RAG explicat sense jerga: com fer que la IA parli amb les teves dades

Si has investigat sobre IA per a empreses, probablement t’has trobat amb la paraula RAG. Retrieval-Augmented Generation. Sona a tesi doctoral. Sona a alguna cosa que necessites un equip d’enginyers per entendre.

No. RAG és una idea senzilla amb un nom complicat. Anem a desmuntar-la.

El problema que resol el RAG

Els models d’IA com ChatGPT o Llama s’entrenen amb dades públiques. Wikipedia, llibres, articles, codi font, fòrums. Milions de documents. Saben molt de moltes coses.

Però no saben res de la teva empresa.

El teu catàleg de productes. Les teves condicions de contracte. La teva política de devolucions. L’historial d’un client concret. Les teves factures. Tot això no és al model. No pot ser-hi: és privat, canvia constantment, i pertany a la teva base de dades, no a internet.

Què passa si li preguntes a un model «quin és la política de devolucions de la meva botiga?»? Se’n inventa una. Amb molta confiança. I això és un problema.

Fins fa poc, les solucions eren dolentes:

• Copiar i enganxar el context al xat. Funciona si són 500 paraules. No si són 500 pàgines.
• Fine-tuning: reentrenar el model amb les teves dades. Car, lent, i cal repetir-lo cada vegada que alguna cosa canvia. Com reimprimir una enciclopèdia perquè ha canviat una pàgina.
• Conformar-se. Acceptar respostes genèriques que no reflecteixen el teu negoci.

El RAG és la quarta opció. La que funciona.

Com funciona el RAG (de debò, sense jerga)

Imagina que tens un nou empleat. Intel·ligent, culte, llegit. Però no coneix la teva empresa. Què fas? No l’envies a memoritzar tots els teus arxius. Li dius: «quan tinguis un dubte, consulta el manual».

Això és RAG.

Pas a pas:

1. Organitzes els teus documents. Contractes, FAQs, catàlegs, procediments interns — tot es divideix en fragments i s’indexa. Com un sistema d’arxius ben ordenat, però vectoritzat (sí, són matemàtiques, però tu no les has de veure).
2. Quan algú fa una pregunta, el sistema busca els fragments rellevants dels teus documents. No endevina. Busca.
3. Els passa al model juntament amb la pregunta. Ara el model no respon de memòria: respon amb les teves dades davant.
4. El model genera la resposta citant la teva informació.

El model no necessita memoritzar les teves dades. Les consulta quan les necessita. Si demà canvies una política, el sistema actualitza el document, i la propera resposta ja reflecteix el canvi. Sense reentrenar res. Sense esperar.

Per què això importa per a una pime

Perquè els teus clients, el teu equip i els teus processos són únics. I la IA que només sap el que va aprendre a internet no et serveix de gaire.

Exemples concrets:

• Atenció al client. Un client pregunta «feu enviaments a Canàries?». El model amb RAG consulta la teva política d’enviaments i respon amb precisió. Sense RAG, et diu que «depèn del proveïdor» o se l’inventa.
• Suport intern. Un comercial nou pregunta «quin és el descompte per a distribuïdors tier 2?». El RAG busca en les teves condicions comercials i li dóna la resposta exacta. Sense RAG, pregunta a un company o busca en un PDF a mà.
• Gestió documental. «Què diu el contracte amb el Proveïdor X sobre penalitzacions per retard?» El RAG troba la clàusula en segons. Sense RAG, són 20 minuts escanejant un PDF de 40 pàgines.

La diferència no és subtil. És passar de «la IA et respon alguna cosa que sona bé» a «la IA et respon amb la teva informació, verificable, en temps real».

RAG local vs. RAG al núvol

Aquí ve el matís que molts ometen. Pots fer RAG amb ChatGPT i els documents pujats. Funciona. Però hi ha un però:

• Els teus documents surten de la teva infraestructura. Van als servidors d’OpenAI. Poden dir que no els fan servir per entrenar, però és una promesa contractual, no una garantia tècnica.
• Tens límits d’emmagatzematge i velocitat que no controles.
• El dia que canviïn les condicions del servei, t’adaptes o et quedes sense sistema.

Amb RAG local — un model de codi obert executant-se al teu servidor, connectat a les teves bases de dades — la sobirania és tècnica, no contractual. Les teves dades no surten de la teva màquina. Sempre estan disponibles. I el rendiment no depèn de la congestió de l’API de tornada.

El que no és el RAG

El RAG no és una base de dades que «entengui» tot màgicament. Necessita bona informació de partida. Si els teus documents estan desordenats, contradictoris o incomplets, el RAG trobarà exactament això: desordre, contradiccions i llacunes.

Per això, abans d’implementar RAG, cal netejar i estructurar la informació. És el pas més avorrit i el més important. Com cuinar: la recepta és senzilla, però els ingredients han de ser bons.

Tampoc no és un substitut del fine-tuning en tots els escenaris. Si necessites que el model parli un idioma tècnic molt específic o adopti un estil particular, el fine-tuning pot complementar el RAG. Però per al 90% de les pimes, un RAG ben implementat és suficient.

Com començar sense morir en l’intent

1. Identifica les preguntes que el teu equip fa repetidament. Les que responeu copiant d’un document o preguntant al company del costat. Allà hi ha el teu cas d’ús.
2. Reuneix els documents rellevants. FAQs, manuals, contractes tipus, catàlegs. No intentis cobrir tota l’empresa. Comença per una àrea.
3. Desplega un sistema RAG local. Hi ha eines de codi obert que fan això amb maquinari assequible. No necessites un data center.
4. Mesura. Les respostes són precises? Els usuaris hi confien? Si no, revisa els documents font, no el model.

El procés no és sexy. Però funciona. I quan el teu equip comença a obtenir respostes precises basades en dades reals en segons, la inversió es justifica sola.

El RAG és un dels pilars del que fem a Neurosint: IA que treballa amb les teves dades, a la teva infraestructura, sense dependre de tercers. Si vols veure com quedaria a la teva empresa, parlem.