Ajuste fino y RAG
El ajuste fino enseña al modelo cómo responder.
El RAG le da en cada pregunta el contenido con el que responder. Si la documentación cambia, con RAG basta con actualizar el documento, y con ajuste fino habría que volver a entrenar. Para que un agente de atención al cliente conozca el producto, lo que se usa es RAG.
Por qué importa
Mucha gente da por hecho que poner una IA en soporte exige entrenarla con los datos de la empresa.
Casi nunca es así, y creerlo retrasa proyectos y despierta dudas legales que no tocan. Saber qué resuelve el ajuste fino y qué no permite hacer la pregunta correcta a un proveedor. Dónde busca la respuesta el agente y si las conversaciones se usan para entrenar algo.
Ajuste fino frente a RAG
Son dos formas de adaptar un modelo, y resuelven problemas distintos.
| Ajuste fino | RAG | |
|---|---|---|
| Qué cambia | El propio modelo | Lo que el modelo lee al responder |
| Sirve para | Estilo, formato y tareas repetidas | Conocimiento que cambia |
| Al cambiar el contenido | Hay que volver a entrenar | Se actualiza el documento |
| Cita la fuente | No | Sí, el fragmento usado |
| Datos necesarios | Muchos ejemplos bien escogidos | La documentación existente |
Cuándo tiene sentido el ajuste fino
El ajuste fino compensa en tres casos.
- Una tarea estrecha y repetida, como clasificar conversaciones por tema.
- Un formato de salida muy estricto que el modelo no respeta con instrucciones.
- Un volumen muy alto, donde un modelo pequeño ajustado sale más barato.
Cuándo no
No sirve para que el modelo sepa los precios, las políticas o el estado de una cuenta.
Esa información cambia y debe consultarse en el momento. Tampoco evita las alucinaciones. Un modelo ajustado responde con el tono de la empresa también cuando se inventa el dato.
Las preguntas sobre los datos
Antes de un ajuste fino hay que saber qué conversaciones se usan como ejemplos, si contienen datos personales y quién conserva el modelo resultante.
Con RAG esas preguntas son más sencillas, porque el modelo no se modifica.

