Más allá de RAG: GraphRAG y recuperación híbrida para la IA empresarial

La recuperación aumentada por generación (RAG) funciona bien para preguntas sencillas sobre un corpus bien curado, pero en la empresa real se queda corta. Consultas con siglas ambiguas, documentos que usan terminología distinta para el mismo concepto y la imposibilidad de medir la confianza son solo algunos de los problemas que aparecen al escalar. Un ingeniero que ha construido tres generaciones de sistemas de recuperación inteligente comparte lo que ha aprendido.

Primera generación: recuperación híbrida

Ningún método de búsqueda por sí solo basta. La búsqueda vectorial capta el significado semántico, pero entierra coincidencias exactas. Por eso se necesita una estrategia híbrida: ejecutar en paralelo búsqueda densa por vectores y búsqueda dispersa con BM25, y fusionar los resultados.

El autor insiste en tres detalles que los tutoriales suelen omitir. La deduplicación multinivel (por identificador, por ubicación y por huella de contenido) evita que el conjunto candidato se infle con redundancia. La fusión de rankings con RRF (Reciprocal Rank Fusion) combina puntuaciones heterogéneas sin normalizar. Y la ejecución asíncrona reduce la latencia hasta un 40% sin sacrificar calidad. Un reranker cross-encoder afina el resultado final.

Segunda generación: el grafo de conocimiento entra en escena

RAG trata cada fragmento de documento como un islote aislado. No entiende de entidades ni relaciones. Aquí entra GraphRAG: añadir una capa de grafo de conocimiento que enriquece la recuperación con estructura del dominio.

La extracción de entidades es el punto crítico. Frente a la costumbre de usar un LLM para extraer entidades, el autor propone extracción determinista basada en reglas, con pasadas sucesivas de coincidencia por frases, normalización y tokens. Es más rápida (microsegundos), sin coste marginal y, sobre todo, determinista: necesario en entornos regulados donde la reproducibilidad es obligatoria.

Con las entidades etiquetadas, se puede añadir una señal de grafo que puntúe los fragmentos por cuántas entidades relevantes contienen, y combinarla con las señales vectoriales y de palabras clave mediante el mismo mecanismo RRF. Así los documentos que mencionan las entidades correctas, aunque usen lenguajes superficiales distintos, salen a la luz.

La pieza no describe una implementación concreta, pero el enfoque está ganando tracción. Para quien mantiene sistemas RAG en producción, este artículo es un recordatorio útil: la recuperación no es solo embudos vectoriales, y el conocimiento estructurado del dominio puede ser el empujón que falta para que la IA empresarial deje de alucinar y empiece a razonar.