LLM clásico vs. LLM con búsqueda (RAG)

Un LLM clásico genera su respuesta únicamente a partir de lo que memorizó durante el entrenamiento, congelado en una fecha determinada. Un LLM con búsqueda, llamado "RAG" (retrieval-augmented generation), primero busca documentos recientes relevantes y luego se apoya en ellos para construir su respuesta. Esta distinción es clave para entender por qué vuestro contenido puede, o no, influir en lo que una IA dice de vuestra marca.

Lo que un LLM clásico sabe hacer, y lo que no

Un modelo de lenguaje de gran tamaño se entrena con un volumen enorme de texto, hasta una fecha de corte. Una vez terminado ese entrenamiento, su "conocimiento" queda congelado en los pesos del modelo: no lee nada en tiempo real, genera texto apoyándose en regularidades estadísticas aprendidas. Preguntado sobre un tema estable y bien documentado en la época de su entrenamiento, un LLM clásico puede responder con precisión. Pero preguntado sobre una noticia reciente, un producto lanzado después de su fecha de corte, o una marca poco presente en sus datos de entrenamiento, simplemente no tiene la información, o corre el riesgo de "alucinar" una respuesta plausible pero falsa. Un ejemplo concreto ilustra bien esta limitación: si lanzáis una nueva marca o un nuevo producto después de la fecha de corte de un modelo, este simplemente no tiene ningún conocimiento interno de ella. Preguntado directamente al respecto, puede admitirlo honestamente o, en el peor de los casos, inventar una descripción plausible pero completamente falsa a partir de elementos similares aprendidos en otro contexto.

El principio del RAG: buscar antes de responder

El RAG añade una etapa de recuperación de información antes de generar la respuesta. En concreto, en una arquitectura RAG típica, el sistema convierte la pregunta del usuario en una o varias consultas, va a buscar documentos relevantes (mediante un motor de búsqueda web, una base de datos vectorial, o ambos), y luego proporciona esos documentos al modelo de lenguaje como contexto adicional para redactar su respuesta. El modelo ya no se limita a recitar lo que memorizó: lee fragmentos recuperados en el mismo momento de la pregunta y los usa como materia prima. Es este mecanismo el que permite a un chatbot citar una fuente, una cifra reciente, o un artículo publicado el día anterior. Esta etapa de recuperación no sale gratis en términos de cómputo ni de tiempo de respuesta: es una decisión de compromiso que asumen los proveedores de IA entre la rapidez de una respuesta puramente generada y la fiabilidad de una respuesta verificada con fuentes recientes. Por eso también algunas herramientas solo activan una búsqueda cuando la pregunta claramente lo justifica, por ejemplo una noticia de actualidad o un tema concreto, en lugar de hacerlo sistemáticamente en cada intercambio.

Por qué esta distinción lo cambia todo para vuestra visibilidad

Si una IA funciona en modo puramente clásico, sin búsqueda, vuestra única posibilidad de ser mencionados es haber estado suficientemente presentes en los datos de entrenamiento del modelo, algo que escapa en gran medida a vuestro control en el momento presente. Si, en cambio, la IA funciona en modo RAG, el contenido que publicáis hoy puede ser recuperado, leído y citado mañana, siempre que sea accesible para los crawlers y esté bien estructurado. Es esta segunda situación la que abre un verdadero margen de acción para el GEO: producir contenido recuperable, comprensible en fragmentos aislados, y suficientemente respaldado como para ser juzgado fiable en el momento de la selección. La lección Cómo un LLM RAG construye una respuesta detalla las etapas concretas de este proceso, desde la consulta inicial hasta la cita final. Esto no garantiza nada automáticamente: ser recuperable no significa ser retenido, pero es una condición previa indispensable, sin la cual ninguna de las siguientes etapas siquiera tiene ocasión de producirse.

No todas las herramientas de IA son RAG del mismo modo

En la práctica, la mayoría de los chatbots dirigidos al gran público combinan ambas lógicas: se apoyan en su conocimiento interno para los temas estables, y activan una búsqueda web cuando la pregunta trata sobre actualidad, un tema concreto, o cuando el usuario lo pide explícitamente. La frecuencia y la forma en que cada herramienta activa esta búsqueda varían notablemente de un producto a otro: algunas buscan casi sistemáticamente, otras solo en ciertos casos. Estos matices se desarrollan en la lección ChatGPT, Perplexity, Gemini, Claude: cómo elige cada uno sus fuentes, que compara el funcionamiento de las principales herramientas del mercado. En algunas herramientas, el usuario puede incluso activar o desactivar manualmente este modo de búsqueda, seleccionando explícitamente una opción del tipo "buscar en la web", lo que demuestra que clásico y RAG no son dos categorías de herramientas separadas, sino a menudo dos modos de funcionamiento de un mismo producto.

Lo que esto implica concretamente para vuestro contenido

En un mundo dominado por el RAG, la pregunta a plantearse ya no es solo "¿estoy bien posicionado en los resultados de búsqueda?", sino "¿puede mi contenido ser encontrado, entendido y juzgado fiable en cuestión de segundos por un sistema que solo lee un fragmento aislado de mi página?". Esto exige contenido accesible para los crawlers, pasajes autónomos que no necesiten el resto del artículo para entenderse, y pruebas concretas que tranquilicen al sistema sobre la fiabilidad de la información. Estos requisitos se tratan con más profundidad en las lecciones dedicadas al chunking y a la estructuración de contenido para el GEO.

Quedaos con lo esencial: un LLM clásico recita, un LLM RAG busca y luego sintetiza. Es esta segunda lógica la que hace posible el GEO, porque deja espacio, en cada nueva pregunta que hace un usuario, al contenido que publicáis hoy.