Cómo un LLM RAG construye una respuesta
Consulta, recuperación de documentos, selección, síntesis, cita: las cinco etapas concretas con las que un chatbot de IA construye una respuesta a partir de la web.
Cuando le hacéis una pregunta a un chatbot como ChatGPT o Perplexity y este responde citando fuentes, no se trata de un simple copiar y pegar. El sistema sigue una cadena de etapas: reformular la pregunta, recuperar documentos, seleccionar los pasajes más relevantes, sintetizarlos en una respuesta coherente y luego citar sus fuentes. Entender esta cadena permite saber con precisión dónde y cómo puede encajar vuestro contenido en ella. Conviene tener presente que esta cadena no es perfectamente lineal ni idéntica de una herramienta a otra: algunos sistemas fusionan varias de estas etapas, otros añaden etapas extra, pero la lógica general, buscar y luego sintetizar, sigue siendo común a la gran mayoría de las arquitecturas RAG actuales.
Etapa 1: la consulta se transforma antes de enviarse
Vuestra pregunta, tal como la escribisteis, casi nunca se usa tal cual para buscar información. El sistema suele reformularla en una o varias consultas de búsqueda más precisas, a veces descomponiéndola en varias subpreguntas distintas. Es el mecanismo de las fan-out queries, detallado en la lección Las fan-out queries: el concepto clave: una sola pregunta del usuario puede dar lugar a varias búsquedas paralelas, cada una cubriendo un ángulo distinto del tema. El número de subconsultas generadas varía según la complejidad percibida de la pregunta: a veces bastan dos o tres reformulaciones, otras veces la descomposición es mucho más amplia. Ese número no es fijo y depende de la herramienta y del tema tratado.
Etapa 2: la recuperación de documentos relevantes
Una vez formuladas las consultas, el sistema busca documentos capaces de responderlas: resultados de un motor de búsqueda web, contenido de una base de datos interna, o una combinación de ambos según la herramienta. Esta etapa suele producir un conjunto de candidatos más amplio que el que finalmente se usará, un poco como una primera lista de resultados antes del filtrado. En la práctica, esta etapa se apoya a menudo en una combinación de búsqueda por palabras clave y búsqueda por similitud semántica, esta última permite encontrar pasajes relevantes incluso cuando no usan exactamente las mismas palabras que la pregunta formulada.
Etapa 3: la selección y el ordenamiento de los pasajes (reranking)
Entre los documentos recuperados, no todos son iguales. Un mecanismo de ordenamiento, a menudo llamado reranking, evalúa la relevancia de cada pasaje respecto a la pregunta formulada, y solo conserva los extractos considerados más útiles. Este filtrado suele hacerse a nivel de pasaje, no del documento entero: una página puede contener un párrafo muy relevante en medio de un contenido por lo demás poco útil, y solo ese párrafo se conservará. Este mecanismo se explica con más detalle en la lección Cómo el LLM fusiona los resultados (reranking).
Etapa 4: la síntesis en una respuesta coherente
El modelo de lenguaje recibe los pasajes seleccionados como contexto, además de la pregunta inicial, y redacta una respuesta que los sintetiza. No se trata de encadenar citas una tras otra: el modelo reformula, resume, a veces compara varias fuentes que se contradicen, y produce un texto coherente en lenguaje natural. Es en esta etapa donde importa la calidad de redacción del contenido fuente: un pasaje claro y autónomo es más fácil de integrar correctamente que un párrafo ambiguo o dependiente del contexto circundante. Cuando varias fuentes seleccionadas se contradicen, por ejemplo sobre un precio o una característica técnica, el modelo también tiene que arbitrar: puede optar por presentar ambas versiones, priorizar la fuente que considera más reciente o más fiable, o a veces permanecer vago en lugar de decidir. Esta es una de las razones por las que la actualidad y la coherencia de un contenido importan tanto como su mera presencia en línea.
Etapa 5: la cita, cuando existe
Según la herramienta, la respuesta final puede incluir o no una cita explícita hacia la fuente utilizada: un enlace, un nombre de dominio, una nota al pie. Esta etapa no es sistemática ni uniforme de una herramienta a otra, y también depende de la naturaleza de la pregunta. Algo se mantiene cierto en la mayoría de las arquitecturas: para ser citado, primero hay que haber sobrevivido a las etapas 2 y 3, es decir, haber sido recuperado y luego considerado suficientemente relevante. Por eso no es raro que un contenido influya en la redacción de una respuesta sin llegar nunca a ser citado por su nombre, lo que hace que medir su impacto real sea más complejo que un simple recuento de enlaces citados.
Lo que esta cadena de etapas significa para vuestro contenido
Cada etapa de esta cadena es un filtro. Vuestro contenido primero tiene que ser accesible e indexable para sobrevivir a la etapa 2. Después necesita pasajes suficientemente autónomos y claros para sobrevivir a la etapa 3. Por último, debe estar redactado de forma que una síntesis automática lo reproduzca fielmente en la etapa 4. Es el conjunto de estas restricciones lo que define lo que se conoce como contenido "GEO-ready", un concepto desarrollado en la lección ¿Qué es un contenido "GEO-ready"?. Un ejemplo concreto resume bien lo que está en juego: dos artículos pueden tratar exactamente el mismo tema con el mismo nivel de precisión, y sin embargo uno será citado tres veces más a menudo que el otro simplemente porque su estructura facilita cada una de estas etapas, mientras que la del otro las complica.
Tener presente esta cadena cambia la forma de escribir: en lugar de optimizar para un único algoritmo de clasificación, se trata de producir contenido que siga siendo útil y comprensible en cada una de las etapas por las que una IA lo hace pasar antes de responder a otra persona que no sois vosotros.