RAG (retrieval augmented generation)

El RAG (retrieval augmented generation, o generación aumentada por recuperación) es una técnica de inteligencia artificial que combina dos pasos: primero recupera información relevante de una base de datos o documentos, y después usa esa información para generar una respuesta. En criollo: en lugar de que la IA responda solo con lo que aprendió en su entrenamiento, busca datos frescos y específicos de tu negocio antes de contestar. Eso hace que las respuestas sean más precisas, actualizadas y con menos alucinaciones.

¿Por qué le importa a una PyME?

Si tenés un negocio, probablemente te pase por WhatsApp: te preguntan horarios, precios, si hacés envíos, si tenés stock, cómo comprar, etc. Si la IA responde de memoria, puede equivocarse o quedar desactualizada. Con RAG, la IA puede buscar en tus documentos (por ejemplo, tu lista de precios, tu política de envíos o tu catálogo) y responder con datos reales de tu empresa, no con suposiciones.

Ejemplo concreto

Imaginá que tenés una tienda de ropa. Un cliente pregunta: '¿Cuánto cuesta el jean azul de la foto que subieron a Instagram?' Sin RAG, la IA podría inventar un precio o decir que no tiene esa información. Con RAG, la IA busca en tu catálogo actualizado (que podés tener en un archivo o base de datos) y responde: 'El jean azul está $12.500, y hoy tenés 10% de descuento abonando en efectivo'. Así, el cliente recibe una respuesta útil y vos no perdés una venta.

Errores comunes al implementar RAG

• Pensar que RAG reemplaza la supervisión humana: la IA sigue necesitando que alguien revise las respuestas, sobre todo en situaciones delicadas o con clientes enojados.
• No actualizar la base de datos: si tus precios o políticas cambian y no actualizás la información, la IA va a seguir respondiendo con datos viejos.
• Confundir RAG con un chatbot de flujos: RAG no es un árbol de conversación programado a mano, sino que la IA 'busca' la respuesta en cada consulta. No hay que programar cada rama, pero sí mantener la información ordenada.

¿Cómo se relaciona con WhatsApp Business?

WhatsApp Business API (la oficial de Meta) no incluye RAG por defecto, pero las plataformas que se conectan a esa API pueden implementar RAG para mejorar las respuestas automáticas. Por ejemplo, un sistema de atención al cliente puede usar RAG para buscar en la base de conocimiento de la empresa y responder dudas frecuentes con información precisa. Los límites de la API (como cantidad de mensajes o plantillas) los define Meta y pueden variar, así que siempre conviene revisar la documentación oficial.

Cómo se usa en la práctica en un negocio real

Imaginá un restaurante en Buenos Aires que recibe 50 consultas por WhatsApp cada día: horarios, menú del día, si hacen reservas, si tienen opciones veganas. Sin RAG, un bot responde con frases genéricas que se desactualizan rápido. Con RAG, cada consulta dispara una búsqueda en la base de conocimiento: el menú actualizado, la política de reservas, los precios de la semana.

El flujo es así: el cliente escribe '¿Tienen mesa para dos a las 21?' y la IA busca en el documento de reservas y políticas. Encuentra que sí, que a esa hora hay disponibilidad y que se puede reservar con un 30% de seña. Arma una respuesta con esos datos y la sugiere al encargado, que la aprueba con un clic. El cliente recibe una respuesta precisa, sin que nadie tenga que escribirla de cero.

La clave es que la información vive en documentos que se actualizan, no en la memoria del modelo. Si el menú cambia, se actualiza el documento y la IA ya responde con lo nuevo.

Con qué se confunde y en qué se diferencia

RAG se confunde con dos cosas: el chatbot de flujos y el fine-tuning. El chatbot de flujos es un árbol programado a mano: si el cliente dice X, respondés Y. RAG no programa ramas: busca en documentos y arma la respuesta en el momento. Si un cliente hace una pregunta que no estaba prevista, el flujo se cae; RAG intenta responder con lo que encuentre.

El fine-tuning es otra cosa: implica reentrenar el modelo con datos propios para que aprenda un estilo o un dominio. Es caro, lento y hay que hacerlo cada vez que cambia la información. RAG no reentrena: recupera datos frescos en cada consulta, sin tocar el modelo.

En la práctica, RAG se parece más a un empleado nuevo que consulta el manual antes de contestar, que a un robot con guion.

• RAG busca en documentos actualizados; el flujo sigue un guion fijo.
• RAG no requiere reentrenar el modelo; el fine-tuning sí.
• RAG reduce alucinaciones porque basa la respuesta en datos concretos.

Qué pasa si lo ignorás

Si no usás RAG, tu IA responde con lo que aprendió en el entrenamiento, que puede estar desactualizado o ser genérico. Un cliente pregunta por un producto que sacaste del catálogo y la IA te lo vende. O te pregunta por una promoción que terminó hace dos semanas y la IA la confirma. Eso genera dos problemas: pérdida de ventas y daño a la confianza.

El cliente que recibe una respuesta equivocada no vuelve. Y si la respuesta es sobre un precio, la situación es peor: te reclaman un precio que ya no existe y tenés que bancar el error o discutir con el cliente.

Además, sin RAG la IA no puede resolver consultas específicas de tu negocio. Todo lo que no esté en el prompt genérico, no lo va a saber. Terminás con un bot que solo responde lo básico y deriva todo a un humano, que es justo lo que querías evitar.

Cómo se relaciona con la API oficial de Meta

La API de WhatsApp de Meta no trae RAG incorporado. Es una API de mensajería: te deja enviar y recibir mensajes, gestionar plantillas y ver estados de entrega. RAG es una capa que se agrega por encima, en la plataforma que uses para atender.

Cuando un cliente escribe, la plataforma recibe el mensaje por la API, busca en tu base de conocimiento y arma una respuesta. Esa respuesta se envía por la misma API, como si la hubiera escrito un humano.

Lo que sí define Meta son los límites: aprobación de plantillas (hasta 48 horas), precios de conversación por país y tipos de mensajes permitidos. Eso no cambia con RAG: es la misma API, solo que con un cerebro que consulta datos antes de contestar.

Cuándo NO aplica o no conviene

RAG no es la solución para todo. Si tu negocio recibe consultas muy simples y repetitivas (horarios, dirección), un chatbot de flujos alcanza y sobra. RAG agrega complejidad sin beneficio.

Tampoco conviene si tu información cambia todo el tiempo y no tenés un proceso para actualizar los documentos. RAG depende de que la base esté al día; si no, responde con datos viejos y el problema es peor que no tener IA.

Y ojo: RAG no es magia. Si la pregunta es ambigua o el cliente no explica bien qué quiere, la búsqueda puede no encontrar nada útil. En esos casos, la IA debería derivar a un humano, no inventar una respuesta. Si tu herramienta no tiene esa lógica, RAG puede ser un riesgo.

Errores comunes de quien recién lo entiende

El primero es pensar que RAG reemplaza la supervisión humana. La IA sugiere, pero alguien tiene que aprobar, sobre todo en conversaciones delicadas. El segundo es no actualizar la base: si los precios cambian y el documento no, la IA responde con datos viejos.

El tercero es confundir RAG con un chatbot de flujos y esperar que funcione igual. RAG no sigue un guion: busca en documentos. Si no tenés la información ordenada, no hay nada que recuperar.

El cuarto es creer que RAG es una función de WhatsApp. No lo es: es una técnica que las plataformas implementan. Y el quinto es no probar con casos reales: un RAG que funciona en un demo puede fallar con las preguntas raras de tus clientes.