RAG vs fine-tuning: cuál necesita la IA de tu negocio y cuándo usar los dos
Dos caminos para que una IA conozca tu negocio, comparados sin tecnicismos: qué hace cada uno, qué cuestan según fuentes reales y cuál te conviene.
Qué cambia, qué cuesta y para quién es cada camino
Qué hace cada uno, qué cuestan según fuentes reales y cuándo conviene combinarlos. Incluye calculadora y checklist en PDF.
Si quieres que una IA conozca tus precios, tus políticas, tu catálogo o tus contratos, te van a hablar de dos caminos: RAG y fine-tuning. Esta guía los compara sin tecnicismos, con costos de fuentes reales y una calculadora, y trae un PDF descargable gratis con un checklist para decidir cuál usar.
En resumen
Para la IA de un negocio, casi siempre conviene empezar con RAG: el modelo consulta tus documentos al contestar, así que cambiar un precio es actualizar un archivo. El fine-tuning sirve sobre todo para cambiar tono y formato, y en un caso de Lamplit Labs alojar un modelo afinado cuesta unos 1,200 dólares al mes aunque no reciba preguntas. Lo común es RAG primero y afinar después, si hace falta.
- RAG sirve para conocimiento que cambia: precios, políticas, catálogo.
- El fine-tuning sirve para la forma de responder, no para memorizar datos.
- Precios y existencias en vivo se consultan al sistema, no a ninguno de los dos.
Qué hace cada uno
RAG (retrieval-augmented generation, o generación aumentada por recuperación) busca en tus documentos el fragmento justo en el momento de la pregunta y se lo entrega al modelo para que conteste con eso. El modelo no cambia: lee lo que le pasas, como en un examen a libro abierto.
El fine-tuning (ajuste fino) sí cambia el modelo: se sigue entrenando con ejemplos de respuestas ideales hasta que adopta cierto tono, formato o forma de decidir. Según Databricks, RAG se usa sobre todo para inyectar conocimiento nuevo en un modelo, mientras que el fine-tuning es mejor para cambiar el comportamiento, el tono o la estructura de las tareas.
Si dudas, pregúntate: ¿esto lo escribiría en un documento o lo enseñaría con ejemplos?
La comparativa en una tabla
La diferencia que más pesa en un negocio es qué pasa cuando algo cambia. Con RAG actualizas un documento y la siguiente respuesta ya lo usa; con fine-tuning hay que preparar ejemplos nuevos y volver a entrenar, según la comparativa de Red Hat.
| Aspecto | RAG | Fine-tuning | Ventaja en un negocio chico |
|---|---|---|---|
| Qué cambia | Lo que el modelo lee al contestar | El propio modelo | RAG: no toca el modelo |
| Actualizar un precio o política | Se cambia el documento | Se prepara otro entrenamiento | RAG |
| Mostrar de dónde sale la respuesta | Sí, se puede citar el fragmento | Difícil: el saber queda dentro del modelo | RAG |
| Tono y formato constantes | Se logra con instrucciones, con límites | Es su fuerte | Fine-tuning, si hay ejemplos aprobados |
| Qué necesitas para empezar | Documentos ordenados | Cientos o miles de ejemplos revisados | RAG |
| Costo fijo mensual | Búsqueda y base de datos | Puede incluir alojar el modelo | RAG, salvo volumen muy alto |
Cuánto cuesta cada camino
RAG suele salir más barato de montar y mantener que el fine-tuning. Según la guía de Rocket Systems, un asistente RAG de nivel producción cuesta entre 15,000 y 45,000 dólares y tarda de 4 a 8 semanas, con un costo mensual de 100 a 1,000 dólares para una empresa mediana; el fine-tuning va de 20,000 a más de 60,000 dólares y de 6 a 12 semanas. Son estimaciones en dólares de un proveedor para empresas medianas: no son precios de Zadrig ni de un negocio chico.
El costo que sorprende es el de tener el modelo afinado encendido. En el caso de un copiloto interno que publicó Lamplit Labs, con precios públicos de Azure OpenAI, un modelo afinado cuesta unos 1.70 dólares la hora (cerca de 1,200 dólares al mes) aunque no reciba preguntas, mientras que el nivel de búsqueda de RAG cuesta de 75 a 250 dólares al mes. Ese autor calcula que el fine-tuning solo sale más barato cuando hay varios cientos de miles de consultas al mes.
Costo fijo mensual: modelo afinado contra búsqueda de RAG
Mueve los meses, los despliegues y el tipo de cambio para ver, en pesos, solo el costo fijo de infraestructura del ejemplo de Lamplit Labs.
Las cifras de 1,200 dólares al mes por modelo afinado y de 75 a 250 dólares al mes por búsqueda vienen del artículo de Lamplit Labs (precios públicos de Azure OpenAI de ese momento, órdenes de magnitud). El tipo de cambio es de ejemplo. No incluye tokens, desarrollo ni mantenimiento, y otros proveedores cobran distinto.
Para quién es cada uno
RAG es para quien tiene documentos y datos que cambian; el fine-tuning, para quien ya tiene un volumen grande de respuestas aprobadas y necesita una voz constante. Casi todos los negocios chicos y medianos caen en el primer grupo.
Elige RAG si…
Tus precios, políticas o catálogo cambian seguido. Quieres que la IA muestre de qué documento sacó la respuesta. Hoy tienes PDF, Word o Excel pero no miles de ejemplos revisados. Necesitas salir a producción pronto.
Considera fine-tuning si…
Tienes cientos de respuestas buenas ya aprobadas y necesitas el mismo tono o formato siempre. El conocimiento casi no cambia y el volumen de consultas es muy alto, como describe Databricks.
La ruta que recomendamos
La ruta más segura es empezar con RAG, medir dónde falla y afinar solo si el problema es de forma. Databricks recomienda justo eso: arrancar con RAG, y evaluar el fine-tuning después, cuando los patrones de consulta ya se conocen.
Monta RAG con tus documentos
Reúne políticas, catálogo y preguntas frecuentes, divídelos en fragmentos y conéctalos a la IA. Pídele que diga «no lo sé» y pase a una persona cuando no encuentre nada.
Revisa las conversaciones reales
Marca las respuestas malas y clasifícalas: faltó información, se recuperó el fragmento equivocado o el tono no fue el correcto.
Afina solo lo que sea de forma
Si los fallos son de tono o formato y ya tienes ejemplos aprobados, evalúa el fine-tuning. Si faltaba información, arregla los documentos.
Una distribuidora de refacciones (ejemplo ilustrativo)
El caso muestra el error más común: tratar de «enseñarle» a la IA datos que cambian cada día. Esos datos se consultan en vivo al sistema del negocio con una herramienta, y RAG se queda con lo que está escrito en documentos.
Errores que salen caros
Afinar el modelo para que «se aprenda» el catálogo
Es el error más frecuente. El fine-tuning no es una forma confiable de memorizar datos: el modelo puede mezclar detalles y no puede señalar de dónde salió cada uno. Si cambias un precio, hay que volver a entrenar. Para datos que cambian, usa RAG o una consulta en vivo.
Otros dos errores se repiten. Uno es montar RAG con documentos desordenados, duplicados o desactualizados: la IA citará con total seguridad una política vieja. El otro es no medir: sin revisar conversaciones reales no sabes si falla la búsqueda, el documento o el tono, y puedes gastar en fine-tuning un problema que era de documentos.
Casos en México y Latinoamérica
Agencias. Los briefs, las guías de estilo y los acuerdos por cliente viven en documentos que cambian por proyecto, así que van en RAG. El fine-tuning solo tiene sentido si la agencia ya tiene cientos de textos aprobados con una voz de marca muy marcada.
SaaS y soporte. La documentación cambia con cada versión del producto, por lo que RAG evita reentrenar cada vez que se lanza una función. Primero se ordenan las respuestas de soporte; luego, con conversaciones reales, se decide si vale la pena afinar el tono.
Ecommerce. Las políticas de envío, devoluciones y guía de tallas van en RAG. El estado de un pedido, el precio en pesos y el stock se consultan en vivo a la tienda; la IA no debe recordarlos. Lo mismo aplica a un despacho contable: sus criterios internos van en RAG, pero un CFDI se consulta al sistema de facturación.
Si prefieres que lo hagamos por ti, en Zadrig Technology construimos agentes con IA con RAG y herramientas conectadas a tus sistemas. Escríbenos y te hacemos una demostración gratis por WhatsApp.
¿Qué es mejor, RAG o fine-tuning?
Para la mayoría de los negocios, RAG es mejor punto de partida. Es más rápido de lanzar, se actualiza cambiando documentos y puede citar de dónde sacó la respuesta. El fine-tuning gana cuando lo que necesitas es un tono o formato constante, con ejemplos aprobados.
¿El fine-tuning sirve para que la IA aprenda mis precios y mi catálogo?
No, no es lo ideal. El fine-tuning cambia el comportamiento del modelo, pero no es una forma confiable de memorizar datos y cada cambio exige volver a entrenar. Los precios y el stock conviene consultarlos en vivo al sistema, y las políticas ponerlas en RAG.
¿Cuánto cuesta montar RAG frente a hacer fine-tuning?
Según Rocket Systems, un asistente con RAG cuesta entre 15,000 y 45,000 dólares y el fine-tuning entre 20,000 y más de 60,000, en proyectos de empresas medianas. Son estimaciones de un proveedor en dólares, no un precio para tu negocio. Con la calculadora de arriba puedes ver el costo fijo mensual en pesos.
¿Se pueden usar RAG y fine-tuning al mismo tiempo?
Sí. Databricks describe el enfoque híbrido como común en producción: el fine-tuning cuida el comportamiento y RAG mantiene los datos al día. Lo normal es empezar con RAG y afinar después, si las conversaciones reales lo piden.
¿Necesito una base de datos vectorial para usar RAG?
No siempre. Con pocos documentos puede bastar una búsqueda sencilla; al crecer, se suele usar una base de datos con búsqueda por vectores, que puede ser la misma que ya usa tu sistema. Lo importante es que los documentos estén ordenados y actualizados.
Fuentes
Deja que lo implementemos por ti
Cuéntanos qué documentos y sistemas tiene tu negocio y te mostramos, gratis, cómo quedaría tu agente con IA. Te responde una persona de Zadrig Technology, no un bot.
Escríbenos por WhatsApp
