Los sistemas básicos de generación aumentada por recuperación, conocidos como RAG, siguen un esquema sencillo: un usuario formula una pregunta, el sistema localiza la información relevante en una base de datos y el modelo la utiliza para fundamentar su respuesta. Aunque esto funciona para consultas simples, en entornos reales es fundamental contar con un mayor control sobre cómo y dónde se busca la información.
El RAG agentico introduce esta capacidad de control adicional, permitiendo que un agente reescriba la pregunta y elija meticulosamente las fuentes y métodos de búsqueda. Puede consultar diversas bases de datos, combinar búsquedas léxicas, semánticas y en grafos, fusionar puntuaciones resultantes, reorganizar candidatos, descartar resultados débiles e incluso realizar múltiples intentos. Así, puede encontrar evidencia que un método de búsqueda única no detectaría.
“La oportunidad viene acompañada de una responsabilidad: más decisiones exigen un recorrido de evidencia claro.”
Con más control también se incrementan los puntos donde son necesarias decisiones respaldadas por evidencias. Sin exponer cómo se ha llegado a una respuesta, la confianza en el sistema se ve comprometida. Es imprescindible que el sistema muestre qué se buscó, por qué se aceptaron determinadas fuentes y qué no pudo ser verificado. Sin este registro, resulta complicado entender incluso las respuestas correctas.
La recuperación como cadena de decisiones
En apariencia, la recuperación de información puede parecer una operación única, pero en realidad el agente realiza una cadena de elecciones. Primero interpreta la intención del usuario para formular una consulta. Luego, escoge las fuentes adecuadas, aplica filtros específicos y examina los resultados obtenidos. Solo tras este análisis decide si la evidencia es suficiente y vincula cada afirmación a sus citas correspondientes.
Cada una de estas elecciones debe ejecutarse con rigor. Por ejemplo, el agente podría buscar en un índice de soporte para una consulta sobre facturación, eliminar el nombre de un producto al reformular una pregunta o encontrar una política en la cuenta equivocada del cliente. Aunque la respuesta final pueda sonar coherente, existe el riesgo de que esté incompleta, fuera del ámbito de la consulta o no sea adecuada para compartir.
Una lista final con los mejores resultados no permite reconstruir el proceso completo. En ese punto, el agente probablemente hizo varias consultas, descartó fuentes y reformuló preguntas. Por eso, cada paso debe registrar datos estructurados en tiempo real, funcionando como una caja negra del proceso:
solicitud "¿Puedo cancelar este contrato anticipadamente?"
consulta "rescindir contrato empresarial anticipadamente"
fuente contratos_aprobados (inquilino=acme, región=EEUU)
aceptada contrato_884 §12, vigente desde 2026-01-01, puntuación=0.81
rechazada política_119, motivo="expirada el 2025-12-31"
decisión evidencia suficiente para términos del contrato; importe de penalización no verificado
Mantener la consulta y sus filtros, IDs de fuentes, datos de clasificación, marcas temporales y motivos de ramas permite transparencia y auditoría. No existe una única manera correcta para recuperar datos, ya sea búsqueda con palabras clave para un número exacto de contrato, búsqueda vectorial para preguntas parafraseadas o consultas SQL para obtener saldos. La elección debe quedar registrada y justificada.
Ofrecer pruebas visibles a usuarios y operadores
Usuarios y operadores necesitan diferentes formas de acceder a la evidencia. Los primeros requieren citas claras que identifiquen fuentes y pasajes relevantes, con fechas de vigencia o actualización y la fecha de recuperación. Además, deben recibir mensajes claros sobre límites en la evidencia, con frases como: “Encontré las condiciones de cancelación, pero no pude verificar la penalización actual en su cuenta.”
Los operadores, por su parte, precisan información detallada para mejorar las respuestas, incluyendo consultas reformuladas, intentos de búsqueda y resultados rechazados. También debe registrarse qué herramientas se invocaron y con qué filtros, porque citar un documento legítimo no garantiza que respalde la afirmación concreta. De hecho, a veces la cita se añade después de generar la respuesta, dejando dudas sobre su influencia real.
Por ello, hay que preservar el origen de cada cita durante la generación y verificar que cada afirmación esté respaldada antes de entregar la respuesta. Si el sistema detecta una afirmación sin fuente, debería eliminarla o añadir un matiz. En casos de alto riesgo, podría retener la respuesta para revisión.
Una prueba práctica es proporcionar a un ingeniero la solicitud y el rastro de búsqueda para preguntarle: “¿Por qué esta fuente? ¿Por qué era válida en ese momento? ¿Por qué se rechazó la alternativa?” Si el rastro no responde estas preguntas, carece de suficiente detalle.
Integrar vigencia y autoridad en la recuperación
La semejanza semántica mide similitud, no autoridad ni vigencia. Una política antigua puede coincidir perfectamente con una consulta pero no ser la adecuada. En cambio, una norma vigente modificada recientemente puede ser la única fuente válida.
“Una puntuación de similitud es una opinión; un filtro de alcance es una regla que el sistema puede aplicar.”
Por ello, los metadatos de las fuentes deben formar parte del proceso, incluyendo fecha de vigencia, propietario, alcance de acceso y tipo documental. El estatus de aprobación y jurisdicción son clave para materiales regulados. Las fronteras de inquilino marcan límites estrictos. Estos datos deben influir en los filtros y el orden de búsqueda. Cuestiones regulatorias solo se basan en fuentes primarias aprobadas, dudas sobre productos priorizan manuales recientes. Las consultas sobre un cliente deben ceñirse estrictamente a su ámbito.
Estas reglas pueden aplicarse antes o después de clasificar por similitud, o en ambos momentos. En cualquier caso, fuentes no autorizadas o caducadas deben descartarse aunque su texto coincida más. Cuando los límites de inquilino y alcance están bien definidos, las fuentes no autorizadas se eliminan antes de considerarlas candidatas.
Cuando existan fuentes en conflicto, se debe informar y restringir la respuesta a lo que ambas respalden. Si esto no es posible, la consulta debe escalarse a revisión. Además, cada fuente debe contar con responsable durante su vigencia y retirarse al expirar para evitar respuestas basadas en datos obsoletos.
Establecer una política clara para la recuperación
El objetivo “ser preciso” es importante, pero demasiado genérico para definir una política de recuperación. Se requieren reglas claras y aplicables sobre cuándo y cómo el agente debe buscar y qué tipos de fuentes utilizar. Esas reglas deben diferenciar entre ampliar una consulta y admitir que la evidencia es incompleta.
Estas normas deben implementarse antes de que el modelo genere la respuesta. Por ejemplo, los datos de clientes deben restringirse a su ámbito verificado, las respuestas regulatorias partir de fuentes aprobadas según jurisdicción y vigencia, y la ausencia de una fuente primaria principal debe traducirse en respuestas calificadas o revisadas. Estos controles no deben depender de que el modelo recuerde instrucciones, sino gestionarse mediante permisos, filtros y código de la aplicación.
“El agente decide qué preguntar; la capa de recuperación decide qué puede devolver.”
También el acceso a herramientas debe atender estas reglas. Buscar en una base pública implica riesgos distintos que hacerlo en contratos o notas internas. Al agente se le debe dar acceso solo a los sistemas estrictamente necesarios, transmitiendo identidad y alcance verificados a cada herramienta, sin confiar en que el modelo lo gestione como argumento. Así, se previenen fugas y errores antes de que afecten al usuario final.
Considerar el contenido recuperado como datos, no como política
Cada documento que lea un recuperador agentico debe tratarse como una entrada no confiable, aunque la aplicación controle su origen. Algunos documentos pueden contener instrucciones que manipulan el comportamiento del agente, como ignorar restricciones o preferir fuentes antiguas. En sistemas básicos de RAG, estas “instrucciones plantadas” pueden contaminar la respuesta; en RAG agentico, pueden reorientar búsquedas y evidencias posteriores.
La regla fundamental es que el contenido recuperado es dato, nunca política. Las autorizaciones y alcances deben venir de la aplicación y no modificarse por el contenido documental. Los filtros de identidad y alcance deben estar en el código de las herramientas o la base de datos, no en el texto de los documentos.
“El contenido recuperado es dato, nunca política.”
El prompt no basta para garantizar el cumplimiento. Reformulaciones y llamadas a herramientas deben validarse también contra la política de recuperación. El registro completo puede mostrar cómo un documento influyó en búsquedas posteriores, sirviendo para detección y auditoría. Pero estas salvaguardas detectan problemas tras ocurridos, y las instrucciones embebidas pueden perpetuarse en memoria, afectando consultas futuras no relacionadas.
Mantener la recuperación cerca de los datos operativos
Muchos sistemas RAG distribuyen documentos, vectores, metadatos y permisos en servicios distintos, con actualizaciones separadas. Esto dificulta diagnosticar la frescura y demostrar el cumplimiento de accesos.
Conservar más funciones cerca de los datos operativos puede acortar el recorrido. Por ejemplo, Oracle AI Vector Search almacena vectores junto a datos de negocio, y su SQL permite combinar búsqueda por similitud con filtros relacionales y búsquedas léxicas. Equipos con esta base pueden mantener registros, vectores y reglas de acceso centralizadas, aplicando controles de fila y columna en la propia base, con independencia del servicio de recuperación.
Este enfoque reduce copias, facilita seguimiento y auditoría, aunque no sustituye la definición de la política ni la verificación de evidencia. Los controles sobre qué es fuente autorizada y vigente siempre deben definirse fuera del sistema.
Evaluar las decisiones más que solo las respuestas
Una evaluación centrada solo en la respuesta final no valora las decisiones intermedias del RAG agentico. Es importante disponer de un conjunto de casos que examinen elecciones del agente: preguntas con políticas actuales, conflictos entre inquilinos, documentos contradictorios, fuentes válidas inusuales e instrucciones embebidas, así como situaciones donde la respuesta correcta es “no puedo verificar esto.”
Se recomienda puntuar la recuperación por separado de la generación utilizando métricas como precisión en selección de corpus, “recall” en los mejores resultados, tasa de violación de aislamiento de inquilinos, cobertura de citas y precisión en el respaldo de afirmaciones. Verifique que el agente haya seleccionado correctamente las fuentes, aplicado los filtros adecuados y vinculado correctamente citas y afirmaciones. También que haya reconocido la falta de evidencia y actuado en consecuencia.
Estas pruebas deben repetirse tras cambios en el modelo de embeddings, segmentación, índices, prompts, reglas de clasificación o herramientas. Un aumento en el puntaje de relevancia puede ser engañoso si se entregan documentos obsoletos o fuera del ámbito correcto. Los incidentes detectados deben incorporarse al conjunto de evaluación para evitar su recurrencia.
Cada respuesta precisa un camino de evidencia transparente
El RAG agentico multiplica las decisiones en la recuperación y la confianza solo crece si el sistema las puede explicar. Es fundamental que el camino de evidencia y la política de recuperación sean resultados visibles, no detalles ocultos en logs. Cuando una respuesta debe revisarse, ese registro permitirá a las personas evaluar si merece su confianza.
