RAG para agentes de IA: del acceso a información a las acciones verificables
Un agente aplica una política de devoluciones que dejó de estar vigente. La respuesta está bien redactada. El procedimiento parece correcto. Incluso puede completar la gestión. Pero utilizó una regla que la organización ya había cambiado.
El problema aparece antes de la ejecución: qué información tomó como válida y con qué criterio la utilizó. Cuando la IA puede actuar, una respuesta equivocada puede convertirse en un error operativo.
RAG –la técnica de generación aumentada por recuperación– para agentes de IA incorpora información recuperada de fuentes externas al modelo durante una tarea. Esa capacidad acerca al agente al conocimiento de la organización. Para convertirla en una capacidad confiable, también hay que definir qué fuentes cuentan, quién puede consultarlas y qué acciones necesitan revisión.
El modelo no conoce automáticamente tu organización
Un modelo de lenguaje de gran tamaño, o LLM, puede explicar conceptos y generar respuestas a partir de su entrenamiento. Eso no significa que conozca el contrato particular de un cliente, la última modificación de un procedimiento o una excepción aprobada ayer.
Esa información debe llegar al sistema. Una opción es incluirla en las instrucciones de cada tarea. Funciona para situaciones acotadas, pero se vuelve difícil de administrar cuando hay muchos documentos, distintas versiones y consultas que requieren antecedentes diferentes.
Seleccionar qué información aportar pasa a ser parte del problema.
También conviene distinguir dos formas de memoria. El contexto de trabajo reúne las instrucciones, los intercambios y los resultados disponibles durante una tarea. La memoria persistente conserva información entre sesiones mediante almacenamiento externo. Guardar un antecedente, sin embargo, no asegura que el agente lo encuentre cuando lo necesita.
En su artículo How Does RAG Help AI Agents?, publicado en agosto, Hassan Djirdeh, de Progress, explica el papel de la recuperación para llevar información pertinente al contexto del agente. Esa conexión permite utilizar conocimiento externo sin incorporar cada documento al entrenamiento del modelo.
Pero disponer de un archivo completo todavía deja una pregunta pendiente: ¿qué parte necesita consultar el agente para resolver esta tarea?
RAG incorpora evidencia durante el trabajo
RAG significa generación aumentada por recuperación, del inglés Retrieval-Augmented Generation. Combina la búsqueda de información con la generación de respuestas: recupera contenido relevante y lo incorpora al contexto que utiliza el modelo.
En un sistema con agentes, esa consulta puede formar parte del desarrollo de una tarea. El agente utiliza herramientas y dirige pasos de trabajo dentro de los límites configurados. Si aparece una necesidad de información adicional, puede realizar otra búsqueda antes de continuar.
Pensemos en un escenario hipotético: una organización de servicios quiere preparar la renovación de un contrato. El agente consulta las condiciones comerciales y encuentra una cláusula especial. Para evaluar su efecto, necesita revisar los registros asociados al servicio. La primera consulta abrió una segunda necesidad que no era evidente al inicio.
Como planteamos en Agentic RAG vs. RAG tradicional: cuando recuperar información ya no alcanza, algunas preguntas exigen combinar fuentes y revisar evidencia en varios pasos. Aquí importa la consecuencia: el agente necesita información suficiente para sostener el siguiente paso de su trabajo.
Recuperar un documento ayuda a fundamentar una acción; todavía falta comprobar que el documento corresponde al caso.
Fuente: CODE Spotlight: Unlocking the Power of Agentic RAG
Una fuente citada todavía necesita interpretación
Una referencia permite volver al documento utilizado. Eso cambia la revisión: el equipo puede contrastar la afirmación con un pasaje concreto, en lugar de evaluar solamente si la respuesta suena convincente.
La documentación de Amazon Bedrock describe esta posibilidad de incorporar información propia y citas a las respuestas generadas. Es una función importante para revisar resultados, aunque la referencia no resuelve por sí sola su interpretación.
El agente podría encontrar una norma vigente y aplicarla fuera de su alcance. También podría omitir una excepción o combinar documentos incompatibles. Por eso, la revisión necesita considerar la fecha, la autoridad de la fuente y las condiciones bajo las cuales una regla corresponde.
En el ejemplo de la renovación, el contrato puede contener una condición particular que prevalece sobre el procedimiento general. Si ambos documentos llegan al sistema sin esa relación, la organización le está trasladando una ambigüedad que primero necesita resolver.
Una cita hace revisable la respuesta. La calidad de la decisión depende también del contexto y de las reglas de interpretación. Mantener ese contexto exige responsables: alguien debe actualizar las fuentes, retirar versiones obsoletas y documentar las excepciones.
La pregunta siguiente es más exigente. Una vez que el agente encontró información pertinente, ¿está autorizado a actuar sobre ella?
Consultar y ejecutar exigen controles distintos
Un agente podría necesitar acceso a un contrato para preparar una recomendación. Eso no implica que deba modificar sus condiciones, enviar una comunicación o aprobar un cambio. El permiso para leer y la autorización para ejecutar tienen funciones diferentes.
En su publicación de 2024 sobre construcción de agentes, Anthropic destaca la importancia de establecer condiciones de detención y puntos de intervención humana. La autonomía necesita límites definidos según la tarea, además de herramientas con las que realizarla.
Para la organización, eso supone decidir qué puede completarse automáticamente y qué requiere aprobación. Preparar un borrador y comprometer una condición comercial tienen consecuencias distintas. El control debería reflejar esa diferencia, sin exigir la misma revisión para cada paso.
También hace falta conservar evidencia suficiente para reconstruir el recorrido: qué información se consultó, qué criterio se aplicó y qué acción se realizó. Si aparece un error, el equipo necesita distinguir entre una fuente incorrecta, una interpretación defectuosa y una autorización mal definida.
Ese registro permite revisar el diseño del sistema. Sin él, cada corrección corre el riesgo de resolver el caso puntual y dejar intacta la condición que lo produjo. Ampliar las tareas del agente exige, entonces, ampliar también la capacidad de evaluar su desempeño.
La organización debe preparar el conocimiento que pone en acción
La discusión sobre agentes suele empezar por lo que pueden hacer. Conviene llevarla también hacia las condiciones en las que van a hacerlo: qué información existe, qué reglas están documentadas y qué evidencia necesita cada acción.
En Alpha Discovery, la preparación y contextualización de la información forman parte del trabajo previo a su activación con IA. Una base histórica reúne decisiones y excepciones que necesitan hacerse legibles para conservar su valor.
RAG conecta ese conocimiento con una tarea. La organización sigue siendo responsable de definir cuándo la evidencia alcanza para avanzar y cuándo corresponde detenerse a revisar.
¿Tu organización está incorporando agentes de IA sobre información interna?
Antes de ampliar sus tareas, conviene revisar qué fuentes utilizan, qué reglas deben respetar y qué acciones requieren validación.
