// INTELIGENCIA ARTIFICIAL
¿RAG o ajuste fino? Qué problema pide cuál
7 min de lecturanijitech
Ambos se toman por la respuesta a una frase que empieza con «enseñémosle nuestros datos al modelo». Resuelven dos problemas distintos. Tres criterios deciden.
Artículo completo
Un proyecto interno de IA empieza casi siempre con la misma frase: «enseñémosle nuestros datos al modelo». Esa frase tiene dos lecturas técnicas distintas, y resuelven problemas diferentes. Elegir la equivocada no condena el proyecto, pero lo vuelve innecesariamente caro e innecesariamente frágil.
Qué cambia cada uno
RAG es una capa que encuentra el documento pertinente y se lo entrega al modelo antes de responder. No toca el modelo; le da el contexto correcto. El ajuste fino actualiza los pesos del modelo con sus ejemplos y cambia su forma de comportarse.
La distinción se afila aquí: RAG cambia el conocimiento, el ajuste fino cambia el comportamiento. «Cuál es la política de devoluciones de la empresa» es una pregunta de conocimiento. «Responde siempre con este tono y en este formato» es una petición de comportamiento.
1. ¿Con qué frecuencia cambia el conocimiento?
Esta sola pregunta resuelve por sí misma la mayoría de las decisiones. Listas de precios, existencias, documentos de política, versiones de contrato: todo lo que cambia pertenece al lado de RAG. Usted actualiza el documento y el sistema responde bien desde la siguiente pregunta.
Grabar ese mismo conocimiento en el modelo mediante ajuste fino obliga a reentrenar en cada cambio. Para algo que cambia dos veces por semana, es un bucle insostenible.
2. ¿Hace falta citar una fuente?
RAG puede mostrar de qué documento produjo una respuesta; un modelo ajustado no puede, porque el conocimiento quedó repartido en sus pesos. En uso corporativo esto suele ser decisivo: no basta con que la respuesta sea correcta, tiene que ser verificable.
3. ¿Quiere formato o conocimiento?
Aquí es donde el ajuste fino realmente rinde: fijar de forma permanente el formato de salida, el tono y el dominio del lenguaje del sector. En lugar de describir el formato largamente en cada instrucción, el modelo ya lo sabe, lo que reduce tanto la longitud de la instrucción como el coste.
Dónde se gana su sitio el ajuste fino
- La salida debe seguir siempre la misma estructura rígida
- El lenguaje del sector es más específico de lo que un modelo general conoce
- La misma instrucción larga se repite en cada llamada
- Un modelo pequeño debe comportarse casi como uno grande
La respuesta suele ser «los dos»
Los montajes que funcionan bien en la práctica suelen usar ambos: el conocimiento llega por RAG, el formato y el tono se fijan con ajuste fino. No son rivales sino capas distintas.
El orden sí importa. RAG va primero, se mide y muestra dónde se queda corto. Un ajuste fino hecho sin medición es una línea de coste cuyo efecto nadie conoce.
En resumen
Tres preguntas
- ¿Cambia el conocimiento? — Si sí, RAG
- ¿Hay que citar fuentes? — Si sí, RAG
- ¿El problema es el formato y no el conocimiento? — Si sí, ajuste fino
Y en cualquiera de los dos casos, construya antes el conjunto de evaluación. Sin medición, cuál de los dos ayudó sigue siendo una opinión.
Productos mencionados en este artículo
Del glosario: RAG (generación aumentada por recuperación) · Alucinación · Conjunto de evaluación (eval)