesoría de Madrid publica una página clara sobre las obligaciones de IVA de los autónomos, con una respuesta breve para cada situación. Cuando alguien pregunta a un asistente de IA qué tiene que hacer con el IVA al darse de alta como autónomo, el sistema puede seleccionar justo ese fragmento en el paso de recuperación y citar a la asesoría como fuente. Una página genérica de «Nuestros servicios» no respondería a esa pregunta y, por tanto, no se recuperaría.

Por cierto, RAG no lo usan solo los buscadores. Las empresas también lo aplican en chatbots internos que responden a partir de sus propios manuales, fichas de producto o expedientes de clientes. El principio es el mismo: cuanto mejor estructuradas y actualizadas estén las fuentes, más fiable será la respuesta.

RAG y GEO

El campo emergente del GEO gira en buena parte en torno a entender RAG: ¿cómo consigues que tu contenido se encuentre, se seleccione y se muestre correctamente? No existe una fórmula fija y los sistemas cambian constantemente. Lo que sí parece constante es que la información clara, fiable y fácil de encontrar parte con ventaja. Probablemente tu autoridad como fuente también influye en qué páginas se seleccionan.

Si quieres ver cómo preparar tu web para esta nueva forma de buscar, descubre cómo la plataforma Spacebird para SEO y visibilidad en IA une ambos mundos.