Los RAG siguen vivos

Las nuevas arquitecturas de RAG muestran claramente que estamos entrando en una etapa de madurez dentro de la IA aplicada. El debate ya no está en si RAG funciona o no, sino en entender que el enfoque básico de chunk → embedding → retrieval → generación se quedó corto para los problemas reales que hoy estamos intentando resolver: conocimiento empresarial disperso, documentos complejos, código, contratos, procesos internos, preguntas multi-salto y agentes que necesitan contexto confiable para tomar decisiones. El análisis de los artículos deja ver que el RAG tradicional sigue siendo útil, pero ya no puede tratarse como una arquitectura única ni como una solución genérica para todo.

Desde mi perspectiva, esto conecta directamente con una idea que se vuelve cada vez más importante en los proyectos de IA: la calidad del sistema no depende solamente del modelo, sino de cómo se estructura, prioriza y gobierna el contexto que se le entrega. En muchos casos, el LLM no falla porque sea incapaz de razonar, sino porque recibe evidencia incompleta, mal ordenada o sin estructura suficiente. Ahí es donde aparecen capas como hybrid search, reranking, GraphRAG, multi-hop retrieval, Agentic RAG y knowledge graphs validados. Todas buscan resolver el mismo problema desde diferentes ángulos: convertir información dispersa en conocimiento accionable.

Me parece especialmente relevante la discusión entre "RAG evoluciona" y "RAG está muerto". La postura de que RAG está muerto es provocadora, pero útil, porque obliga a cuestionar si recuperar chunks de manera aislada realmente será suficiente en el largo plazo. Sin embargo, en ambientes empresariales, creo que el punto no es abandonar RAG, sino dejar de implementarlo de forma ingenua. Para la mayoría de los casos reales, RAG no desaparece; se transforma en una arquitectura más modular, más contextual y más especializada por dominio.

En proyectos empresariales, la arquitectura debe partir del tipo de pregunta que se quiere resolver. Si se trata de búsquedas factuales simples, un RAG básico puede ser suficiente. Si el dominio requiere precisión terminológica, como contratos o documentos legales, el hybrid search y el reranking se vuelven indispensables. Si el caso requiere entender relaciones entre entidades, procesos o decisiones distribuidas, entonces GraphRAG o un knowledge graph ofrecen mucho más valor. Y si el usuario no sabe exactamente qué preguntar, o si la respuesta exige una exploración iterativa, el Agentic RAG empieza a tener sentido.

La parte que más me interesa es cómo estas arquitecturas se conectan con el desarrollo asistido por IA y el ADLC. Para que un agente pueda trabajar sobre un codebase, una base documental o un proceso empresarial, no basta con darle acceso a archivos. Necesita una representación persistente, validada y navegable del conocimiento. En ese contexto, propuestas como lat.md o los knowledge graphs con integridad referencial apuntan a una dirección muy clara: pasar de recuperar texto a construir mapas vivos del conocimiento.

En QUANTIA pensamos que el RAG está dejando de ser una técnica puntual para convertirse en una disciplina de arquitectura de conocimiento. El valor ya no estará en "vectorizar documentos", sino en diseñar sistemas capaces de seleccionar la evidencia correcta, validar su consistencia, mantener contexto entre sesiones y soportar razonamiento más complejo. Las empresas que entiendan esto podrán construir soluciones de IA mucho más robustas. Las que sigan pensando en RAG como una simple búsqueda semántica probablemente terminarán con demos interesantes, pero sistemas frágiles en producción.