¿Qué es RAG (Retrieval-Augmented Generation)?

RAG combina dos componentes que normalmente funcionan por separado: un motor de búsqueda y un modelo de lenguaje. Cuando alguien hace una pregunta, el sistema no responde directamente con lo que el modelo memorizó durante su entrenamiento. Primero busca información relevante en una fuente externa (una base de datos, un conjunto de documentos o la web abierta) y después usa esos resultados para construir la respuesta.

La diferencia con un modelo que responde solo desde sus datos de entrenamiento es central. Un modelo de lenguaje sin recuperación conoce lo que aprendió hasta la fecha de corte de su entrenamiento y no puede citar de dónde saca cada dato, porque no consulta ninguna fuente en el momento de responder. Un modelo con RAG, en cambio, consulta información actual en el instante de cada pregunta, puede referenciar documentos concretos y admite corregir o ampliar su base de conocimiento sin necesidad de reentrenarse.

Por eso RAG se asocia con los sistemas que muestran enlaces junto a sus respuestas. Esa capacidad de citar fuentes viene precisamente del paso de recuperación, no de un mecanismo distinto.

El paso de recuperación funciona mediante comparación vectorial, no mediante coincidencia de palabras clave. Tanto la pregunta del usuario como los documentos disponibles se convierten en representaciones numéricas llamadas embeddings, que capturan el significado del texto en vez de sus palabras exactas. Esto permite encontrar contenido relacionado aunque use un vocabulario distinto al de la pregunta: una consulta sobre «reducir el abandono del carrito» puede recuperar un documento que habla de «mejorar la tasa de conversión en el checkout» sin compartir ni una palabra. Antes de generar esos embeddings, los documentos se dividen en fragmentos más pequeños, un proceso llamado chunking, porque comparar la pregunta contra documentos enteros produciría resultados demasiado generales.

El sistema compara el embedding de la pregunta contra los embeddings de todos los fragmentos indexados y selecciona los más cercanos, normalmente unos pocos párrafos, no páginas completas. Esos fragmentos recuperados se insertan como contexto directamente en el prompt que recibe el modelo, junto con la pregunta original. El modelo genera entonces su respuesta apoyándose en ese contexto, en lugar de depender únicamente de lo memorizado en sus parámetros. Todo este proceso ocurre en cada consulta nueva, no una sola vez durante el entrenamiento, lo que permite que la respuesta refleje información publicada minutos antes.

Perplexity y Bing Chat muestran este mecanismo de forma visible: cuando responden, citan enlaces concretos, resultado directo de una recuperación hecha en el momento de la consulta y no de conocimiento fijo del modelo. Google aplica un proceso equivalente en sus AI Overviews. Muchos asistentes empresariales usan la misma arquitectura sobre su propia documentación interna, para que el modelo responda con datos de la empresa sin necesidad de reentrenarlo cada vez que un documento cambia.

La razón técnica por la que la optimización para IA (GEO) funciona es esta: si un sistema RAG recupera la página de una marca al buscar información sobre un tema, esa marca tiene la posibilidad de aparecer citada en la respuesta. Si el sistema no la recupera, no hay ninguna posibilidad, por bien posicionada que esté esa página en buscadores tradicionales.

RAG es el mecanismo detrás de la mayoría de citaciones en respuestas de IA, no un añadido opcional. Perplexity, Bing Chat, las AI Overviews de Google y buena parte de los asistentes con acceso a la web actual dependen de un paso de recuperación antes de generar texto. Un contenido que nunca entra en ese conjunto recuperado nunca llega a la fase de generación, sin importar su calidad.

Esto desplaza el foco de la optimización: ya no basta con que un tema esté cubierto en la web en algún sitio, cada página individual necesita ser recuperable por sí misma. Contenido estructurado en pasajes con sentido propio, información actualizada con fecha visible y una fuente identificable como autora inciden directamente en si un sistema RAG selecciona esa página o la descarta a favor de otra. Además, este mecanismo cambia con qué compite cada página: dos artículos sobre el mismo tema ya no compiten por una posición fija en un listado de resultados, compiten por ser el fragmento semánticamente más cercano a la pregunta concreta de cada usuario. Estas practicas no son ajenas al SEO tradicional, pero su peso cambia: dejan de ser una mejora incremental y pasan a decidir si un contenido llega o no a participar en la respuesta.

• Mantener el contenido rastreable por los crawlers de IA: no bloquear en robots.txt user-agents como GPTBot, PerplexityBot o Google-Extended si el objetivo es aparecer citado.
• Escribir pasajes autocontenidos: cada párrafo debe responder una idea completa sin depender del anterior, porque el sistema recupera fragmentos sueltos, no la página entera.
• Fechar y actualizar el contenido de forma visible, porque un sistema RAG prioriza información que puede verificar como vigente.
• Usar encabezados descriptivos y datos estructurados, para que el fragmento recuperado tenga contexto claro por sí mismo.
• Cubrir un tema con vocabulario variado, ya que la búsqueda vectorial encuentra sinónimos y formulaciones distintas, no solo la palabra exacta de la consulta.
• Citar fuentes propias y enlazar datos verificables, porque los sistemas RAG favorecen contenido que ya demuestra estar fundamentado.

• Bloquear rastreadores de IA en robots.txt y esperar aparecer citado en las respuestas: son objetivos incompatibles.
• Escribir párrafos muy largos que mezclan varias ideas, lo que dificulta que el sistema recupere el fragmento exacto que responde a una pregunta.
• Dejar contenido sin fecha visible de publicación o actualización, lo que hace pensar al sistema que puede estar obsoleto.
• Confundir RAG con un truco de posicionamiento aparte del SEO o el GEO, cuando en realidad las mismas prácticas de optimización sirven para ambos.
• Optimizar solo la portada o la página principal, olvidando que cada página se recupera de forma independiente.