desarrollo · 4 min de lectura
RAG: què és i per què la teva empresa el necessita abans d'un xatbot
Què és RAG, en què es diferencia d'un xatbot genèric i del fine-tuning, i quan el necessita la teva empresa per respondre amb els teus propis documents.
RAG (Retrieval-Augmented Generation, “generació augmentada per recuperació”) és la tècnica que permet que un assistent d’intel·ligència artificial respongui amb els documents reals de la teva empresa, en lloc d’improvisar amb allò que el model va aprendre durant l’entrenament. A Evicron, estudi d’IA i software a mida de Barcelona fundat el 2019, és la base tècnica de bona part dels assistents d’IA aplicada que construïm per a despatxos, assessories i equips que necessiten respostes ancorades en la seva pròpia documentació, no en suposicions del model.
Què és RAG i com funciona
Un model de llenguatge com GPT, Claude o Gemini respon a partir d’allò que va veure durant l’entrenament: no coneix els teus contractes, els teus manuals interns ni la teva normativa específica, i quan se li pregunta per ells, tendeix a inventar una resposta plausible en lloc d’admetre que no ho sap. RAG resol això en dos passos. Primer, recupera els fragments més rellevants de la teva pròpia base documental —contractes, manuals, polítiques internes, fitxes de producte— mitjançant una cerca semàntica sobre una base de dades vectorial. Després, lliura aquests fragments al model com a context abans que generi la resposta, de manera que el text final es recolza en allò que diuen els teus documents reals, no en allò que el model “creu recordar”.
El resultat pràctic és que l’assistent pot citar la clàusula exacta d’un contracte, el paràgraf concret d’un manual o la política interna aplicable, en lloc de donar una resposta genèrica. I com que no cal reentrenar el model cada vegada que canvia un document, n’hi ha prou amb actualitzar la base documental perquè l’assistent respongui amb la versió vigent.
Per què no n’hi ha prou amb un xatbot genèric
ChatGPT, Copilot o Gemini en la seva versió pública són excel·lents per a preguntes generals, però no tenen accés a la documentació interna de la teva empresa. Preguntar-los per la teva política de devolucions, el procediment d’un expedient concret o una clàusula del teu contracte tipus dona, en el millor cas, una resposta genèrica; en el pitjor, una al·lucinació amb aparença de certesa. Un assistent amb RAG parteix de la base contrària: si la resposta no és als teus documents, ho diu, en lloc d’omplir el buit amb una suposició.
RAG o fine-tuning: quin necessita la teva empresa
Són tècniques diferents i convé no confondre-les. El fine-tuning reentrena el model perquè adopti un estil, un format o un criteri molt específic de forma permanent; té sentit quan la tasca és estreta i estable —classificar documents sempre amb el mateix criteri, per exemple— i el cost de tornar a entrenar cada vegada que canvia alguna cosa és acceptable. RAG encaixa millor quan la informació canvia amb freqüència —normativa, catàleg, contractes en curs— i quan importa poder justificar d’on surt cada resposta. Per a la gran majoria de pimes, RAG és el punt de partida raonable: arrenca abans, no exigeix reentrenar res i, si més endavant cal ajustar l’estil de les respostes, totes dues tècniques es poden combinar.
Casos reals en una empresa
Als serveis professionals —despatxos d’advocats, assessories, gestories— és on aquest patró encaixa de forma més directa: un assistent que respon sobre la documentació legal pròpia, analitza contractes i resumeix expedients, citant sempre el document d’origen en lloc de limitar-se a una impressió general. També funciona en l’atenció al client, quan l’assistent ha de respondre amb el manual de producte vigent i no amb una versió desactualitzada que el model recordi del seu entrenament, o en equips interns on algú que s’incorpora pregunta directament en lloc de buscar en deu carpetes compartides.
Per a Hipteca, gestora hipotecària, vam desenvolupar un CRM a mida amb un assistent conversacional que consulta la base de dades de l’equip per resoldre preguntes a l’instant, en lloc que cada persona busqui manualment la dada. És la mateixa lògica de recuperar informació pròpia abans de respondre, aplicada aquí a dades estructurades en lloc de documents: el principi —no improvisar, consultar primer la font real— és el mateix que sosté un sistema RAG sobre contractes o manuals.
Què necessita la teva empresa abans d’implementar-ho
No cal que la documentació sigui perfecta, però sí identificable: manuals, contractes tipus, polítiques internes en un lloc reconeixible, encara que sigui una carpeta compartida sense ordenar del tot. A partir d’aquí, hi ha dues decisions que convé prendre des del principi: quins documents pot consultar l’assistent —no tothom hauria de tenir accés a tot— i on s’allotgen les dades, especialment si hi ha informació sensible de clients o empleats; en els projectes d’Evicron, les dades privades s’allotgen a la UE.
Quant costa i com ho treballem a Evicron
Un assistent amb RAG s’emmarca en els nostres projectes d’IA aplicada, que parteixen de 6.000 €, amb pressupost tancat després d’una sessió de descobriment gratuïta i sense sorpreses a mitja feina. Treballem en 4 fases —descobriment, disseny, desenvolupament, llançament i suport— amb sprints setmanals i una primera demo navegable a la setmana 2, per validar amb documents reals que l’assistent respon bé abans de donar per tancat el projecte. El codi, com en tots els nostres projectes, queda en propietat del client.
Si el teu equip passa més temps buscant en documents que resolent, escriu-nos: a la sessió de descobriment gratuïta et diem amb franquesa si RAG és la peça que et falta o si en tens prou millorant la cerca que ja tens. Responem en menys de 24 hores.