Guía

¿Qué es RAG en IA y por qué explica qué páginas se citan?

Por Equipo Laurank · Publicado el · Actualizado el

Laurank es una empresa de AEO en español: ayudamos a que ChatGPT, Gemini, Perplexity y los AI Overviews de Google citen a tu marca, empezando por entender por qué hoy no lo hacen. Conoce a Laurank.

Puntos clave

  • RAG significa generación aumentada por recuperación: el modelo busca información en una fuente externa y la usa para responder, en lugar de apoyarse solo en lo que aprendió al entrenarse.
  • El paper original (Lewis y otros, presentado en NeurIPS 2020) lo propuso con una memoria externa basada en Wikipedia; hoy Google Cloud y AWS lo describen para bases de conocimiento y páginas web.
  • Google documenta que los AI Overviews y el modo IA usan RAG sobre su índice de Búsqueda; OpenAI, Perplexity y Anthropic documentan búsqueda web con citas, pero en las páginas que leímos no llaman RAG a su sistema ni publican cómo elige las fuentes.
  • Consecuencia práctica: una página que no se puede rastrear, indexar o recuperar no entra en la respuesta, y una vez recuperada compite por ser el pasaje más relevante.
  • Google aclara que no hay obligación de trocear el contenido para la IA; lo que ayuda es que cada sección responda con claridad la pregunta que plantea su título.

¿Qué es RAG en inteligencia artificial?

RAG, siglas de Retrieval-Augmented Generation (en español, generación aumentada por recuperación), es una técnica en la que un modelo de lenguaje recibe información recuperada de una fuente externa antes de responder, en lugar de apoyarse solo en lo que aprendió durante su entrenamiento. Google Cloud la define como un marco de IA que combina los sistemas tradicionales de recuperación de información, como la búsqueda y las bases de datos, con las capacidades de los modelos de lenguaje generativos. AWS la describe como el proceso de optimizar la respuesta de un modelo para que consulte una base de conocimiento autorizada fuera de sus datos de entrenamiento antes de generar la respuesta.

La idea cabe en una comparación: un modelo sin RAG responde de memoria; un modelo con RAG primero abre los apuntes y luego responde. Los “apuntes” pueden ser los manuales de una empresa, una base de datos o páginas web. Esa diferencia es la que importa si tu negocio quiere aparecer en las respuestas de una IA, porque lo que un sistema no recupera no llega al modelo en ese momento.

Dos aclaraciones antes de seguir. RAG es un patrón de diseño, no un producto ni una marca: lo usan desde chatbots internos de una empresa hasta funciones de buscadores. Y el término lo emplean con precisión los proveedores de nube y Google; para ChatGPT, Perplexity y Claude lo que tienen documentado es “búsqueda web con citas”, como verás más abajo.

¿De dónde viene el término RAG?

El término sale de un artículo científico de Patrick Lewis y otros once autores, enviado a arXiv el 22 de mayo de 2020 y aceptado en NeurIPS 2020, que propuso combinar un modelo de lenguaje con una memoria externa consultable. El título es “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” (generación aumentada por recuperación para tareas de procesamiento de lenguaje que requieren mucho conocimiento).

El resumen del paper explica el problema que quería resolver: los modelos guardan conocimiento factual en sus parámetros, pero su capacidad de acceder a ese conocimiento y manipularlo con precisión es limitada, y dar la procedencia de sus decisiones y actualizar su conocimiento del mundo seguían siendo problemas abiertos. La propuesta fue una receta de ajuste para modelos de generación aumentada por recuperación (RAG) que combinan memoria paramétrica, la del modelo, con memoria no paramétrica. En esos experimentos, la memoria no paramétrica era un índice vectorial denso de Wikipedia consultado con un recuperador neuronal.

Dos cosas conviene no confundir. El paper original es un trabajo de investigación sobre cómo mejorar tareas como responder preguntas con un corpus cerrado (Wikipedia); no describe buscadores comerciales. Y la palabra “RAG” se usa hoy de forma más amplia que en el paper: Google Cloud y AWS la aplican a sistemas que consultan documentos de una empresa, y Google Search la usa, según su propia documentación, para describir cómo sus funciones de IA recuperan páginas de su índice.

¿Cómo funciona RAG paso a paso?

RAG funciona en dos etapas: primero recupera información relevante de una fuente externa y después se la da al modelo para que genere la respuesta con ese contexto. Google Cloud las llama recuperación y preprocesamiento, por un lado, y generación fundamentada (grounded generation), por otro. AWS añade el trabajo previo de preparar los datos y el posterior de mantenerlos al día.

Esta es la secuencia, combinando las dos descripciones de proveedores de nube:

  1. Preparar la fuente. Los documentos se convierten en representaciones numéricas (embeddings) y se guardan en una base vectorial, según AWS. En un sistema que usa un buscador, esta fase equivale a rastrear e indexar páginas.
  2. Recibir la pregunta y, si hace falta, mejorarla. Google Cloud explica que, antes de buscar, los motores sofisticados pueden transformar la consulta y corregir errores de escritura, porque la búsqueda rinde mejor con una consulta clara y enfocada.
  3. Recuperar. AWS describe una búsqueda de relevancia: la pregunta se convierte en vector y se compara con los de la base. Google Cloud añade que los motores avanzados combinan búsqueda semántica y búsqueda por palabras clave (búsqueda híbrida) y un reordenador (re-ranker) que puntúa los resultados para que los primeros sean los más relevantes.
  4. Aumentar. Los fragmentos recuperados se añaden al mensaje que recibe el modelo, junto con la pregunta del usuario.
  5. Generar. El modelo redacta la respuesta usando ese contexto y lo que ya sabía por su entrenamiento.
  6. Mantener la fuente al día. AWS pregunta qué ocurre si los datos externos quedan obsoletos (stale) y responde que hay que actualizar los documentos y sus representaciones de forma periódica o en tiempo real.

Fíjate en el orden. Generar es la última etapa; la que decide qué material llega al modelo es la recuperación. Todo lo que quieras influir sobre una respuesta basada en RAG pasa, antes que por la redacción del modelo, por que tu contenido exista en la fuente consultada y se recupere para esa pregunta.

¿Qué decide qué fragmento se recupera?

La relación entre la pregunta y el contenido: los sistemas descritos por Google Cloud y AWS puntúan la similitud de significado (semántica), a veces combinada con coincidencia de palabras, y se quedan con los fragmentos mejor puntuados. En las páginas de Google Cloud y AWS que leímos no aparece una receta universal; cada implementación elige sus propios parámetros.

Lo que sí documentan los proveedores de nube lo resume esta tabla. Es la descripción de un sistema de RAG que construye una empresa con sus propios datos, no la de un buscador concreto.

Elemento Qué hace según la documentación Qué significa para una página web (criterio propio)
Embeddings y búsqueda semántica Comparan el significado de la pregunta con el del contenido (AWS, Google Cloud). Una página puede recuperarse aunque no repita las palabras exactas de la pregunta.
Búsqueda por palabras clave Google Cloud la menciona combinada con la semántica (búsqueda híbrida). Los términos concretos (nombres, productos, siglas) siguen contando.
Reordenador (re-ranker) Puntúa los resultados para que los primeros sean los más relevantes (Google Cloud). Entrar entre los candidatos no basta; hay que ser de los más pertinentes.
Fragmentación (chunking) Google Cloud la cita entre los ajustes de calidad: cómo se analiza el diseño de la fuente y cómo se divide. Si el sistema divide tu página en partes, cada parte se evalúa por separado.
Actualización de la fuente AWS: hay que actualizar documentos y vectores para evitar datos obsoletos. Una página que el sistema no vuelve a leer puede quedar con su versión vieja.

Hay un matiz que Google Cloud subraya y que es útil recordar: según su documentación, si la información recuperada es irrelevante, la generación puede estar fundamentada pero fuera de tema o ser incorrecta. La calidad de la respuesta depende de la calidad de lo recuperado.

Ejemplo inventado: por qué una página entra y otra queda fuera

En un sistema de RAG, dos páginas del mismo tema pueden recibir un trato muy distinto en la recuperación si una responde la pregunta en un pasaje claro y la otra la dispersa o la deja fuera. Este ejemplo es inventado y sirve solo para ver la mecánica; no describe cómo funciona ningún asistente concreto.

Imagina una pregunta: “¿Cuánto demora una limpieza dental en una clínica?”. El sistema consulta un conjunto de páginas ficticias y divide cada una en pasajes:

Página ficticia Pasaje relevante Hipótesis de lo que pasaría
Clínica A, preguntas frecuentes Un apartado titulado “¿Cuánto dura una limpieza dental?” cuya primera frase da la duración y las condiciones en que cambia. El pasaje responde la pregunta por sí solo; es un buen candidato.
Clínica B, página de servicios Un texto de bienvenida de varios párrafos donde la duración aparece de pasada, mezclada con promociones. El pasaje contiene la información, pero diluida; compite peor frente al de A.
Clínica C, página de inicio Solo una galería de fotos y un botón “Agenda aquí”. Sin texto sobre el tema, no hay nada que recuperar.
Clínica D, bloqueada Una página con la respuesta, pero que el rastreador no puede leer. No entra en la fuente: no se puede recuperar.

El caso D se decide antes que los demás: es un problema de acceso, no de redacción. El caso C es un problema de contenido ausente. Los casos A y B ya son de competencia entre pasajes. Es una lectura de ejemplo, no una regla documentada por ningún asistente.

¿Es RAG lo que hacen ChatGPT, Gemini, Perplexity y Claude?

Solo Google lo documenta con ese nombre: su guía para sitios web dice que sus funciones de IA en la Búsqueda usan RAG; OpenAI, Perplexity y Anthropic describen búsqueda web con citas, pero no publican el detalle de cómo funciona por dentro ni cómo eligen las fuentes. Lo que sigue es lo que cada proveedor escribe en la documentación que revisamos el 23 de octubre de 2026.

Proveedor Qué documenta Qué no documenta
Google (AI Overviews y modo IA) RAG, también llamada fundamentación: usa sus sistemas principales de posicionamiento para recuperar páginas relevantes y actualizadas de su índice, las revisa para generar la respuesta y muestra enlaces a páginas que la respaldan. El detalle de los parámetros de recuperación o de cómo se pondera cada señal.
OpenAI (búsqueda web) La búsqueda web permite a los modelos acceder a información actualizada de internet y dar respuestas con citas de fuentes. En la página leída, que sea RAG ni cómo elige y ordena las fuentes.
Perplexity Cuando haces una pregunta, busca en internet en tiempo real y reúne información de fuentes; cada respuesta lleva citas numeradas. En el centro de ayuda leído, su método de selección y ordenamiento de fuentes.
Anthropic (Claude) La herramienta de búsqueda web da a Claude acceso directo a contenido web en tiempo real; la respuesta incluye citas de los resultados. En la página leída, los criterios de selección de los resultados.

Que un asistente consulte la web antes de responder se parece a RAG en lo esencial: recuperar primero, generar después. Pero que se parezcan no equivale a que sean iguales. En ChatGPT, Perplexity y Claude, no hay documentación que nos permita decir qué índice usan, cómo puntúan o si hacen la fragmentación de los pasajes que describen los proveedores de nube. Cuando alguien te afirme cómo “elige” ChatGPT o Perplexity sus fuentes, está formulando una hipótesis, no citando una especificación.

Para el detalle de Google, ver AI Overviews: qué son y de dónde sacan las fuentes.

¿Por qué RAG explica que la IA cite unas páginas y no otras?

Porque en un sistema que primero recupera y después responde, solo pueden citarse las páginas que pasaron la recuperación; las demás nunca llegan al modelo en ese momento. Es una consecuencia lógica del diseño, no una regla documentada por todos los asistentes.

Para Google sí hay un requisito oficial que coincide con esa lógica. Su página sobre funciones de IA dice que, para mostrarse como enlace de apoyo en AI Overviews o en el modo IA, una página debe estar indexada y poder mostrarse en la Búsqueda de Google con un fragmento (indexed and eligible to be shown in Google Search with a snippet), cumpliendo los requisitos técnicos de la Búsqueda. Y añade que no hay requisitos técnicos adicionales (“There are no additional technical requirements”). Su guía añade que cumplir requisitos y buenas prácticas no significa que Google vaya a rastrear, indexar o servir el contenido: no está garantizado.

Nuestro criterio, derivado de esa lógica, ordena en cuatro razones por las que una página puede no citarse, de la más básica a la más fina:

  1. No se puede acceder a ella. Si un bloqueo en robots.txt o un firewall impide que el rastreador lea la página, no puede entrar en la fuente consultada.
  2. No está en el índice. Para Google, sin indexación no hay candidata. La causa y la solución están en por qué Google no indexa mi página.
  3. No responde la pregunta que se hizo. Se recupera lo que se parece a la pregunta; una página que habla del tema en general pero nunca contesta la duda concreta compite mal.
  4. Otra página responde mejor. Entre candidatos válidos, un reordenador (en los sistemas que lo usan) deja arriba los más pertinentes. Aquí entra la competencia, que puedes analizar con por qué la IA recomienda a tu competencia.

Una precisión de método: estas cuatro razones son criterio propio, no una lista publicada por un proveedor. En las páginas que leímos no encontramos cuáles pesan más en cada asistente, así que conviene revisarlas una por una en lugar de asumir una.

¿Cómo te afecta como dueño de un sitio web?

Te afecta en dos niveles: tu página tiene que ser recuperable (accesible, indexable, con el texto en el HTML) y, una vez recuperada, cada pasaje tiene que poder entenderse por sí solo. Lo primero está respaldado por la documentación de Google; lo segundo es una consecuencia razonable de cómo describen la fragmentación los proveedores de nube.

Para aclarar qué hacer según lo que observes, esta tabla de decisión cruza el síntoma con el nivel del problema:

Si te pasa esto Nivel probable (criterio propio) Qué hacer
Tu página no aparece ni en Google Acceso o indexación Revisa indexación y rastreo; empieza por por qué Google no indexa mi página.
Aparece en Google, pero un asistente no la cita nunca Acceso del rastreador del asistente o contenido Comprueba que robots.txt y el firewall permitan sus bots: robots.txt para bots de IA y bots de IA que rastrean tu sitio.
Los bots entran, pero el texto no está en el HTML inicial Legibilidad Haz la prueba con curl de cómo saber si mi sitio es legible para la IA.
Se cita a otras páginas para tu pregunta, la tuya está accesible Contenido o competencia Compara qué pasaje responde la pregunta; ver escribir contenido que la IA cite.

¿Qué son los fragmentos autocontenidos y hay que escribir en trozos?

Un fragmento autocontenido es una sección que se entiende sin el resto de la página: su título plantea la pregunta y su primera frase la responde; no hace falta partir tu contenido en piezas pequeñas ni escribir distinto para la IA. Google lo dice sin rodeos en su guía: no hay obligación de dividir el contenido en trozos diminutos para que la IA lo entienda (“There’s no requirement to break your content into tiny pieces”), y sus sistemas pueden entender los matices de varios temas en una página y mostrar al usuario la pieza relevante.

¿Entonces, por qué se habla de fragmentos? Porque los proveedores de nube explican que los sistemas RAG que ellos describen dividen el contenido en partes y comparan cada parte con la pregunta. Si en algún sistema tu texto se evalúa por pasajes, una sección que depende de “lo anterior” o de “como vimos arriba” pierde sentido cuando se lee suelta. Es un problema de claridad que sirve igual para una persona que llega por un enlace directo a una sección.

Un buen pasaje, según nuestro criterio, cumple estas condiciones:

  • Su título es una pregunta o un tema concreto, no un rótulo genérico como “Más información”.
  • La primera frase responde, sin preámbulo.
  • Nombra los sujetos (“la clínica”, “el plan Pro”) en lugar de usar solo “esto” o “lo anterior”.
  • Incluye las condiciones y excepciones en el mismo bloque.
  • No promete resultados: describe lo que es cierto y bajo qué condiciones.

Cómo redactar eso con ejemplos está en cómo escribir contenido que citen ChatGPT, Gemini y Perplexity; aquí solo importa por qué ocurre. Y una advertencia: Google dice que, para su Búsqueda, puedes ignorar tácticas como el “chunking” y los archivos de texto de IA innecesarios, de modo que no conviene fragmentar el sitio ni reescribirlo en exceso solo por esta razón.

¿Qué cosas se suelen confundir con RAG?

RAG se confunde con el entrenamiento del modelo, con la ramificación de consultas y con una garantía de exactitud; ninguna de las tres cosas es RAG. Estos son los errores más comunes:

  • Creer que RAG “entrena” al modelo con tu página. No: AWS explica que RAG extiende al modelo a un dominio sin reentrenarlo. El contenido recuperado se usa en esa respuesta como contexto; no queda grabado en los parámetros del modelo por esa vía.
  • Creer que RAG elimina los errores. Google Cloud advierte que, si lo recuperado no es pertinente, la respuesta puede ser incorrecta.
  • Confundirlo con la ramificación de consultas (query fan-out). Según Google, es otra técnica: el modelo genera consultas relacionadas para pedir más información.
  • Dar por hecho que todo asistente es igual. Cada proveedor tiene su propio sistema y solo Google documenta RAG con ese nombre en las páginas que revisamos.
  • Confundir el RAG de tu empresa con el de un asistente público. Si montas un chatbot que responde con tus manuales, tú decides la fuente y la fragmentación; en un asistente público, no.

El último punto marca una frontera útil. El RAG de Google Cloud o de AWS que aparece en sus páginas es una herramienta para que una empresa conecte sus propios datos a un modelo. Esa es una conversación distinta de la de aparecer en las respuestas de ChatGPT o Gemini, aunque comparta el mecanismo de fondo.

¿Cómo puede ayudarte Laurank con esto?

Laurank hace el diagnóstico de por qué la IA no te cita. Mira si los bots pueden leer tu sitio, si tus páginas responden las preguntas de tus clientes, qué competidores aparecen en tu lugar y si tu marca es reconocida. Depende de tu sector y de tu competencia; no prometemos posiciones ni citas.

Si quieres empezar, escribe por WhatsApp al +1 415 202 4369 con el nombre de tu marca y tu sector. Los detalles del servicio están en Diagnóstico: por qué la IA no te cita.

Preguntas frecuentes

¿Qué significa RAG en inteligencia artificial?

Son las siglas de Retrieval-Augmented Generation, en español generación aumentada por recuperación. Es una técnica en la que, antes de generar la respuesta, el sistema recupera información de una fuente externa (documentos, una base de datos o páginas web) y se la entrega al modelo como contexto.

¿ChatGPT usa RAG?

OpenAI documenta que ChatGPT y su API pueden usar una herramienta de búsqueda web para dar respuestas con citas, pero en la documentación revisada no llama RAG a ese mecanismo ni detalla cómo elige las fuentes. Decir que es RAG es una descripción por analogía, no una afirmación de OpenAI.

¿RAG elimina las alucinaciones?

No. Google Cloud advierte que si la información recuperada es irrelevante, la respuesta puede estar fundamentada pero fuera de tema o ser incorrecta.

¿Cuál es la diferencia entre RAG y entrenar o ajustar un modelo?

Entrenar o ajustar cambia los parámetros del modelo. RAG no lo reentrena: AWS explica que extiende el modelo a un dominio o una base de conocimiento interna sin necesidad de reentrenarlo, y que se puede mantener al día actualizando los documentos.

¿Tengo que escribir mi página de una forma especial para que un sistema RAG la use?

Google dice que no necesitas escribir de una forma específica para sus funciones de IA ni dividir el contenido en trozos diminutos. De los demás proveedores no hay una guía equivalente. Lo comprobable es que la página sea accesible y que cada sección responda con claridad su pregunta.

¿Cómo sé si mi página se recupera?

Para Google, comprueba que esté indexada y pueda mostrarse con fragmento en la Búsqueda, y usa el informe de rendimiento de IA generativa (Generative AI performance report) de Search Console, que Google recomienda para medir cómo se descubre tu contenido en esas funciones. Para los demás asistentes no hay un informe oficial equivalente que hayamos encontrado; lo que sí puedes verificar es que sus rastreadores no estén bloqueados.

Fuentes

¿Quieres que la IA cite a tu marca?

Cuéntanos tu caso por WhatsApp y te decimos por dónde empezar.

Escríbenos por WhatsApp

Artículos relacionados

Aparecer en asistentes de IA ·

¿Qué es el query fan-out y cómo afecta a tu sitio?

El query fan-out (ramificación de búsquedas) es la técnica con la que, según Google, el modo IA y los AI Overviews dividen una pregunta en subtemas y lanzan varias búsquedas relacionadas para armar una respuesta. Para tu sitio significa que compites por las subpreguntas de un tema, no solo por la pregunta que escribió el cliente.

AEO ·

¿Qué son las alucinaciones de la IA y por qué inventan datos?

Una alucinación de la IA es una afirmación plausible pero falsa que genera un modelo de lenguaje. Según investigadores de OpenAI, ocurre porque el entrenamiento y la evaluación premian adivinar en lugar de admitir incertidumbre. Anthropic y Google reconocen el problema. Citar una fuente no basta: hay que abrirla y comprobarla.

AEO ·

¿Cómo escribir contenido para IA que citen ChatGPT, Gemini y Perplexity?

No hay receta oficial: ningún proveedor documenta cómo elige a quién citar. Google pide contenido original, con datos o análisis propios y experiencia de primera mano; OpenAI y Perplexity piden permitir sus rastreadores. Como criterio editorial de Laurank: abre con la respuesta, añade un dato propio con fuente y fecha, y usa la lista de este artículo.