RAG vs fine-tuning: cuándo usar cada uno en asistentes de IA para empresas

• RAG = busca fragmentos de documentos y los incluye como contexto. Si necesitas citas, la aplicación debe conservar y mostrar sus referencias.
• Fine-tuning (ajuste fino) = adapta el comportamiento del modelo con ejemplos. No le da acceso automático a documentos actualizados.
• Combinarlos: puede tener sentido si cada técnica resuelve una necesidad distinta, pero añade trabajo de mantenimiento y evaluación.
• Antes de elegir, comprueba si hace falta generar texto. Para filtrar o calcular con datos estructurados, una consulta a la base de datos puede bastar.
• Datos en Europa: la ubicación depende del proveedor, el modelo, el endpoint y las funciones activadas. Hay que revisar cada configuración.

Este artículo es el marco de decisión: cuándo usar RAG y cuándo fine-tuning. Para un caso concreto y muy habitual, ver Automatizar la entrada de facturas con IA en pymes. Y para saber qué proveedores de IA mantienen los datos en Europa, está Datos en Europa: alternativas RGPD a Stripe, AWS y OpenAI en 2026.

El malentendido habitual

"Quiero un asistente que sepa de mi empresa." Lo que el cliente imagina es un ChatGPT que mágicamente ha leído todos sus contratos, manuales, emails y políticas. Lo que en realidad pide puede resolverse por dos caminos muy distintos, y mezclar los dos es la receta para gastar el doble y entregar el triple de complejidad.

Comparemos qué problema resuelve cada uno.

Qué es RAG y qué es fine-tuning, sin academicismo

RAG (Retrieval-Augmented Generation)

El modelo no se modifica. Cuando llega una pregunta:

1. Se buscan fragmentos relevantes en tu base documental (un índice de embeddings tipo pgvector, Qdrant, Pinecone, Weaviate).
2. Esos fragmentos se inyectan en el prompt junto a la pregunta.
3. El modelo responde con ese contexto. Si la aplicación conserva los identificadores de origen, puede mostrar de qué documento recuperó cada fragmento.

El índice se puede actualizar cuando cambian los documentos, sin volver a entrenar el modelo. La calidad depende de que recupere las fuentes pertinentes y de cómo la aplicación las use.

La técnica no es nueva. Patrick Lewis y su equipo la describieron en 2020 en Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, presentado en NeurIPS. Ese trabajo estudia cómo combinar un modelo generativo con documentos recuperados para responder sobre conocimiento específico.

Fine-tuning

El modelo sí se modifica. Se le presentan ejemplos, como pares de entrada y salida, para adaptar su comportamiento a una tarea o formato. El ajuste fino no conserva una referencia fiable a la fuente de cada respuesta ni sustituye una búsqueda en documentación actualizada.

Hay variantes (LoRA, QLoRA, full fine-tuning, instruction-tuning) que cambian el coste y la flexibilidad, pero el principio es el mismo: modificas el modelo.

La tabla de decisión

Ejemplos para elegir una técnica

Para un caso concreto (extraer los datos de las facturas de proveedor en una pyme), el flujo completo (captura, extracción IA, validación contra pedidos, registro en ERP) está en Automatizar la entrada de facturas con IA en pymes en 2026.

Ejemplo A · Consultas sobre documentos jurídicos

Necesidad: responder preguntas internas a partir de dictámenes y mostrar los documentos usados.

Puede encajar RAG, si la recuperación encuentra los documentos pertinentes y la aplicación conserva las referencias.

• Si los documentos cambian, actualizar el índice suele ser más directo que entrenar de nuevo el modelo.
• Para mostrar citas, la aplicación debe conservar el identificador y el pasaje de origen. Después hay que comprobar que la respuesta se apoya en ellos.
• Define qué debe hacer el sistema cuando la búsqueda no encuentra una fuente suficiente. No se debe dar por hecho que el modelo vaya a abstenerse por sí solo.

Ejemplo B · Clasificar tickets con categorías internas

Necesidad: asignar tickets a categorías que no aparecen en los modelos o productos estándar.

Compara ajuste fino con un prompt y un clasificador convencional.

• Si las categorías cambian poco y hay ejemplos revisados, el ajuste fino puede ser una opción.
• Mide la precisión por categoría y el coste total con datos reales. El volumen por sí solo no decide qué alternativa sale mejor.
• Si cada decisión debe explicarse, registra los datos y las reglas que llevaron a la etiqueta.

Ejemplo C · Asistente con catálogo y tono de marca

Necesidad: chatbot público que responda con el tono editorial de la marca, sobre catálogo y políticas.

Puede necesitar recuperación de documentos y quizá ajuste fino.

• RAG puede aportar el catálogo y las políticas vigentes en el momento de responder.
• El ajuste fino puede adaptar el formato o el tono si las pruebas demuestran una mejora.

Si se combinan, hay que mantener el modelo, el índice, las fuentes y las pruebas que miden la calidad de las respuestas.

Ejemplo D · Búsqueda de referencias en un catálogo

Necesidad: encontrar un producto por referencia o a partir de una descripción aproximada.

Prueba primero búsqueda por texto, filtros o similitud semántica.

• Una búsqueda léxica, filtros de catálogo o un buscador vectorial pueden resolverlo sin generar una respuesta.
• Compara la calidad y el tiempo de respuesta con consultas reales antes de añadir un modelo generativo.

Cómo comparar los costes

No hay un precio universal para un asistente RAG ni para un ajuste fino. Para comparar propuestas, separa el análisis y la integración del coste recurrente de modelos, infraestructura, supervisión y cambios.

En RAG, pregunta cuánto cuestan la conexión a tus fuentes, la actualización del índice y las llamadas al modelo con el volumen previsto. En ajuste fino, pide el coste de preparar ejemplos, entrenar, evaluar y alojar la versión resultante. Compara ambas opciones con las mismas preguntas de prueba y el mismo periodo de uso.

Cómo comprobar dónde se tratan los datos

RAG y ajuste fino no determinan por sí solos dónde se procesan o almacenan los datos. Comprueba el producto, el modelo, la región, las funciones activadas, la retención y los subencargados. La ubicación en Europa tampoco resuelve por sí sola todas las obligaciones de protección de datos.

• Claude en Amazon Bedrock: AWS ofrece perfiles de inferencia geográficos para los modelos compatibles. Revisa la lista de modelos y regiones y cómo funciona la inferencia entre regiones. Anthropic indica que, desde Claude Sonnet 4.5, Haiku 4.5 y Opus 4.5, los endpoints regionales de Bedrock y de Google Cloud tienen un recargo del 10 % frente a los globales; comprueba el modelo y la tarifa vigentes en su página de precios.
• Mistral: ofrece el endpoint regional de la UE api.eu.mistral.ai para modelos y funciones compatibles. La inferencia regional tiene un recargo y no convierte todos los metadatos de cuenta ni todas las funciones en regionales. Consulta también qué cubren la retención cero y sus límites.
• Modelos alojados por la empresa: pueden mantener la inferencia dentro de la infraestructura elegida si también se controlan la base vectorial, los registros, las copias, la monitorización y cualquier servicio externo. La empresa asume además las actualizaciones y la operación.
• OpenAI: las cuentas personales y los servicios de empresa tienen condiciones y controles distintos. El centro de ayuda sobre datos de consumo explica los controles disponibles; el anexo de tratamiento de datos vigente desde el 1 de enero de 2026 describe otro marco contractual, y la API ofrece controles de residencia de datos con endpoint europeo para clientes elegibles. Revisa el producto y la configuración concretos antes de introducir datos personales.

Antes de tratar datos personales

Antes de tratar datos personales, revisa qué información se envía, quién decide su uso, qué contrato aplica, cuánto tiempo se conserva y si hay transferencias internacionales. La guía de la AEPD sobre gestión del riesgo y evaluación de impacto en tratamientos de datos personales (junio de 2021) puede servir como punto de partida, y la agencia tiene también una introducción a la adecuación al RGPD de tratamientos que incorporan IA (febrero de 2020; la propia agencia la marca como en revisión). Para una decisión jurídica, busca asesoramiento especializado.

Cubrimos el contexto completo en Datos en Europa: alternativas a Stripe, AWS y OpenAI.

El riesgo de ajustar un modelo antes de medir

Un ajuste fino no corrige por sí solo fuentes desactualizadas, instrucciones ambiguas ni datos de baja calidad. Antes de contratarlo, comprueba con ejemplos reales si resuelve un problema que no cubre un prompt, RAG u otra técnica:

• Si el conocimiento cambia, mantenerlo en documentos consultables puede ser más sencillo que volver a entrenar.
• El ajuste fino no garantiza que el modelo recuerde datos correctamente ni que indique de dónde salen.
• El coste de alojamiento, evaluación y mantenimiento depende del modelo y del uso.

Cuando la respuesta debe apoyarse en documentos actuales, RAG suele ser una alternativa que conviene probar. El ajuste fino puede evaluarse después si los resultados muestran una necesidad concreta.

Cuándo tiene sentido el fine-tuning de un modelo de IA en tu empresa

El ajuste fino tiene sentido cuando una evaluación demuestra que mejora el comportamiento necesario frente a alternativas más sencillas.

Qué conviene comprobar

Antes de decidir, revisa estos puntos con datos de prueba:

1. La tarea está definida. Describe qué entrada recibe el modelo y qué salida se considera correcta. Si cambian las categorías o el formato, incluye esos cambios en las pruebas.
2. Hay ejemplos revisados. Comprueba que el conjunto de entrenamiento representa los casos reales y que las respuestas objetivo son coherentes.
3. La comparación es justa. Mide ajuste fino, prompt, RAG y otras opciones con las mismas preguntas, criterios y costes.
4. El resultado se puede mantener. Cuenta el alojamiento, la evaluación, la actualización de ejemplos y la respuesta ante errores.

Si los datos deben permanecer en una infraestructura concreta

El alojamiento propio puede ayudar a controlar dónde se ejecuta un modelo, pero no basta con instalar sus pesos en un servidor. Revisa también la ubicación de documentos, índices, registros, copias y herramientas de monitorización. La organización que lo aloja debe asumir la seguridad, las actualizaciones y la operación.

Compara el coste total

No hay una cifra general que permita comparar ambas técnicas. Pide el coste de análisis, integración, infraestructura, uso del modelo, evaluación y mantenimiento. Si combinas RAG y ajuste fino, añade el coste de mantener las fuentes y el índice junto con el modelo ajustado.

Cómo arrancar bien (sea RAG o fine-tuning)

Independientemente de la técnica, prueba el sistema antes de ponerlo en manos del equipo:

1. Elige consultas representativas de las tareas que hará el asistente e incluye casos límite.
2. Define qué cuenta como respuesta correcta, qué fuentes debe usar y cuándo debe reconocer que no tiene información suficiente.
3. Compara alternativas con el mismo conjunto de consultas. Revisa aciertos, errores, fuentes, latencia y coste.
4. Prueba con usuarios antes de ampliar el acceso y recoge los fallos para mejorar el sistema.
5. Vuelve a medir cuando cambien las fuentes, el modelo o la configuración. No hay un porcentaje universal que asegure que un asistente está listo para producción.

Cuándo tiene sentido un asistente documental

Si el equipo consulta a menudo documentación repartida entre manuales, correos o sistemas internos, puede tener sentido evaluar un asistente documental. La solución depende de las fuentes, los permisos, las preguntas y la calidad que necesites. El servicio de IA y automatizaciones cubre el análisis, el desarrollo y la operación; acordamos dónde se procesan los datos antes de empezar. La página de asistente de IA sobre tu documentación explica por dónde empezamos: el inventario de documentos y una lista de preguntas reales.

Para un caso concreto y muy frecuente (automatización de facturas con IA en pymes), lo desarrollamos en detalle en Automatizar la entrada de facturas con IA en pymes en 2026.

Reserva una llamada corta y comprobamos si a tu caso le conviene RAG, fine-tuning o ninguno de los dos.