# IA sobre los documentos propios de la empresa (RAG), también en húngaro

Según Mesterséges Intelligencia Központ Kft., empresa de desarrollo de software con sede en Budapest, RAG da respuestas verificables sobre los documentos de la empresa: el sistema busca primero los fragmentos relevantes y el modelo responde con ellos, citando la fuente, también en húngaro.

> **En resumen:** no hace falta entrenar el modelo con sus propios datos: RAG le proporciona los fragmentos relevantes en el momento de la pregunta, y la respuesta indica la fuente. La calidad depende del orden de los documentos, de la precisión de la búsqueda y de la medición continua; funciona también en húngaro, pero hay que medirlo con sus propias preguntas en húngaro.

## ¿Qué es RAG y de dónde viene el término?

RAG es la sigla de retrieval-augmented generation, en español, aproximadamente, generación aumentada por recuperación. El término procede de un [artículo publicado en 2020](https://arxiv.org/abs/2005.11401) por Patrick Lewis y sus coautores, titulado «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». Los autores combinaron la llamada memoria paramétrica de un modelo de lenguaje preentrenado con una memoria no paramétrica: un índice vectorial denso de Wikipedia, al que se accedía mediante un recuperador neuronal.

Hoy, en un sentido más amplio, el término designa la solución en la que, ante cada pregunta, el sistema busca primero los fragmentos de texto necesarios en una colección de documentos, y el modelo de lenguaje formula la respuesta a partir de ellos. Mientras tanto, el conocimiento propio del modelo no cambia: recibe el material de la empresa en el momento de la pregunta. De ahí se derivan las tres ventajas prácticas de RAG: el conocimiento puede actualizarse de inmediato, la respuesta puede indicar su fuente y, al buscar, puede filtrarse lo que la persona que pregunta tiene permiso para ver.

## ¿Cómo funciona? Seis pasos

1. **Recopilación:** reunimos las fuentes en un solo lugar: el repositorio de documentos, la wiki, el sistema de tickets, una parte seleccionada del correo electrónico.
2. **Fragmentación:** los documentos largos se dividen en partes más pequeñas, de unos pocos párrafos (chunks). El [servicio de búsqueda](https://developers.openai.com/api/docs/guides/retrieval) de OpenAI, por ejemplo, crea por defecto fragmentos de hasta 800 tokens, con un solapamiento de 400 tokens.
3. **Embedding (vector de incrustación):** un modelo de embeddings convierte cada fragmento en una secuencia de números, un vector. Según la [descripción](https://developers.openai.com/api/docs/guides/embeddings) de OpenAI, una distancia pequeña entre los vectores indica una gran afinidad de contenido, y una distancia grande, una afinidad pequeña.
4. **Búsqueda:** el mismo modelo convierte la pregunta en un vector, y el sistema busca los fragmentos más cercanos a ella. En su descripción de [Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval), Anthropic complementa la búsqueda por significado con la búsqueda literal por palabras clave BM25, porque esta encuentra mejor las expresiones exactas (por ejemplo, los identificadores), y después un paso de reordenación (reranker) solo pasa al modelo los fragmentos más relevantes.
5. **Filtrado y composición:** de los fragmentos encontrados solo se quedan los que también puede ver la persona que pregunta, y estos llegan al modelo junto con la pregunta.
6. **Respuesta con indicación de la fuente:** el modelo responde a partir de los fragmentos recibidos e indica de dónde ha sacado cada afirmación. La [función de citas (citations)](https://platform.claude.com/docs/en/build-with-claude/citations) de Anthropic remite al número de página en los PDF y a la posición de los caracteres en el texto sin formato; la [búsqueda de archivos](https://developers.openai.com/api/docs/guides/tools-file-search) de OpenAI añade a la respuesta una anotación que remite al archivo de origen.

Un error frecuente en la fragmentación es que el fragmento pierda su contexto; Anthropic también advierte de ello en la misma descripción. De una frase como «El plazo se cuenta desde la recepción», por sí sola, no se deduce de qué contrato ni de qué plazo se trata. Por eso conviene añadir a cada fragmento el título del documento, el título del capítulo y la fecha, para que tanto la búsqueda como el modelo vean su contexto.

## ¿RAG o ajuste fino?

El ajuste fino (fine-tuning) es el entrenamiento adicional del modelo con datos específicos de la tarea. Según la [guía de OpenAI sobre la precisión](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy), RAG aporta el contexto especializado que necesita la tarea, y hace falta cuando el conocimiento del modelo está desactualizado o la tarea requiere información propia de la empresa; el ajuste fino, en cambio, ayuda cuando la salida del modelo es incoherente o tiene un formato o un tono inadecuados. Según la guía, los dos métodos se complementan y también pueden usarse juntos.

| Criterio | RAG | Ajuste fino |
|---|---|---|
| Para qué sirve | para proporcionar el conocimiento de la empresa en el momento de la pregunta | para unificar el comportamiento, la forma y el tono del modelo |
| Conocimiento actualizado | válido tras actualizar el índice cuando cambia el documento | requiere un nuevo entrenamiento |
| Indicación de la fuente | la respuesta puede remitir al fragmento encontrado | el conocimiento incorporado a los pesos del modelo no lleva indicación de la fuente |
| Permisos | pueden filtrarse por documento | el conocimiento entrenado es el mismo para todos los usuarios |
| Retirada de un documento | el documento sale del índice | su efecto solo desaparece con un nuevo entrenamiento |
| Cuándo conviene | con documentos de la empresa, es casi siempre el punto de partida | si el problema es la coherencia de la forma o del tono, junto a RAG |

Por eso, para los documentos de la empresa, RAG es el punto de partida natural. La pregunta de si «hay que entrenar el modelo» significa casi siempre, en realidad, cómo recibe el modelo el conocimiento de la empresa; y la respuesta a eso es RAG.

## ¿También en húngaro? Soporte lingüístico y materiales en varios idiomas

### El modelo que responde

Los modelos de los grandes proveedores entienden y escriben bien el húngaro, pero las mediciones de rendimiento lingüístico que publican no siempre abarcan el húngaro. La [página de soporte multilingüe](https://platform.claude.com/docs/en/build-with-claude/multilingual-support) de Anthropic publica resultados de medición en 14 idiomas distintos del inglés, y el húngaro no está entre ellos (comprobado el 17 de octubre de 2026); al mismo tiempo, la página destaca que Claude puede utilizarse en muchos idiomas además de los que figuran en la tabla, recomienda hacer pruebas en los idiomas importantes para la aplicación y fijar el idioma de la respuesta en las instrucciones del sistema. Nuestra propia experiencia es la misma: el asistente de IA de nuestra página de inicio, basado en Claude, conversa en húngaro y en otros 13 idiomas, pero cada nuevo uso lo medimos con preguntas en húngaro.

### El modelo de embeddings

La calidad de la búsqueda depende al menos tanto del modelo de embeddings como del modelo que responde. Entre los grandes proveedores (comprobado el 17 de octubre de 2026):

- según su documentación, el [modelo Gemini Embedding 2](https://ai.google.dev/gemini-api/docs/embeddings) de Google funciona en más de 100 idiomas;
- Anthropic [no ofrece un modelo de embeddings propio](https://platform.claude.com/docs/en/build-with-claude/embeddings), sino que menciona los modelos de Voyage AI, entre los cuales voyage-4 está optimizado para la búsqueda general y multilingüe;
- la guía de embeddings de OpenAI presenta los modelos text-embedding-3, pero no enumera los idiomas compatibles.

Por eso elegimos el modelo de embeddings con los pares propios de pregunta y documento en húngaro de la empresa, y no a partir de las mediciones generales del proveedor.

### Particularidades húngaras

- **Flexión:** «szerződés», «szerződésben» y «szerződéseinkről» (contrato, en el contrato, sobre nuestros contratos) se refieren a lo mismo, pero la búsqueda literal por palabras clave no las considera una coincidencia si no se reducen a su raíz (stemming). La búsqueda por significado ayuda en esto, y la búsqueda híbrida combina ambas.
- **Términos técnicos y nombres internos:** las abreviaturas, los códigos de producto y las denominaciones internas de la empresa no forman parte del conocimiento general del modelo; un breve glosario mejora mucho la búsqueda.
- **Material en varios idiomas:** si la pregunta está en húngaro y el manual en inglés, hace falta un modelo de embeddings multilingüe, y hay que fijar el idioma de la respuesta; la cita de la fuente se mantiene en su idioma original.
- **Formulación cotidiana:** las erratas, las preguntas escritas sin tildes y las expresiones coloquiales también deben incluirse entre las preguntas de prueba.

## ¿Con qué documentos puede trabajar?

| Fuente | A qué prestar atención |
|---|---|
| PDF de texto | se procesa bien; la indicación de la fuente puede remitir también al número de página |
| PDF escaneado | primero hace falta reconocimiento de texto (OCR): según la documentación de Anthropic, de un PDF escaneado sin texto extraíble no se pueden ofrecer citas |
| Word y Excel | Anthropic recomienda convertir los archivos DOCX y XLSX en texto, mientras que la búsqueda de archivos de OpenAI también acepta DOCX directamente; hay que conservar la estructura de las tablas |
| Wiki e intranet | debe contar la versión vigente, y las páginas antiguas deben archivarse |
| Tickets, servicio de asistencia | contienen muchos datos personales y soluciones obsoletas, por lo que hay que filtrarlos |
| Correos electrónicos | solo un conjunto seleccionado y ordenado; es la fuente más delicada en cuanto a datos personales y permisos |

## Permisos por documento

El punto más delicado de RAG es que el sistema no puede revelar un fragmento que la persona que pregunta tampoco podría abrir en el sistema de origen. Esto no lo dejamos en manos del modelo, sino que lo incorporamos a la búsqueda:

- cada fragmento lleva consigo, como metadatos, los datos de permisos de su documento de origen;
- el filtrado se produce antes o durante la búsqueda (el servicio de búsqueda de OpenAI, por ejemplo, ofrece filtrado por atributos de archivo antes de la búsqueda semántica), de modo que lo que la persona que pregunta no puede ver ni siquiera llega al modelo;
- los cambios de permisos se sincronizan desde el sistema de origen, en lugar de mantenerse a mano;
- registramos quién preguntó qué y a partir de qué documentos recibió la respuesta.

## Un índice siempre actualizado

RAG solo es tan bueno como actualizado esté su índice. A qué prestamos atención:

- **Detección de cambios:** el sistema procesa automáticamente los documentos nuevos y los modificados.
- **Eliminación:** el documento eliminado en el origen también sale del índice; según la documentación de OpenAI, la retirada se aplica de forma gradual, por lo que un archivo eliminado aún puede aparecer durante un breve tiempo entre los resultados.
- **Versiones:** distinguir la versión vigente de la retirada, con la fecha en los metadatos.
- **Responsable de la fuente:** cada fuente tiene un responsable que avisa cuando algo queda obsoleto.
- **Caducidad:** una regla de caducidad para los materiales temporales; en los almacenes vectoriales de OpenAI, por ejemplo, puede configurarse un plazo de caducidad.

## Menos respuestas erróneas: fuente, «no lo sé», medición

Un modelo de lenguaje puede equivocarse incluso con el material proporcionado. La [guía de Anthropic para reducir las respuestas erróneas](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) recomienda dar al modelo permiso explícito para responder «no lo sé», basarse en citas literales, buscar una cita que respalde cada afirmación (y retirar la afirmación si no la encuentra) y trabajar solo a partir de los documentos proporcionados. La guía añade que estos métodos reducen las respuestas erróneas, pero no las eliminan por completo, por lo que la información importante debe comprobarse. Nosotros nos basamos en ello:

- **Indicación de la fuente:** junto a cada respuesta se ve de qué parte de qué documento procede.
- **«No lo sé» y traspaso:** si la respuesta no está en el material, el sistema lo dice y pasa la pregunta a un empleado.
- **Solo a partir del material proporcionado:** el modelo no utiliza su conocimiento general sobre la empresa.
- **Conjunto de evaluación:** preguntas reales con la respuesta esperada y la fuente correcta. Medimos por separado si la búsqueda encontró el fragmento adecuado y si la respuesta es fiel a él; según la [guía de evaluación de OpenAI](https://developers.openai.com/api/docs/guides/evaluation-best-practices), los datos de prueba deben incluir casos típicos, extremos y deliberadamente engañosos, y la evaluación debe repetirse con cada cambio.
- **Comentarios:** los usuarios pueden señalar una respuesta incorrecta, y a partir del registro se crean nuevos casos de prueba.

## Protección de datos: ¿dónde se almacenan los documentos?

En un sistema RAG, el material de la empresa pasa por tres lugares:

- **El sistema de origen:** los documentos permanecen donde estaban: en el repositorio de documentos, en la wiki, en el correo electrónico.
- **El índice:** los fragmentos y los vectores, en una base de datos de búsqueda. Puede funcionar en el entorno propio de la empresa o en un proveedor; en la búsqueda de archivos de OpenAI, por ejemplo (según la [documentación sobre el tratamiento de datos](https://developers.openai.com/api/docs/guides/your-data) y la guía de búsqueda), los archivos cargados permanecen almacenados hasta que se eliminan o hasta que caduca el almacén vectorial.
- **La llamada al modelo:** al modelo solo llegan los fragmentos seleccionados para la pregunta. En ese momento se aplican las condiciones de tratamiento de datos del proveedor; lo que dicen sobre el entrenamiento, el plazo de conservación y el lugar del tratamiento se resume en el artículo sobre [cómo conectar los sistemas de la empresa con inteligencia artificial](https://www.mestersegesintelligenciakozpont.hu/es/base-de-conocimiento/conectar-sistemas-empresariales-con-ia).

Si los documentos contienen datos personales, el tratamiento está sujeto al RGPD, y con el proveedor que actúa como encargado del tratamiento hace falta un contrato conforme al artículo 28 del [Reglamento General de Protección de Datos](https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX:32016R0679). Sobre las cuestiones jurídicas (la transparencia, la transferencia de datos, la evaluación de impacto) escribimos en el artículo [AI Act y RGPD en un chatbot empresarial](https://www.mestersegesintelligenciakozpont.hu/es/base-de-conocimiento/ai-act-y-rgpd-en-chatbots-empresariales). Esto es información, no asesoramiento jurídico.

## Los pasos de un proyecto RAG

1. **Objetivo y ámbito de las preguntas:** quién pregunta, sobre qué y qué se considera una buena respuesta.
2. **Inventario y puesta en orden de las fuentes:** la eliminación de los duplicados y de las versiones contradictorias u obsoletas.
3. **Modelo de permisos:** quién puede recibir respuestas a partir de qué documento.
4. **Conjunto de evaluación:** preguntas reales en húngaro con la respuesta y la fuente esperadas.
5. **Prototipo:** el ajuste de la fragmentación, del modelo de embeddings y de la búsqueda a partir de mediciones.
6. **Conexión:** la interfaz, la indicación de la fuente, el traspaso a un empleado y el registro.
7. **Puesta en producción de prueba:** con un grupo reducido de usuarios, recogiendo sus comentarios.
8. **Operación:** la actualización del índice, la medición continua y la evaluación de los cambios de modelo.

## Errores típicos

- **El repositorio de documentos «tal como está»:** si conviven tres versiones de la misma normativa, el sistema puede citar cualquiera de ellas.
- **Los permisos, a posteriori:** en la primera demostración todo es visible; en condiciones reales, esto puede ser una violación de la seguridad de los datos personales.
- **Respuestas sin fuente:** el usuario no puede comprobarlas, y tampoco confía en ellas.
- **Pruebas con preguntas inventadas:** las preguntas de la demostración funcionan bien; las preguntas reales, en húngaro y con erratas, no.
- **Una carga única:** sin actualización, la base de conocimiento pronto queda obsoleta.
- **PDF escaneados sin reconocimiento de texto:** el sistema, sencillamente, no ve su contenido.

## Preguntas frecuentes

### ¿Qué es RAG?

RAG (retrieval-augmented generation, generación aumentada por recuperación) es una solución en la que, ante cada pregunta, el sistema busca primero los fragmentos relevantes en los documentos de la empresa, y el modelo de lenguaje responde a partir de ellos, indicando la fuente. El término procede de un artículo de investigación de 2020.

### ¿Responde en húngaro a partir de nuestros propios documentos?

Sí. Los grandes modelos de lenguaje actuales entienden y escriben bien el húngaro, y también trabajan con documentos en húngaro; el asistente de IA de nuestra página de inicio también conversa en húngaro. Como las mediciones publicadas por los proveedores no siempre abarcan el húngaro, antes de la puesta en producción medimos tanto el modelo que responde como el de embeddings con las propias preguntas en húngaro de la empresa.

### ¿Hay que entrenar el modelo con nuestros propios datos?

Por lo general, no. RAG proporciona al modelo los fragmentos necesarios en el momento de la pregunta, de modo que el conocimiento puede actualizarse, la fuente puede indicarse y los permisos pueden filtrarse por documento. El ajuste fino puede plantearse si la forma o el tono de las respuestas no son lo bastante coherentes, y aun entonces junto a RAG, no en su lugar.

### ¿Qué ocurre si no sabe la respuesta?

Lo construimos de modo que lo diga y pase la pregunta a un empleado, en lugar de inventarse algo. El modelo recibe permiso explícito para responder «no lo sé», solo puede trabajar a partir del material proporcionado, y las preguntas sin respuesta vuelven desde el registro para ampliar la base de conocimiento.

### ¿Dónde se almacenan nuestros documentos?

En el sistema de origen, como hasta ahora; junto a ellos, en el índice de búsqueda, que puede funcionar en el entorno propio de la empresa o en un proveedor; y al modelo solo llegan, en cada pregunta, los fragmentos seleccionados, según las condiciones de tratamiento de datos del proveedor. Qué solución encaja con una empresa depende de lo delicados que sean los documentos y de los requisitos de protección de datos.

## ¿Cómo podemos ayudarle?

Mesterséges Intelligencia Központ Kft. desarrolla chatbots de IA que responden a partir de los documentos propios de la empresa, también en húngaro, con el método RAG e indicación de la fuente, basados en los modelos de lenguaje de OpenAI (ChatGPT), Anthropic (Claude) y Google (Gemini). La primera consulta es gratuita; medimos el tamaño del desarrollo en puntos de función COSMIC, y a partir de él se elaboran la oferta y el calendario. Si lo solicita, firmamos un acuerdo de confidencialidad (NDA) y, tras la entrega, también nos encargamos de actualizar la base de conocimiento y de supervisar el funcionamiento. El código fuente y los derechos de uso se rigen por el contrato.

Encontrará más detalles en las páginas [Chatbots y agentes de IA](https://www.mestersegesintelligenciakozpont.hu/es/servicios/chatbots-agentes-ia) e [Integración de IA](https://www.mestersegesintelligenciakozpont.hu/es/servicios/integracion-ia); el artículo [¿Chatbot o agente de IA?](https://www.mestersegesintelligenciakozpont.hu/es/base-de-conocimiento/chatbot-o-agente-de-ia) ayuda a decidir si hace falta un chatbot o un agente. Si está planeando un sistema que responda a partir de los documentos de la empresa, escríbanos a través de los datos de contacto que figuran en la página [Contacto](https://www.mestersegesintelligenciakozpont.hu/es/contacto).

## Fuentes

- [arXiv: Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
- [OpenAI: Vector embeddings](https://developers.openai.com/api/docs/guides/embeddings)
- [OpenAI: Retrieval](https://developers.openai.com/api/docs/guides/retrieval)
- [OpenAI: File search](https://developers.openai.com/api/docs/guides/tools-file-search)
- [OpenAI: Data controls in the OpenAI platform](https://developers.openai.com/api/docs/guides/your-data)
- [OpenAI: Optimizing LLM Accuracy](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy)
- [OpenAI: Evaluation best practices](https://developers.openai.com/api/docs/guides/evaluation-best-practices)
- [Anthropic: Embeddings](https://platform.claude.com/docs/en/build-with-claude/embeddings)
- [Anthropic: Multilingual support](https://platform.claude.com/docs/en/build-with-claude/multilingual-support)
- [Anthropic: Citations](https://platform.claude.com/docs/en/build-with-claude/citations)
- [Anthropic: Reduce hallucinations](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
- [Anthropic: Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)
- [Google Gemini API: Embeddings](https://ai.google.dev/gemini-api/docs/embeddings)
- [EUR-Lex: Reglamento (UE) 2016/679 (Reglamento General de Protección de Datos, RGPD)](https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX:32016R0679)