En este artículo
Ejemplo: cambia la tasa de un crédito
Con fine-tuning: 2 a 4 días
- 1Editar ejemplosCon la tasa nueva: medio día
- 2Volver a entrenarY probar de nuevo: 1 a 3 días
- 3Publicar modelo nuevoMedio día
Con RAG: minutos
- 1Subir documentoPolítica vigente: 5 min
- 2Actualizar la búsquedaSolo ese documento: minutos
- 3ResponderCon cita a la sección
Cuál elegir
| Criterio | RAG | Fine-tuning |
|---|---|---|
| Qué cambia | Lo que se le da al modelo en cada consulta | El modelo en sí |
| Actualizar un dato | Volver a cargar el documento: minutos | Volver a entrenar y probar: días |
| Cita la fuente | Sí, documento y sección | No |
| Permisos por usuario | Sí, por documento | No: lo aprendido lo ve cualquiera |
| Borrar datos de un cliente | Borras el documento | Hay que volver a entrenar |
| Precio por token | Modelo actual gpt-6-luna (0,10 / 0,50 USD por millón), con más texto por consulta | gpt-4.1-mini ajustado (0,80 / 3,20 USD por millón): 8 veces más por token de entrada |
| Qué necesitas | Documentos vigentes y ordenados | Ejemplos de entrada y salida revisados |
| Mejor para | Políticas, tasas, contratos, manuales | Formato fijo, tono, clasificación |
Qué cambia
- RAG
- Lo que se le da al modelo en cada consulta
- Fine-tuning
- El modelo en sí
Actualizar un dato
- RAG
- Volver a cargar el documento: minutos
- Fine-tuning
- Volver a entrenar y probar: días
Cita la fuente
- RAG
- Sí, documento y sección
- Fine-tuning
- No
Permisos por usuario
- RAG
- Sí, por documento
- Fine-tuning
- No: lo aprendido lo ve cualquiera
Borrar datos de un cliente
- RAG
- Borras el documento
- Fine-tuning
- Hay que volver a entrenar
Precio por token
- RAG
- Modelo actual gpt-6-luna (0,10 / 0,50 USD por millón), con más texto por consulta
- Fine-tuning
- gpt-4.1-mini ajustado (0,80 / 3,20 USD por millón): 8 veces más por token de entrada
Qué necesitas
- RAG
- Documentos vigentes y ordenados
- Fine-tuning
- Ejemplos de entrada y salida revisados
Mejor para
- RAG
- Políticas, tasas, contratos, manuales
- Fine-tuning
- Formato fijo, tono, clasificación
Ejemplo: un banco quiere responder requisitos de crédito (cambian cada mes) con el formato del área de reclamos (fijo). Requisitos: RAG. Formato: instrucciones en el prompt; fine-tuning solo si las pruebas de calidad muestran que no alcanza.
En Paraguay y Ecuador, tus clientes pueden pedir que borres sus datos. Con RAG borras un documento; con fine-tuning, esos datos quedan en el modelo en sí. No entrenes con datos personales.
- Paraguay: derecho de supresión, Ley 7593/2025, art. 31.
- Ecuador: derecho de eliminación, LOPDP, Registro Oficial 459.
- Bancos: citar la fuente de cada respuesta ayuda ante la SIB del BCP (PY) o la Superintendencia de Bancos (EC).
- Casos por país: IA para bancos y fintech en Paraguay · IA para banca y cooperativas en Ecuador.
Lo que cambió en 2026
06/01/2027
último día en que los clientes activos de OpenAI pueden crear trabajos de fine-tuning. Desde el 07/05/2026 no acepta organizaciones nuevas. Los modelos ya ajustados siguen activos hasta que se retire su modelo base.
Criterio: antes de invertir en fine-tuning, confirma que tu proveedor lo ofrece para ese modelo y hasta cuándo.
Cuánto cuesta cada opción al mes
RAG o fine-tuning: costo total al mes
- RAGmás barato76,95 USDModelo gpt-6-luna 1,95 USD + búsqueda 50,00 USD + equipo 25,00 USD
- Fine-tuning430 USDModelo gpt-4.1-mini ajustado 6,00 USD + entrenamiento 24,00 USD + equipo 400 USD
Con contenido que cambia, RAG sale más barato: actualizar un documento toma minutos y no hay que volver a entrenar nada.
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.
Precios de OpenAI API pricing (11/10/2026). RAG con gpt-6-luna: 0,10 USD de entrada y 0,50 USD de salida por millón de tokens. Fine-tuning con gpt-4.1-mini ajustado (el fine-tuning solo existe en modelos anteriores): 0,80 y 3,20 USD; entrenamiento 5,00 USD por millón de tokens.
Supuestos: RAG usa 4.000 tokens de entrada (pregunta y partes de documentos) y 500 de salida; el modelo ajustado, 500 y 500. Ejemplos de 800 tokens, 3 pasadas por entrenamiento. Con RAG, cada cambio toma 1 hora de equipo; con fine-tuning, las horas que elijas (16 al inicio, unos 2 días). Servidor de búsqueda, horas, costo por hora del equipo técnico, minutos ahorrados y puesta en marcha son ejemplos. El costo por hora de quien hoy hace el trabajo parte del salario mínimo de Paraguay (MTESS) o Ecuador (SBU ÷ 173,33 h); el valor inicial es el costo real de ejemplo de Ecuador, 6,95 USD. Se recupera en = puesta en marcha ÷ (valor de las horas ahorradas − total al mes). Con los valores iniciales: RAG 1,95 + 50 + 25 = 76,95 USD; fine-tuning 6,00 + 24,00 + 400 = 430 USD; 5,6 veces. Valor de 150 h ahorradas: 1.043 USD (150 × 6,95 = 1.042,50, redondeado); RAG se recupera en 4,1 a 10 meses y fine-tuning en 9,8 a 24 meses. Con 0 cambios al mes, fine-tuning sale más barato al mes.
Antes de ajustar un modelo
Antes de pedir fine-tuning
Ejemplo de piloto: RAG primero, fine-tuning solo si hace falta
- Semana 1-2RAG y preguntas de pruebaDocumentos vigentes, preguntas reales con su respuesta correcta.KPI: set de preguntas aprobado por el área
- Semana 3-4Medir dónde fallaCorregir documentos y búsqueda; ajustar instrucciones.KPI: % de fallas de conocimiento vs. de forma
- Semana 5-6DecidirEscalar con RAG, o preparar fine-tuning si la forma sigue fallando.KPI: % de aciertos y costo por consulta
Más sobre cómo funciona en qué es RAG.