Fine tuning o RAG: qué necesita la IA de tu empresa

Usa RAG cuando al modelo le falten los datos correctos de tu empresa; considera el fine tuning cuando ya disponga de ellos, pero siga fallando en el estilo o en las reglas de decisión. Elegir entre RAG y fine tuning significa decidir si hace falta aportar información de respaldo o enseñar un comportamiento. Los 3 casos de negocio que veremos muestran por qué un entrenamiento barato no siempre da lugar al sistema más económico.

Documentación, disponibilidad de modelos y precios de lista verificados el 16 de octubre de 2026. Las cargas de trabajo y los cálculos que siguen son ejemplos para planificar un presupuesto, no resultados medidos en clientes.

RAG o fine tuning: identifica primero el fallo que necesitas corregir

La recuperación resuelve el acceso al conocimiento; el fine tuning aborda comportamientos que se repiten. Esta distinción permite saber dónde concentrar el esfuerzo antes de elegir un servicio.

La generación aumentada por recuperación, o RAG, busca material relevante y lo incorpora al contexto de trabajo del modelo antes de que responda. El fine tuning, o ajuste fino, continúa el entrenamiento de un modelo preentrenado con ejemplos de las respuestas o decisiones que se buscan, modificando los parámetros que ha aprendido. Piensa en una persona del equipo de soporte: recuperar información equivale a entregarle el manual de consulta vigente; ajustar el modelo equivale a capacitarla con ejemplos corregidos. Ninguna de las dos opciones sustituye unas instrucciones claras.

Es un criterio útil para empezar, no una regla que impida aprender hechos mediante entrenamiento. Un modelo ajustado puede aprender asociaciones entre datos. Aun así, no se convierte en una base de datos fiable de políticas vigentes, permisos de documentos y referencias a las fuentes. La comparativa de AWS distingue estas funciones de conocimiento y personalización.

Haz la prueba con la información correcta: toma una pregunta que haya fallado y añade manualmente el fragmento correcto y vigente. Si la respuesta pasa a ser aceptable, corrige la recuperación. Si sigue fallando, revisa las instrucciones, la dificultad de la tarea y el comportamiento al responder. El fine tuning solo entra en consideración después de mejorar esa solución inicial más sencilla.

Para quienes desarrollan, esto separa el procesamiento de documentos del proceso de entrenamiento. Para quienes gestionan la operación, aclara a quién corresponde resolver el problema: a la persona responsable del conocimiento o a quien aprueba los ejemplos. Para quienes compran, ofrece una prueba de aceptación útil: pedir al proveedor que muestre qué fallo resuelve el componente adicional.

RAG, fine tuning e ingeniería de prompts: qué aporta cada uno

Empieza por el cambio más pequeño que supere la prueba de aceptación de tu tarea. La ingeniería de prompts consiste en mejorar las instrucciones, los ejemplos y el contexto que acompañan una solicitud. Sigue siendo necesaria tanto en los sistemas con recuperación como en los que usan modelos ajustados.

Cuándo basta un prompt y cuándo hace falta RAG

Usa un prompt cuando el material necesario ya esté en la solicitud. Añade recuperación cuando la aplicación deba encontrar ese material entre las fuentes de la empresa. Una instrucción mejor no puede revelar una cláusula de cancelación que el modelo nunca recibe; un índice de búsqueda no resuelve instrucciones contradictorias sobre cómo aplicarla.

Cuándo pasar de la ingeniería de prompts al fine tuning

Mantén en los prompts las reglas de marca que cambian y las tareas ocasionales. Considera el ajuste cuando un comportamiento estable y repetido siga fallando pese a contar con instrucciones claras y ejemplos representativos. La guía de ajuste de Google recomienda establecer primero una solución de referencia basada en prompts.

Qué relación hay entre fine tuning y aprendizaje por transferencia

El fine tuning es una forma de aprendizaje por transferencia: adapta a tu tarea capacidades adquiridas durante un entrenamiento anterior. No es otra técnica para recuperar fuentes. A la hora de decidir, lo relevante es si realmente necesitas modificar el comportamiento aprendido.

Comprueba qué modelos admiten ajuste antes de desarrollar

Verifica tanto la compatibilidad del modelo como la elegibilidad de tu cuenta antes de preparar un proyecto de ajuste fino con un servicio gestionado. Que un modelo aparezca en un tutorial antiguo no basta.

La plataforma de fine tuning de autoservicio de OpenAI dejó de admitir organizaciones que nunca la habían usado el 7 de mayo de 2026. Desde el 2 de julio de 2026, las organizaciones que no habían ejecutado un modelo ajustado en los 60 días anteriores también perdieron la posibilidad de crear trabajos de entrenamiento. El aviso vigente indica que los clientes existentes que sigan activos perderán esa posibilidad el 6 de enero de 2027; la inferencia con modelos ya ajustados solo continuará hasta que se retire el modelo base. Esta no es la vía de referencia para un nuevo proyecto empresarial. Aviso de retirada de OpenAI.

Google Gemini 3.1 Flash-Lite es una opción cuya documentación actual de Google Cloud admite expresamente el ajuste fino supervisado, es decir, el entrenamiento con ejemplos etiquetados. La documentación vigente de Google llama a la plataforma Gemini Enterprise Agent Platform; la antigua documentación de ajuste de Vertex AI redirige allí. Este modelo sirve para elaborar el presupuesto concreto que aparece más adelante, no para afirmar que será el mejor en tu tarea. Modelos compatibles con el ajuste.

Las restricciones de despliegue importan: el ajuste de este modelo se ejecuta en us-central1 o europe-west4, mientras que la inferencia del modelo ajustado utiliza los endpoints multirregionales us o eu. Calcula el presupuesto con esos endpoints, en lugar de copiar la tarifa global más barata del modelo base. Google también excluye el ajuste fino supervisado de su garantía de nivel de servicio. Limitaciones del ajuste.

Precios utilizados en los ejemplos: la inferencia de texto estándar fuera del endpoint global cuesta $0.275 de entrada, $0.0275 de entrada en caché y $1.65 de salida por millón de tokens; el ajuste cuesta $3 por millón de tokens de entrenamiento, incluidas las épocas repetidas, y la inferencia con el modelo ajustado cuesta 1.5 veces la tarifa base: $0.4125 de entrada y $2.475 de salida. Son precios de lista de Google Cloud, no precios de suscripción a la aplicación Gemini. Precios de Google.

Una época es una pasada completa por el conjunto de entrenamiento. Todos los ejemplos suponen una llamada al modelo por elemento y totales de salida facturables que incluyen los tokens de razonamiento que pueda haber. No incluyen impuestos, ingeniería, etiquetado, llamadas de evaluación, reintentos, almacenamiento de documentos fuente, digitalización de documentos ni servicios de búsqueda adicionales. Esas partidas necesitan su propio presupuesto; una factura de entrenamiento no es una cotización de implementación.

Tres casos de negocio: qué desarrollar y cuánto cuesta

Soporte basado en documentos de la empresa: empieza por RAG

El asistente de soporte de una empresa de software necesita información vigente antes que entrenamiento. Si un cliente pregunta si la cancelación tiene efecto inmediato, la respuesta debe respetar la política actual y cualquier excepción contractual aplicable.

Prepara un proceso de ingesta que lea los documentos aprobados, los divida en fragmentos útiles y conserve la URL de origen, la fecha de entrada en vigor, el producto y los permisos de acceso. Al recibir una solicitud, limita la búsqueda al material que el cliente tenga permiso para ver, recupera los fragmentos pertinentes y pide al modelo que responda con esa información y cite las fuentes. Sustituye los fragmentos modificados y retira los eliminados. Un cambio en la fuente no actualiza el índice al instante.

OpenAI text-embedding-3-small convierte el texto en representaciones numéricas para la búsqueda por similitud. Cuesta $0.02 por millón de tokens de entrada y genera 1,536 dimensiones de forma predeterminada. Crear embeddings de los documentos permite buscarlos; no entrena al modelo que redacta las respuestas. Precio del modelo, dimensiones de los embeddings.

Cloudflare Vectorize es la base de datos vectorial de este ejemplo: almacena esas representaciones y encuentra otras similares. Su límite está en la calidad de la información recuperada: un fragmento cercano en la búsqueda puede estar desactualizado o no ser pertinente. La aplicación debe aplicar los permisos de acceso y comprobar que el texto seleccionado respalde la respuesta.

Costo inicial: supongamos 10,000 fragmentos de 500 tokens en promedio después de dividir los documentos. Los embeddings iniciales cuestan 5 millones de tokens × $0.02 = $0.10. Esto excluye la extracción y el procesamiento del contenido y el trabajo de ingeniería descrito antes.

El índice almacena 15.36 millones de dimensiones, por encima de los 5 millones incluidos en la cuota gratuita de Vectorize. La cuota de pago incluye 10 millones de dimensiones almacenadas y 50 millones de dimensiones consultadas al mes; los excedentes cuestan $0.05 por cada 100 millones almacenadas y $0.01 por millón consultadas. La fórmula publicada por Cloudflare da 30.72 millones de dimensiones consultadas para este índice y 10,000 consultas mensuales, dentro de esa cuota. El excedente de almacenamiento cuesta $0.00268/mes. Se supone que ninguna otra parte de la cuenta consume las cuotas incluidas. Precios de Vectorize.

Presupuesto mensual de los componentes: sustituir 1,000 fragmentos y crear embeddings de 10,000 preguntas de 100 tokens en promedio cuesta $0.03. Generar 10,000 respuestas, cada una con 2,500 tokens de entrada en total y 400 tokens de salida, cuesta $13.475. Al sumar el mínimo de $5 de la cuenta Workers Paid y el excedente de almacenamiento, el total es de aproximadamente $18.51/mes, más el costo inicial de los embeddings. Se supone que la ejecución de Workers se mantiene dentro de las cuotas incluidas. Precios de Workers.

La prueba operativa consiste en comprobar si la respuesta aplica la política vigente correcta, cita un fragmento que la respalde y evita inventar una excepción. Prueba también qué ocurre con los documentos eliminados y cuando un cliente intenta acceder al contrato de otro. Considera el ajuste más adelante, solo si la información correcta sigue dando lugar a un fallo de comportamiento repetible.

Un estilo editorial propio: prueba ejemplos y caché antes de entrenar

Una voz editorial estable puede justificar el ajuste; una marca que todavía debate cómo debe sonar, no. Pensemos en una empresa que produce correos sobre sus productos: deben ser directos, evitar afirmaciones exageradas y terminar con un siguiente paso concreto.

Empieza por incluir una guía de estilo y ejemplos aprobados en el prompt. Si el resultado sigue fallando en matices editoriales, crea pares de entrenamiento: el encargo original y los datos como entrada, y el borrador aprobado por un editor como salida. Un archivo de correos terminados, por sí solo, no muestra qué entrada debe producir cada respuesta.

Para un encargo ilustrativo que anuncie atención los sábados, un texto objetivo aprobado podría ser: «Ahora también puedes contactar con soporte los sábados. Abre el chat cuando necesites ayuda». El texto objetivo muestra la voz; el encargo aporta los datos.

Separa el estilo del contenido factual. Entrena la preferencia por introducciones breves; proporciona los detalles del producto de esta semana al hacer la solicitud. Reserva encargos que no se hayan usado en el entrenamiento para evaluar y pide a los editores que valoren las afirmaciones sin respaldo, el tono, el contenido obligatorio y cuánto hay que reescribir. Una puntuación de similitud textual no demuestra que el texto funcione para la marca.

Costo inicial: 1,000 pares de 1,600 tokens totales en promedio × 3 épocas = 4.8 millones de tokens de entrenamiento, es decir, $14.40 por un trabajo. Son supuestos presupuestarios, no una recomendación de que ese tamaño de conjunto de datos o ese número de épocas vaya a superar la evaluación.

Uso mensual del modelo: 10,000 borradores, cada uno con 1,200 tokens de entrada y 400 de salida, cuestan $14.85 con el modelo ajustado. El mismo modelo base con 4,800 tokens adicionales de estilo y ejemplos por solicitud cuesta $23.10 sin aciertos de caché. En el caso límite de funcionamiento estable en el que todos los prefijos repetidos se recuperan de la caché implícita, esa solución de referencia basada en prompts baja a $11.22, más los costos de los fallos de caché y de su calentamiento inicial. Estos cálculos utilizan las tarifas de Google indicadas antes.

Eso invierte el argumento del ahorro. El ajuste aún puede compensar si reduce las revisiones editoriales, pero no es automáticamente la forma más barata de evitar pagar una y otra vez por un prompt de estilo largo. Mide el uso de la caché y la aceptación de los editores antes de comprometerte con un proceso de entrenamiento.

Un clasificador de tickets: ajusta decisiones estables y recupera reglas cambiantes

Un clasificador de tickets es un buen candidato al ajuste cuando sus etiquetas son estables y sus errores recurrentes se pueden medir. Supongamos que las etiquetas permitidas son billing, access, bug y review.

El mensaje «No puedo abrir mi factura» muestra dónde está la dificultad. Contiene una palabra relacionada con facturación, pero la cola responsable podría ser la de acceso. Acuerda ese criterio con los responsables de soporte y después etiqueta mensajes representativos, incluidos los ambiguos. Al separar los datos de entrenamiento y evaluación, mantén juntos los mensajes relacionados de una misma conversación e incluye tickets posteriores para detectar cambios en el lenguaje o en los productos.

La salida debe ser una etiqueta permitida, pero un formato válido no basta para dar la tarea por resuelta. Mide por separado los casos urgentes que pasan inadvertidos, las asignaciones a colas equivocadas, las revisiones innecesarias y la carga de trabajo posterior para reasignar tickets. Que el modelo diga estar seguro no equivale a tener un umbral calibrado para decidir a qué cola enviarlos.

Costo inicial: 5,000 ejemplos etiquetados de 300 tokens totales en promedio × 3 épocas = 4.5 millones de tokens de entrenamiento, es decir, $13.50 por un trabajo. Uso mensual del modelo: 100,000 tickets, cada uno con 250 tokens de entrada y 20 tokens de salida facturables, cuestan aproximadamente $15.26 con el modelo ajustado, frente a $10.18 con el mismo prompt breve en el modelo base. El modelo ajustado debe justificar ese sobrecosto con mejores decisiones. Precios de Google.

Usa código de la aplicación para rechazar etiquetas inválidas y enviar los casos ambiguos a revisión. La documentación de ajuste de Google advierte que añadir generación controlada durante la inferencia, que restringe la salida a un esquema, puede crear un desajuste con el entrenamiento. Por eso hay que evaluar la combinación exacta que se pretende desplegar. Problemas conocidos del ajuste.

Si la responsabilidad sobre las colas cambia con frecuencia, mantén la política de asignación vigente fuera de los pesos del modelo. Recupérala o inclúyela en el prompt. Si los propios criterios que separan las etiquetas siguen cambiando, pospón el ajuste hasta que la operación sea lo bastante estable como para enseñarla.

Qué cambian el contexto largo y la caché de prompts en 2026

Antes de desarrollar un servicio de recuperación, puede convenir enviar directamente una colección de documentos pequeña y estable. Ni el contexto largo ni la caché se inventaron en 2026; lo que cambia es la solución de referencia con la que conviene comparar hoy.

La ventana de contexto es la cantidad de material con la que el modelo puede trabajar en una solicitud. Gemini 3.1 Flash-Lite, lanzado el 7 de mayo de 2026, especifica una ventana de contexto de 1,048,576 tokens. Esa cifra indica capacidad, no garantiza que el modelo aplique correctamente todas las excepciones de un manual extenso. Deja espacio para las instrucciones, la pregunta y la generación, y después prueba los fragmentos difíciles. Especificaciones del modelo.

RAG vs CAG: recuperar documentos o reutilizar el contexto

La generación aumentada por caché, o CAG, consiste en precargar conocimiento y reutilizar el contexto almacenado en caché en lugar de recuperar documentos para cada pregunta. Resulta útil cuando el conjunto de documentos relevante cabe en el contexto, cambia poco y tiene los mismos permisos de acceso para todas las personas que lo reciben. La caché de prompts reutiliza el procesamiento de entradas repetidas; no incorpora esos datos a los pesos del modelo ni garantiza una respuesta actualizada.

Si suponemos un manual de 80,000 tokens reutilizado en 10,000 solicitudes, solo la entrada correspondiente al manual cuesta $220 sin caché o $22 si todas las solicitudes aprovechan la tarifa de caché. Las preguntas nuevas, la salida, los fallos de caché y su creación siguen teniendo un costo. Mantener una caché explícita de ese manual durante 720 horas añade $57.60 de almacenamiento, con la tarifa publicada de $1 por millón de tokens-hora. Precios de caché de Google.

La caché implícita no cobra almacenamiento, pero no garantiza aciertos. Coloca primero el material compartido, mantén su prefijo sin cambios y revisa cachedContentTokenCount en las respuestas. Este modelo necesita al menos 4,096 tokens de contexto elegible, por lo que no conviene presupuestar un prompt breve de clasificación de tickets como si fuera a usar la caché. Documentación de caché.

El criterio es práctico. Usa contexto largo directo para un manual acotado que puedas actualizar y autorizar como un todo. Usa recuperación cuando el conjunto de documentos de la empresa sea mayor, cambie por partes o contenga documentos con permisos diferentes. Si resulta útil, almacena en caché un prefijo común de instrucciones dentro de un sistema RAG; estas opciones pueden coexistir.

No des por hecho que todas las funciones de caché estarán disponibles en un modelo ajustado. La documentación actual de Google sobre caché para modelos ajustados indica que la caché explícita no es compatible con estos modelos, mientras que la compatibilidad con la caché implícita depende de la versión del modelo.

Combina ambos cuando los datos cambien y el comportamiento siga fallando

Combina recuperación y ajuste cuando cada uno resuelva un fallo demostrado por separado. Un asistente de soporte puede recuperar la cláusula de cancelación vigente mientras un modelo ajustado sigue la estructura de respuesta que prefiere la empresa: respuesta, información que la respalda, siguiente acción permitida o derivación del caso.

Entrena con ejemplos parecidos a la información que recibirá el modelo en producción. Incluye casos en los que falten fragmentos o estos sean irrelevantes o contradictorios, para que el comportamiento deseado contemple pedir aclaraciones o negarse a inventar una respuesta. Durante la ejecución, los controles de acceso siguen teniendo que aplicarse antes de que el material restringido llegue al modelo.

Evalúa por separado la recuperación y el comportamiento al responder. Las citas correctas, los límites de los permisos y la actualización de las fuentes siguen siendo responsabilidad de la aplicación; un modelo ajustado no los hace cumplir por ti.

Si encontrar la información exige búsquedas sucesivas, la guía de RAG con agentes explica cuándo un ciclo de recuperación acotado justifica su complejidad. Una vez que un fallo de comportamiento estable justifique entrenar, la guía sobre cómo hacer fine tuning de un LLM aborda la preparación de datos, los puntos de control y la evaluación.

¿Qué promesas están exageradas?

Ni «RAG siempre gana» ni «el fine tuning hace que el modelo conozca nuestra empresa» sirven como especificaciones de desarrollo. La recuperación puede fallar por fuentes desactualizadas, una mala selección de fragmentos o falta de contexto. El ajuste puede aprender ejemplos contradictorios y reproducir una regla obsoleta con mayor constancia.

También es fácil dar demasiado valor al bajo costo del cómputo de entrenamiento. La factura no incluye el trabajo de definir qué resultado se considera bueno, resolver desacuerdos al etiquetar y mantener un conjunto de pruebas útil. Las ventanas de contexto más grandes eliminan una restricción de capacidad; no demuestran que el modelo razone correctamente sobre todos los datos recibidos.

Lo que conviene exigir es más concreto: que, en los casos reservados para evaluación, el componente corrija un fallo identificado sin dejar de cumplir los demás requisitos. Si el prompt actual ya supera la prueba, deja el sistema como está.

Cuándo usar RAG y cuándo recurrir al fine tuning

Resuelve ya la falta de información; espera para entrenar hasta poder identificar y medir el fallo de comportamiento. Los equipos con políticas cambiantes deben aclarar quién se responsabiliza de las fuentes y cómo se actualizan. Los editores con ejemplos consolidados y reescrituras recurrentes deben comparar los prompts con el ajuste. Un clasificador cuyas etiquetas cambian debe esperar. Que exista otra técnica de optimización no altera un flujo de trabajo basado en prompts que ya funciona.

Este puede ser el plan para el lunes:

1. 1

   Guarda los fallos antes de cambiar el sistema

   Selecciona preguntas de soporte, encargos de redacción o tickets representativos. Registra la respuesta o decisión aprobada y mantén esos casos de evaluación fuera del conjunto de entrenamiento.

2. 2

   Aporta manualmente la información que falta

   Repite la tarea con el fragmento correcto e instrucciones claras. Clasifica el error que persista: falta de conocimiento, regla poco clara, comportamiento incorrecto o una tarea que el modelo aún no puede resolver.

3. 3

   Calcula el costo de la opción más sencilla

   Compara el prompt actual, un prompt con caché o contexto largo, la recuperación y, solo después, un ajuste compatible si hace falta. Cuenta los tokens facturables reales, los aciertos de caché, los reintentos y el trabajo de corrección humana.

4. 4

   Despliega según la prueba de aceptación de la tarea

   Elige el diseño más sencillo que supere la prueba. Asigna a alguien la actualización de documentos o la revisión de ejemplos de entrenamiento, registra las versiones desplegadas y conserva una forma de volver atrás.

Preguntas frecuentes

¿Qué es el fine tuning en IA?

El fine tuning adapta un modelo preentrenado mediante ejemplos de entrenamiento adicionales. En los flujos de trabajo de una empresa, el objetivo útil suele ser un estilo de respuesta o un comportamiento repetible al realizar una tarea.

¿Cuánto cuesta hacer fine tuning de un modelo?

El trabajo de entrenamiento único en Google del ejemplo de redacción cuesta $14.40 con los supuestos de tokens y épocas indicados. El etiquetado, la evaluación, la inferencia en producción y la ingeniería son costos aparte; los experimentos fallidos añaden más trabajos de entrenamiento.

¿Hay algo mejor que RAG?

Un prompt directo puede ser más sencillo si ya contiene toda la información necesaria. El ajuste fino puede ayudar ante un problema de comportamiento estable. Ninguno sustituye la recuperación cuando el sistema debe encontrar datos vigentes cuyo acceso esté autorizado.

¿En qué se diferencia un modelo con fine tuning de un sistema basado en RAG?

El fine tuning modifica los parámetros aprendidos mediante entrenamiento. RAG cambia la información que se aporta al recibir la solicitud. Actualizar un índice de fuentes, volver a entrenar un modelo y demostrar que una respuesta tiene una cita válida son trabajos distintos.

¿Se ha demostrado que el fine tuning no funciona?

No, si hablamos de adaptar modelos de aprendizaje automático. Su valor depende de la tarea y debe demostrarse frente a una solución de referencia basada en prompts, con ejemplos que no se hayan usado para entrenar.

¿Cómo se hizo el ajuste fino de ChatGPT?

El anuncio original de ChatGPT de OpenAI, publicado en 2022, describía el uso de ejemplos de diálogo supervisados, seguido de aprendizaje por refuerzo a partir de comentarios humanos. Ese proceso histórico es independiente de los requisitos actuales para acceder al ajuste mediante API en proyectos empresariales.

¿Qué dijo Stephen Hawking sobre el ajuste fino?

Esa pregunta se refiere al ajuste fino cosmológico, otro significado del término. No trata de adaptar un modelo de lenguaje. La decisión empresarial que abordamos aquí es sobre recuperación y entrenamiento, no sobre una afirmación acerca del universo.

¿Se sigue usando el fine tuning?

Sí. La documentación actual de Google enumera modelos compatibles, incluido el modelo Gemini usado aquí. La disponibilidad cambia según el proveedor, así que verifica el modelo concreto y la elegibilidad de tu cuenta antes de preparar un trabajo de entrenamiento.

¿Cuál es el mejor modelo para hacer fine tuning?

Elige un modelo base compatible que ya resuelva la tarea principal y cumpla tus restricciones de despliegue. Gemini 3.1 Flash-Lite sirve aquí como ejemplo con precios concretos, no como un ganador universal demostrado; la decisión depende de tus casos reservados para evaluación.

Para tomar decisiones prácticas sobre desarrollo con IA, suscríbete al boletín.