Las tres opciones, en una frase cada una
- Prompting — formulas mejor la petición. Es gratis y funciona al momento.
- RAG — antes de responder, el modelo recupera de tus documentos la parte relevante.
- Fine-tuning — sigues entrenando el modelo con tus propios ejemplos.
No son tres posiciones de una misma escala. Atienden a tres problemas distintos, y si eliges el equivocado, gastar más dinero no te comprará un resultado mejor.
La pregunta que lo decide
Hay una sola pregunta que hacerse: ¿qué le falta al modelo?
- No sabe qué quieres → prompting.
- No conoce tus datos → RAG.
- No lo hace como se hace en tu casa → fine-tuning.
Esos tres casos se parecen a primera vista; en la práctica son completamente distintos.
Prompting: empieza siempre aquí
Una cantidad sorprendente de problemas no está en el modelo, sino en la instrucción. Falta el formato, no hay ningún ejemplo, o nunca dijiste qué hacer cuando no hay información suficiente.
¿Cuándo basta por sí solo? Cuando la tarea se apoya en conocimiento general, o cuando de todos modos le das el material cada vez. Analizar un contrato de cuarenta páginas no necesita RAG — súbelo y pregunta.
Coste: ninguno, más allá de unas horas de pruebas.
Trampa: si le entregas el mismo material largo en cada petición, la factura de tokens crece deprisa. Cuando eso empieza a molestar, lo siguiente es RAG.
RAG: cuando se trata de tus propios datos
El modelo no conoce los documentos de tu empresa, y eso no lo va a cambiar ningún entrenamiento . RAG lo resuelve de forma sencilla: buscar y luego responder. El sistema saca los pocos párrafos relevantes para la pregunta y se los da al modelo.
¿Cuándo es esta la opción correcta? Casi siempre que la tarea sea «que responda con nuestro propio material»: una base de conocimientointerna, un archivo de contratos, soporte de producto, normativa interna.
Lo que mucha gente no espera: RAG no es en primer lugar un proyecto de IA, es un proyecto de búsqueda. La mayor parte de la calidad se decide en el troceado y en la recuperación, no en el modelo. De eso trata Embedding y vector search .
Su ventaja frente al entrenamiento: si mañana cambia una norma interna, cambias el documento y listo. No hay que reentrenar nada. Además, la respuesta es citable — puedes enseñar de qué párrafo salió. En un entorno auditable eso ya zanja la cuestión.
Fine-tuning: cuando el problema es el estilo o la forma
Aquí está la mayor parte del malentendido, así que digámoslo sin rodeos:
El fine-tuning no sirve para enseñarle datos al modelo.
Si le entrenas dentro los datos de tu empresa pasan tres cosas: sale caro, la recuperación no se vuelve más fiable, y con cada cambio vuelves a empezar. Lo que entrenaste no se puede «corregir», solo reentrenar.
Para lo que sí sirve de verdad:
- Un formato fijo que el prompt no respeta con suficiente fiabilidad — por ejemplo un esquema JSON estricto con muchos campos.
- Estilo y tono, difíciles de describir con reglas pero demostrables con muchos ejemplos.
- Una tarea estrecha y repetitiva donde quieres que un modelo menor y más barato haga lo que hoy hace uno grande. Aquí el fine-tuning ahorra dinero de verdad.
- Vocabulario especializado, donde el modelo malinterpreta una y otra vez los términos del oficio.
¿Cuánto cuesta? Lo caro no es el entrenamiento — eso suele salir sorprendentemente barato. Lo caro es preparar los ejemplos. Hacen falta unos cientos de ejemplos buenos y revisados a mano, y eso es trabajo humano.
Coste oculto: cuando el fabricante retire el modelo base sobre el que ajustaste, vuelves a empezar.
El error más frecuente
Una empresa quiere un chatbot sobre su base de conocimiento interna. La primera idea: «entrenemos el modelo con nuestros documentos».
Es la herramienta equivocada. Los documentos cambian, las respuestas necesitan cita, y el conocimiento entrenado no se puede corregir en un punto concreto. Esto es tarea de RAG, casi siempre.
El error inverso es más raro, pero existe: alguien se pasa meses puliendo un prompt de diez páginas para imponer un formato estricto, cuando doscientos ejemplos y fine-tuning lo resolverían en una hora.
No se excluyen entre sí
En la práctica, los mejores sistemas combinan: RAG para los hechos, fine-tuning para la forma, y un buen prompt por encima de los dos. En una solución de atención al cliente, el RAG trae los datos de producto, el fine-tuning mantiene el tono de la empresa y el system prompt pone los límites.
Pero el orden sigue siendo el mismo: prompt, luego RAG, y fine-tuning solo al final.
Un orden de decisión, en cinco minutos
- ¿Le has dado de verdad el material con el que debe trabajar? Si no, empieza por ahí.
- ¿Has dicho con precisión el formato y qué hacer cuando falte información?
- Si eso está resuelto y el problema es el contenido → RAG.
- Si eso está resuelto y el problema es la forma o el estilo → fine-tuning.
- Si eso está resuelto y el problema es el coste → un modelo menor, quizá con fine-tuning.
Qué llevarte
Los hechos van en RAG, los modales en fine-tuning, y los dos necesitan un buen prompt por delante. Esas tres frases salvan más implantaciones que ninguna elección de herramienta.