La cuestión del ajuste fino de LLM frente a RAG para una base de conocimiento de almacén suele plantearse al revés. Los equipos preguntan qué técnica es mejor, como si una de ellas tuviera que ganar. La evidencia publicada apunta a otro lugar: la recuperación ha superado sistemáticamente al ajuste fino no supervisado cuando el trabajo consiste en inyectar conocimiento nuevo en un modelo, según un estudio comparativo de 2023, y el artículo original de 2020 que presentó RAG planteó la idea como dar al modelo acceso a conocimiento externo en el momento de responder, en lugar de forzar todo dentro de sus parámetros. El conocimiento de almacén, mientras tanto, cambia constantemente. Los procedimientos se revisan, las reglas de ubicación cambian y un gran cliente añade un requisito de etiquetado a mitad de temporada. Cuando los hechos se mueven tan rápido, la decisión de selección tiene que empezar con dos preguntas: ¿con qué frecuencia cambia la respuesta y puede rastrearse una respuesta errónea hasta su fuente?
El ajuste fino cambia los hábitos; RAG cambia lo que el modelo puede ver
El ajuste fino y RAG actúan sobre partes distintas del sistema. El ajuste fino continúa el entrenamiento, ajustando los pesos del modelo para que desarrolle nuevos hábitos: un formato fijo, un tono fijo, una forma fija de estructurar una respuesta. RAG deja el modelo intacto. Cuando llega una pregunta, el sistema busca en la base de conocimiento, extrae los pasajes más relevantes y se los entrega al modelo junto con la pregunta. El modelo responde a partir del material que tiene delante.
Esa distinción importa porque el conocimiento vive en lugares distintos. Con RAG, el conocimiento está en los documentos y en un índice. Cambia un documento, actualiza el índice y la siguiente respuesta cambia con él, normalmente en cuestión de minutos. Con el ajuste fino, el conocimiento está en los pesos. Cambiarlo significa preparar nuevos datos de entrenamiento, ejecutar otro ciclo de entrenamiento, volver a evaluar y volver a desplegar. El coste de una corrección se mide en semanas en lugar de minutos, y la corrección en sí es difícil de inspeccionar: nadie puede abrir un conjunto de pesos y señalar el párrafo que hizo que el modelo dijera algo.
La mayoría de las preguntas en un almacén son preguntas de conocimiento, no de comportamiento. Un operario pregunta si dos productos pueden compartir una ubicación, qué regla de etiquetado se aplica a un cliente concreto o cuál es el siguiente paso tras una rotura de la cadena de frío. La respuesta correcta existe en exactamente un documento, y el mes que viene puede existir en una versión revisada de ese documento. Grabar esa respuesta en los pesos significa tallar un documento que está a punto de cambiar en un medio que es difícil de cambiar.
El cálculo del almacén: frecuencia de actualización frente al coste de equivocarse
Consideremos un escenario hipotético. En el otoño de 2025, un almacén de terceros en el este de China ajustó un modelo con más de 4,000 procedimientos operativos y requisitos específicos de clientes. Las respuestas se volvieron consistentes y el nuevo personal de atención al cliente se puso al día rápidamente. Luego llegó la temporada alta y tres grandes clientes cambiaron sus requisitos de etiquetado y embalaje al mismo tiempo. Los documentos se actualizaron; las respuestas del modelo no. Durante dos semanas, el personal de primera línea trabajó con los requisitos antiguos hasta que una inspección de un cliente detectó la discrepancia. La solución fue otra ronda de entrenamiento y otra ronda de evaluación, que llevó tres semanas. La tecnología había funcionado según lo diseñado. La decisión de selección había puesto el conocimiento cambiante en el lugar equivocado.
Un segundo escenario hipotético tomó el camino opuesto. Un almacén de preparación de pedidos de comercio electrónico mantuvo unos 2,000 documentos en un sistema de recuperación. Cada pregunta extraía los tres a cinco pasajes más relevantes, junto con el nombre del documento y la sección, y el modelo componía su respuesta a partir de esos pasajes. Cuando un cliente cambió una dirección de devolución durante la temporada alta, un operario editó una línea del documento, el índice se actualizó y la siguiente pregunta obtuvo la respuesta correcta. Cuando algo salió mal, el supervisor de turno pudo seguir la cita hasta el pasaje de origen y determinar si el documento estaba mal o si la recuperación había elegido el pasaje equivocado. La cadena de responsabilidad estaba intacta, y esa trazabilidad es la propiedad más valiosa que puede tener un sistema de conocimiento de almacén.
El punto contraintuitivo es este: el ajuste fino no hace que un modelo comprenda mejor tu almacén. Hace que el modelo suene más como tu almacén. El conocimiento y el comportamiento son problemas distintos, y confundirlos es una de las formas más seguras de gastar dinero sin resolver nada. Un modelo que responde con un estilo interno perfecto pero cita un procedimiento reemplazado es peor que un modelo que responde con sencillez a partir del documento vigente.
Una tabla comparativa: cuándo gana RAG y cuándo el ajuste fino se gana su lugar
| Pregunta de selección | Elige RAG | Elige ajuste fino |
|---|---|---|
| ¿Con qué frecuencia cambia la respuesta? | Semanal o diaria | Estable durante meses |
| ¿Debe poder rastrearse una respuesta errónea? | Sí, hasta el documento exacto | No, el formato importa más |
| ¿Ven distintas personas contenido distinto? | Sí, filtrar antes de la recuperación | No, los pesos no llevan permisos |
| ¿Estás cambiando conocimiento o estilo? | Conocimiento | Estilo, formato, rutinas fijas |
| ¿Tienes ejemplos etiquetados? | Funciona sin ellos | No puede empezar sin ellos |
La fila de los permisos merece atención, porque es la que los equipos pasan por alto con más frecuencia. Una base de conocimiento de almacén contiene habitualmente precios de clientes, condiciones de contrato y datos internos de costes. Con RAG, el control de acceso se produce antes de la recuperación: el sistema solo entrega al modelo los pasajes que el solicitante tiene permitido ver. El ajuste fino no puede hacer esto. Una vez que el conocimiento está en los pesos, no hay forma de decir quién debería verlo y quién no. Cualquier base de conocimiento con niveles de permiso mixtos debe resolver esta cuestión antes de que el ajuste fino entre en escena.
El coste pertenece a la misma comparación, pero ambos lados deben medirse de forma distinta. Tomemos un ejemplo hipotético: un almacén que gestiona 600 preguntas de la base de conocimiento al día, con RAG añadiendo aproximadamente 2,000 tokens de contexto recuperado a cada pregunta, consume unos 36 millones de tokens de contexto al mes. Ese coste crece linealmente con el volumen de preguntas y es visible cada mes. El ajuste fino cuesta poco por pregunta, pero cobra en cada actualización de conocimiento: preparar muestras, entrenar, evaluar y ejecutar pruebas de regresión, con tiempo de personal reservado en cada ciclo. Cuanto más a menudo cambia el conocimiento, mayor es el coste oculto del ajuste fino; cuanto mayor es el volumen de preguntas, mayor es el coste corriente de RAG. Comparar una factura de entrenamiento única con una factura mensual de tokens no tiene ningún sentido.
También hay un caso para no hacer ninguna de las dos, al menos al principio. La guía práctica publicada señala que cuando una base de conocimiento suma alrededor de 200,000 tokens, aproximadamente 500 páginas de documentos, poner todo el corpus en el prompt suele ser más sencillo y más preciso que construir un sistema de recuperación. Muchos almacenes pequeños y medianos tienen bases de conocimiento exactamente en ese rango. Recopilar los documentos y redactarlos con claridad vale más en esa fase que cualquier pipeline de recuperación.
RAG primero, luego el ajuste fino donde el comportamiento es el problema
La secuencia pragmática para la mayoría de los almacenes es poner RAG en marcha primero y luego buscar los huecos de comportamiento que el ajuste fino realmente sabe cerrar. Una vez que RAG está en vivo, los problemas reales suelen resultar ser de salida y no de conocimiento: respuestas que no siguen un formato consistente, campos de órdenes de trabajo que aparecen y desaparecen, reglas de escalación dejadas a la discreción del modelo. Esos son problemas de comportamiento, y una pequeña ronda de ajuste fino con unos pocos cientos de ejemplos revisados de preguntas y respuestas puede corregir el formato y la redacción de la escalación mientras RAG sigue aportando los hechos en el momento de la pregunta.
Este orden también mantiene barato el retroceso. Cuando RAG falla, el equipo edita un documento, ajusta la recuperación o cambia la clasificación, y la corrección puede verificarse el mismo día. Cuando un modelo ajustado falla, el equipo tiene que averiguar qué lote de ejemplos de entrenamiento lo desvió, volver a entrenar y volver a evaluar, un ciclo medido en semanas. Primero los pasos reversibles, después los irreversibles: ese orden se mantiene en todas las decisiones de sistemas de almacén, y se mantiene aquí.
Tres preguntas resuelven la selección para cualquier almacén: ¿con qué frecuencia cambian los documentos, puede rastrearse una respuesta errónea hasta su fuente y pueden distintos roles ver contenido distinto? Las respuestas a esas tres preguntas determinan dónde pertenecen el ajuste fino y RAG. Las técnicas subyacentes seguirán cambiando, pero es poco probable que el peso de esas tres preguntas cambie pronto.
Por Dr. Chen, Investigador de Cadena de Suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







