En este artículo
5 documentos ficticios · 14 fragmentos indexados
Fragmentos encontrados
Respuesta
Elige una pregunta o escribe la tuya.
Lo que hace bien un RAG
- Cita documento y sección
- Ignora versiones vencidas
- Dice "no sé" si no hay fuente
Cómo funciona por dentro
¿Qué garantías pide un préstamo pyme de 80.000 USD?
Ejemplo con documentos ficticios
- 1Documentos vigentesSe cargan solo las versiones vigentes: manuales, políticas, contratos. Cada una con responsable y fecha.
- 2Divide en parteschunkingCada documento se corta en partes de uno o dos párrafos. Cada parte recuerda de qué documento y sección viene: de ahí sale la cita.
- 3Ordena por significadoembeddingsCada parte se ubica en un mapa según de qué habla. Las partes sobre el mismo tema quedan juntas, aunque usen otras palabras.
- 4Busca lo más parecidobúsqueda semánticaLa pregunta se ubica en el mismo mapa. El sistema toma las partes más cercanas: aquí, las garantías del manual de crédito.
- 5Responde con la fuentemodelo de lenguajeLa IA redacta solo con esas partes y muestra la sección citada. Si nada está cerca, responde que no sabe y deriva a una persona.
Ejemplo en una empresa familiar
No solo sirve en bancos. En una distribuidora, el vendedor necesita la lista de precios vigente o la política de devoluciones mientras el cliente espera.
Ejemplo: un vendedor consulta la lista de precios
Hoy
- 1Cliente preguntaPrecio y devolución
- 2Vendedor llamaA la oficina
- 3Alguien buscaQué lista está vigente
- 4~20 minRespuesta (ejemplo)
Con RAG
- 1Vendedor preguntaEn el chat interno
- 2BuscaSolo listas vigentes
- 3RespondeCita "Lista mayo · §2"
- 4~1 minRespuesta (ejemplo)
¿Tu caso lo necesita?
4 preguntas para decidir
Pregunta 1
¿La respuesta está en documentos internos: políticas, manuales, contratos?
RAG, fine-tuning o solo prompt
| Criterio | RecomendadoRAG | Fine-tuning | Solo prompt |
|---|---|---|---|
| Qué hace | Busca en tus documentos y responde con ellos | Ajusta el modelo con tus ejemplos | Pegas instrucciones y contexto a mano |
| Si cambia un documento | Se vuelve a indexar ese documento | Hay que reentrenar | Hay que editar el prompt |
| Cita la fuente | Sí, documento y sección | No | Solo lo que pegaste |
| Volumen de documentos | Miles de páginas | No sirve para guardar documentos | Lo que quepa en el contexto |
| Mejor para | Políticas, contratos, manuales | Tono, formato, tareas repetitivas | Pruebas y casos chicos |
RecomendadoRAG
Qué hace
- RAG
- Busca en tus documentos y responde con ellos
- Fine-tuning
- Ajusta el modelo con tus ejemplos
- Solo prompt
- Pegas instrucciones y contexto a mano
Si cambia un documento
- RAG
- Se vuelve a indexar ese documento
- Fine-tuning
- Hay que reentrenar
- Solo prompt
- Hay que editar el prompt
Cita la fuente
- RAG
- Sí, documento y sección
- Fine-tuning
- No
- Solo prompt
- Solo lo que pegaste
Volumen de documentos
- RAG
- Miles de páginas
- Fine-tuning
- No sirve para guardar documentos
- Solo prompt
- Lo que quepa en el contexto
Mejor para
- RAG
- Políticas, contratos, manuales
- Fine-tuning
- Tono, formato, tareas repetitivas
- Solo prompt
- Pruebas y casos chicos
Más detalle en RAG vs fine-tuning.
Cuánto cuesta y cuándo se paga
El modelo de IA es la parte más barata. Lo que decide es la preparación, el hosting y cuánto tiempo ahorra tu equipo.
Cuánto cuesta y cuándo se paga
Costo mensual152,05 USD
Tokens: la unidad en que se cobra el texto que la IA lee (entrada) y escribe (salida). Según OpenAI, 100 tokens son unas 75 palabras en inglés.
Dentro del modelo: Leer documentos 1,20 USD (58 %) · Redactar 0,75 USD (37 %) · Indexar 0,10 USD (5 %)
Con una preparación de 8.000 a 20.000 USD (rango de ejemplo): 5,5 a 13,8 meses.
Precios públicos por millón de tokens, OpenAI API pricing, consultado el 11/10/2026 (tarifa estándar, contexto corto): text-embedding-3-small 0,02 USD; gpt-6-luna 0,10 / 0,50 USD; gpt-5.6-luna 0,20 / 1,20 USD; gpt-6.1-sol 2,00 / 10,00 USD (entrada / salida).
Supuestos: 500 tokens por página (unas 375 palabras; OpenAI estima 100 tokens ≈ 75 palabras en inglés y el español suele usar más); por pregunta, unos 50 tokens para indexarla, 4.000 de entrada y 500 de salida. Preparación, hosting, minutos ahorrados y costo por hora son valores de ejemplo: cámbialos por los tuyos. Como referencia, el salario básico de Ecuador en 2026 es de 482 USD al mes, unos 3 USD por hora: el costo real de un oficial de crédito o un vendedor es mayor.
Datos de clientes en Paraguay y Ecuador
Si el asistente va a leer reclamos o legajos de clientes, revisa esto con cumplimiento antes de indexar. Para bancos y cooperativas: IA para bancos y fintech en Paraguay e IA para banca y cooperativas en Ecuador.
Nov. 2027
Paraguay, plena exigibilidad: noviembre de 2027. La Ley 7593/2025 de Protección de Datos Personales entra en vigor 24 meses después de su publicación del 27/11/2025 (art. 57). Incluye reglas de seguridad y transferencias.
28/01/2026
Ecuador: la SPDP emite la norma de transferencias nacionales e internacionales de datos personales (Resolución SPDP-SPD-2026-0004-R). Relevante si un proveedor de IA procesa datos fuera del país.
Resúmenes de terceros: Ferrere sobre la ley paraguaya y Corral Rosales vía vLex sobre la resolución ecuatoriana.
Cómo empezar
Antes de implementar RAG en tu empresa
Ejemplo de piloto, con entregas cada 2 semanas
- Semana 1-2Documentos y preguntas de pruebaInventario, limpieza de versiones y permisos.KPI: set de preguntas aprobado por el área
- Semana 3-4Primera versión con un equipoIndexación, búsqueda y respuestas con cita.KPI: % de respuestas correctas sobre el set
- Semana 5-6Uso real y decisiónAjustes con feedback y decisión de escalar o no.KPI: tiempo por consulta vs. hoy