RAG: por qué Gemini Notebook y Claude leen tus documentos

Qué es RAG y de dónde sale la idea

RAG (retrieval-augmented generation, generación aumentada por recuperación) hace que el modelo, antes de responder, busque los fragmentos relevantes en tus documentos y redacte la respuesta a partir de ellos. Es lo que hay detrás de Gemini Notebook o del modo ampliado de los Proyectos de Claude.

La idea viene de un paper de 2020: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, firmado por Patrick Lewis y otros once autores y aceptado en la conferencia NeurIPS 2020. El problema que atacaba sigue vigente: los grandes modelos de lenguaje guardan conocimiento en sus parámetros, pero les cuesta acceder a él con precisión, justificar de dónde sale una respuesta y actualizarse.

Su propuesta fue combinar dos memorias: una paramétrica, el propio modelo, y otra no paramétrica, un índice vectorial de la Wikipedia consultado por un buscador neuronal. Con esa combinación lograron el mejor resultado del momento en tres tareas de preguntas y respuestas de dominio abierto, y comprobaron que el texto generado era "más específico, diverso y factual" que el de un modelo equivalente sin recuperación.

La traducción para quien no programa: en lugar de pedirle a la IA que recuerde, le das la biblioteca y le pides que consulte.

Cómo funciona RAG paso a paso

La documentación de file search de OpenAI describe el proceso general con bastante claridad:

• Trocear. Cada archivo se divide en fragmentos. En la API de OpenAI, por defecto, de 800 tokens con un solapamiento de 400 entre fragmentos consecutivos, para que una idea no quede partida por la mitad.
• Indexar. Cada fragmento se convierte en un embedding, una representación numérica de su significado, y se guarda en un almacén vectorial.
• Buscar. Cuando preguntas, el sistema combina búsqueda semántica y por palabras clave. La semántica encuentra fragmentos relevantes aunque no compartan ni una palabra con tu pregunta. La API devuelve 10 resultados por defecto y admite hasta 50.
• Responder con citas. El modelo recibe esos fragmentos junto a tu pregunta y redacta la respuesta, con anotaciones que apuntan a los archivos de origen.

El paso crítico es el tercero. Si la búsqueda trae el fragmento equivocado, el modelo redactará con mucha seguridad sobre la base equivocada. Ahí está la mayor parte del trabajo real de un proyecto de RAG: no en el modelo, sino en la recuperación.

Dónde estás usando RAG sin saberlo

Gemini Notebook —así se llama NotebookLM desde que Google anunció el cambio de nombre el 16 de julio de 2026— se presenta como un asistente que responde a partir de tus fuentes y con citas en línea. Según su ayuda, a octubre de 2026 cada fuente admite hasta 500.000 palabras o 200 MB, y los usuarios gratuitos pueden añadir hasta 50 fuentes por cuaderno.

En Claude, los Proyectos de los planes de pago activan RAG solos cuando el conocimiento subido se acerca al límite de la ventana de contexto. Según la ayuda de Anthropic, eso amplía la capacidad del proyecto "hasta 10 veces", y se nota porque Claude empieza a usar una herramienta de búsqueda dentro del conocimiento del proyecto en lugar de cargarlo todo de golpe.

¿Por qué no basta con meterlo todo en la ventana de contexto?

Porque una ventana grande no garantiza una lectura atenta. El estudio Lost in the Middle, publicado en la revista TACL en 2023, mostró que el rendimiento de los modelos cae de forma significativa cuando la información relevante está en mitad de un contexto largo, incluso en modelos diseñados para contextos largos: rinden mejor cuando el dato está al principio o al final.

RAG esquiva parte del problema: en lugar de cien páginas, el modelo recibe los pocos fragmentos que importan. No es una ley universal. Anthropic explica que sus proyectos prefieren el procesamiento en contexto "cuando es posible" y solo recurren a RAG al acercarse al límite. Para un documento corto, dárselo entero sigue siendo lo sensato.

¿RAG elimina las alucinaciones?

No. Las reduce, pero no las elimina, y hay un estudio que lo cuantifica en un terreno muy delicado. El trabajo preregistrado Hallucination-Free?, en su versión de mayo de 2024, evaluó herramientas de investigación jurídica basadas en RAG de LexisNexis y Thomson Reuters. Algunos proveedores las anunciaban como capaces de "eliminar" o "evitar" las alucinaciones; el estudio encontró que alucinaban entre un 17% y un 33% de las veces, aunque menos que un chatbot generalista como GPT-4.

Las citas tampoco son un salvoconducto. Que una respuesta enlace a tu documento indica de dónde partió el modelo, no que lo haya resumido bien. Si el dato importa, abre la cita y lee el párrafo original.

Cuánto dinero se está moviendo alrededor de RAG

El mercado de RAG estaba valorado en USD 1.940 millones en 2025 y se proyecta en USD 47.000 millones para 2035, con una tasa de crecimiento anual compuesta del 37,58% entre 2026 y 2035, según el análisis de SNS Insider difundido por Yahoo Finance. El mismo informe sitúa a Norteamérica con el 36,40% de la cuota en 2025 y a Asia-Pacífico como la región de crecimiento más rápido, con un 39,86% anual. El 76% del despliegue es en la nube y las grandes empresas concentran el 71% del uso.

La infraestructura que lo sostiene crece a la par: el mercado de bases de datos vectoriales pasará de USD 3.650 millones en 2026 a USD 21.450 millones en 2036, un 19,3% anual, según ResearchAndMarkets, también recogido por Yahoo Finance. Pinecone, Milvus, Weaviate y Qdrant aparecen entre los proveedores que TechTarget menciona en su guía de buenas prácticas para equipos de IA empresarial.

Ese mismo análisis de TechTarget señala los frenos reales de la adopción: seguridad y privacidad de datos, repositorios dispersos en varios sistemas, integración con infraestructura heredada, latencia bajo miles de usuarios concurrentes y gobernanza. Ninguno se resuelve comprando un modelo mejor.

Qué significa esto para tu startup

RAG no es un producto que se instala: es una arquitectura que se mantiene. La mayoría de los fallos que verás en producción no vienen del modelo, sino de la calidad y el orden de tus documentos.

Acciones concretas que puedes aplicar esta semana:

• Nombra los archivos como si fueran a buscarse solos. Anthropic lo recomienda expresamente. Un archivo llamado politica-vacaciones-2026-final-v3.pdf recupera peor que uno llamado Politica de vacaciones 2026. El nombre es metadato que el buscador usa.
• Deja una sola versión viva por documento. Los documentos desactualizados que el buscador recupera igual son una de las causas típicas de respuestas malas. Si conviven la política vieja y la nueva, el sistema puede citar la vieja con total seguridad.
• Haz preguntas que mencionen el documento. "¿Qué dice el contrato marco sobre penalizaciones?" recupera mejor que "¿cuáles son las penalizaciones?". La ambigüedad trae el fragmento equivocado.
• Verifica la cita cuando el dato importa. Abre el párrafo original. Es el mismo hábito que conviene aplicar para comprobar si un estudio, una cita o una ley que te da una IA existen de verdad.
• Mide la recuperación, no solo la respuesta. Si el fragmento correcto no aparece entre los resultados, ningún prompt lo arregla.

Para un equipo pequeño en LATAM o España, la ventaja es que RAG es de las pocas capas de IA donde el diferencial no es el presupuesto, sino el orden de tu información. Una startup de cinco personas con un archivo interno limpio puede sacar más de RAG que una corporación con diez sistemas que no se hablan entre sí.

Conclusión

RAG es probablemente la idea de IA más útil para el día a día y la peor vendida. Se presenta como un antídoto contra las invenciones cuando en realidad es una forma de poner al modelo a leer antes de hablar, y eso ya es mucho. La regla sana es tratar una respuesta con RAG como la de un becario espabilado con acceso a tu archivo: rápida, normalmente bien encaminada y siempre pendiente de revisión cuando hay algo en juego.

Fuentes

• Qué es RAG y por qué la IA responde mejor cuando le das tus documentos
• Retrieval Augmented Generation Market to Reach USD 47.00 Billion by 2035
• Vector Database Market Global Forecast to 2036
• RAG best practices for enterprise AI teams