RAG vs fine-tuning para inteligencia regulatoria: cuándo cada uno
La pregunta que me hacen en cada proyecto: ¿RAG o fine-tuning? La respuesta correcta depende de qué tan rápido cambian tus fuentes.
Cuando desplegamos el sistema de inteligencia farmacéutica sobre 121 fuentes regulatorias y de mercado en 8 países, la primera decisión de arquitectura fue esta: ¿entrenamos un modelo a medida con fine-tuning, o construimos sobre RAG (retrieval-augmented generation)? Elegimos RAG, y con datos reales de un año en producción, puedo explicar por qué — y en qué casos haría lo contrario.
Definición rápida
RAG consulta fuentes externas actualizadas en el momento de responder, citando su origen. Fine-tuning reentrena los pesos del modelo con tu propio corpus, "internalizando" el conocimiento — pero congelándolo en el tiempo hasta el siguiente reentrenamiento.
Tabla comparativa
| Criterio | RAG | Fine-tuning |
|---|---|---|
| Fuentes que cambian semanalmente (regulación, precios) | Ideal — sin reentrenar | Costoso, se desactualiza rápido |
| Trazabilidad ante auditoría | Alta — cita la fuente exacta | Baja — el conocimiento está "diluido" en los pesos |
| Aprender un estilo/tono/formato específico | Limitado | Fuerte |
| Costo de mantenimiento | Bajo — actualizar el índice | Alto — reentrenar y revalidar |
| Best for | Inteligencia regulatoria y de mercado | Asistentes de escritura con voz/tono de marca |
Por qué elegimos RAG
Las 121 fuentes regulatorias cambian constantemente — nuevas resoluciones, actualizaciones de precios, cambios en requisitos de registro sanitario. Un modelo con fine-tuning quedaría desactualizado en semanas y sería carísimo de mantener al día en 8 países. Con RAG, actualizar una fuente es tan simple como reindexarla; el modelo nunca necesita reentrenarse.
Cuándo elegiría fine-tuning
Si el objetivo fuera un asistente de redacción que necesita sonar exactamente como el estilo editorial de una marca — no recuperar hechos actualizados, sino reproducir un tono — el fine-tuning gana. También lo consideraría para tareas de clasificación muy específicas con vocabulario técnico estable en el tiempo.
Key takeaways
- Si tus fuentes cambian más rápido de lo que puedes reentrenar, usa RAG.
- Si necesitas trazabilidad y citación de fuente para auditoría, RAG es casi obligatorio.
- Fine-tuning gana cuando el objetivo es estilo/tono, no actualidad de hechos.
- En la práctica, muchos sistemas maduros combinan ambos: fine-tuning ligero para tono + RAG para hechos.
¿Definiendo tu arquitectura de IA generativa?
Conversemos sobre qué combinación de RAG y fine-tuning tiene sentido para tu caso.