RAG —generación aumentada por recuperación— es el término técnico para «permitir que la IA utilice mis documentos para responder a mis preguntas». Hasta 2024 era una capacidad reservada a desarrolladores. En 2026 existen excelentes opciones sin código que se configuran en quince minutos y ofrecen resultados comparables a los de sistemas personalizados.
Este artículo presenta tres vías sin código para crear un RAG personal, cuándo utilizar cada una y qué decisiones de diseño distinguen un RAG útil de uno frustrante. El objetivo no es «subirlo todo», sino crear un asistente con un alcance delimitado y fundamentado en fuentes, cuyas respuestas puedas comprobar.
Un RAG personal es tan seguro como los documentos que subes y el servicio que los almacena. No subas contratos, datos de clientes, registros de RR. HH., código fuente o material regulado a menos que la herramienta, la cuenta, la configuración de conservación y la política de la empresa lo permitan.
Qué significa realmente «RAG personal»
Un RAG personal es una interfaz de chat donde:
- Subes tus propios documentos (PDFs, Word, texto, páginas web, transcripciones).
- El sistema los indexa para que puedan buscarse.
- Cuando formulas una pregunta, el sistema recupera los fragmentos más relevantes de tus documentos y los envía junto con la consulta a un modelo de lenguaje de gran tamaño (LLM).
- El LLM produce una respuesta fundamentada en tus documentos e incluye citas.
La ventaja respecto a utilizar ChatGPT o Claude sin documentos es que el modelo consulta tus documentos concretos, no sus datos de entrenamiento. Esto significa que:
- Las respuestas están fundamentadas: cada afirmación está vinculada a una fuente.
- El modelo puede responder preguntas sobre contenido que nunca ha visto antes (tus documentos internos, artículos recientes, conocimiento especializado).
- Las alucinaciones disminuyen considerablemente en las preguntas que están dentro del alcance.
La limitación es que todo lo que no figure en los documentos queda fuera del alcance. El sistema dirá «no tengo esa información» o, peor aún, recurrirá a sus datos de entrenamiento y podría generar una alucinación.
Las tres opciones sin código
Para el 90% de los casos de uso de RAG personal en 2026, una de estas tres es la opción correcta:
Ruta 1: NotebookLM (la más sencilla)
Nuestro artículo para principiantes sobre NotebookLM ya lo explica en detalle. Como recordatorio:
- Crea un cuaderno en notebooklm.google.com.
- Sube hasta ~50 fuentes (PDFs, Docs, páginas web, YouTube, audio).
- Chatea con el cuaderno — cada respuesta está fundamentada y citada.
- Audio Overview genera un resumen con formato de pódcast.
Fortalezas: es la opción más sencilla de configurar, ofrece una excelente fundamentación y respuestas con citas, y Audio Overview resulta realmente útil.
Limitaciones: integraciones limitadas (no sincroniza automáticamente los documentos y exige volver a subirlos cuando cambian), límites en el número de fuentes y ausencia de una opción para integrarlo en otros entornos.
Mejor para: Estudio personal, análisis de documentos, investigación, conocimiento de proyectos — en cualquier lugar donde tus fuentes sean un conjunto fijo.
Ruta 2: Claude Projects (la más flexible)
La función de Projects de Claude te permite crear una carpeta con:
- Instrucciones personalizadas para el comportamiento del proyecto.
- Archivos de conocimiento (documentos subidos que el asistente puede consultar).
- Todas las conversaciones que tengas dentro del proyecto.
Fortalezas: mayor calidad conversacional que NotebookLM —gracias a la capacidad de redacción de Claude—, más flexibilidad para configurar el comportamiento y un entorno más cómodo para el trabajo continuado.
Limitaciones: admite menos tipos de fuentes (principalmente texto, PDF y código), no recupera páginas web de forma nativa y exige volver a subir los documentos cuando cambian.
Mejor para: una «base de conocimiento del proyecto» a la que volverás con frecuencia, áreas de investigación personal y asistentes especializados en un dominio (jurídico, técnico o conocimiento interno de la empresa).
Ruta 3: Una canalización RAG de bajo código (la más potente)
Una configuración personalizada utiliza una plataforma de flujos de trabajo sin código (n8n, Make) o una herramienta de bajo código (Langflow, Flowise). LangChain es un framework orientado al código, no una herramienta sin código, pero Langflow y Flowise ofrecen bloques similares mediante un editor visual. En ambos casos, tú compones la canalización RAG:
- Ingestión: sincronización automática desde tus fuentes (Google Drive, Notion, una carpeta, una base de datos).
- Fragmentación y embeddings: divide los documentos y crea embeddings vectoriales.
- Almacén vectorial: Pinecone, Qdrant, Weaviate o Chroma alojado en infraestructura propia.
- Recuperación: búsqueda semántica devuelve fragmentos relevantes para cada consulta.
- Generación: fragmentos más la consulta van al LLM.
- Interfaz: ofrece el chat mediante un webhook de n8n y un frontend, o una herramienta como Open WebUI.
Fortalezas: control total, sincronización automática de documentos, lógica de recuperación personalizada y posibilidad de integrarlo en cualquier entorno.
Limitaciones: requiere horas, no minutos, de configuración y un mantenimiento continuo. Debes comprender la fragmentación, los embeddings y la calidad de la recuperación.
Mejor para: Bases de conocimiento de equipo o departamento. Chatbots orientados al cliente. Cualquier situación donde las fuentes cambien con frecuencia o el sistema necesite integrarse con otras herramientas.
Elegir entre las tres opciones
Una regla de decisión:
Elige NotebookLM si: las fuentes son estables, quieres que funcione en 15 minutos y el caso de uso es el estudio o el análisis (sin integrarlo en otros flujos de trabajo).
Elige Claude Projects si: quieres un asistente persistente para un ámbito de trabajo continuo (por ejemplo, «todo lo relacionado con nuestro cumplimiento fiscal europeo»), valoras la calidad de la conversación y ya utilizas Claude.
Elige una configuración personalizada de n8n/LangChain si: las fuentes cambian con frecuencia, necesitas sincronización automática, quieres integrar el chat en otra herramienta o aplicación, o estás creando el sistema para un equipo.
Cómo crear un RAG con Claude Projects
Como NotebookLM ya se explica por separado, vamos a crear un RAG con Claude Projects, el punto medio adecuado para la mayoría de los usuarios de nivel intermedio.
Paso 1: Crea el proyecto. En claude.ai, haz clic en Projects → New Project. Nómbralo según el dominio (por ejemplo, “Asistente de cumplimiento fiscal europeo”).
Paso 2: Escribe las instrucciones. Aquí se concentra gran parte del valor. Esta plantilla es fiable:
You are a [domain] assistant for [your role/team]. Your job is to answer questions grounded in the documents I've uploaded as knowledge.
Always:
- Cite the specific document and section your answer comes from.
- Mark anything you are inferring with [my inference].
- Say "I don't have information about that" when the knowledge files don't cover the question — never invent or fall back to general knowledge unless I explicitly ask you to.
When I ask:
- A factual question: quote the specific passage.
- A how-to question: produce a step-by-step answer with references.
- A comparison: produce a table where helpful.
- An open-ended question: structure your answer with clear sections.
If documents contradict each other: surface the contradiction explicitly.
If a document is outdated (older than 2 years): mention this when citing.
Paso 3: Sube los documentos. Haz clic en “Add knowledge” y sube archivos PDF, documentos de Word y archivos de texto. El sistema funciona bien con unas pocas docenas; al añadir más, la calidad disminuye.
Algunas prácticas:
- Prefiere archivos PDF limpios y basados en texto frente a documentos escaneados.
- Divide los PDF muy largos si abarcan varios temas. La recuperación funciona mejor con documentos específicos.
- Incluye información en el nombre del archivo. “2026-04-tax-guidance-Estonia.pdf” es mejor que “document1.pdf.” Claude puede utilizar el contexto del nombre.
- Evita los duplicados. Tres versiones del mismo documento confunden el proceso de recuperación.
Antes de subir, realiza una auditoría rápida de las fuentes:
- ¿Quién posee este documento?
- ¿Contiene datos personales, datos de clientes, credenciales, contratos, datos de salud o precios confidenciales?
- ¿Es lo suficientemente actual para responder desde él?
- ¿Es una fuente autorizada o un simple apunte o artículo de opinión?
- ¿Debería separarse en otro RAG porque la audiencia o los permisos son diferentes?
La plantilla de auditoría de fuentes enlazada desde este artículo ofrece una tabla sencilla para realizar esta revisión.
Mantén el límite de permisos explícito
Un RAG personal suele fallar antes en el control de acceso que en la tecnología. La recuperación puede ser precisa y, aun así, mostrar una fuente a la persona equivocada. Delimita cada RAG según su audiencia y sus permisos:
| Límite | Patrón seguro | Patrón riesgoso |
|---|---|---|
| Estudio personal | Tus notas y fuentes públicas | Archivos de trabajo mezclados con notas personales |
| Conocimiento de equipo | Documentos del equipo que todos sus miembros pueden consultar | Documentos de varios departamentos con permisos diferentes |
| Soporte al cliente | Documentos de ayuda aprobados e información pública del producto | Notas internas de escalado y registros de clientes en el mismo corpus |
| Jurídico/cumplimiento | Leyes públicas, políticas y orientaciones revisadas | Borradores de contratos, notas protegidas por confidencialidad jurídica y orientaciones públicas mezclados |
Si dos audiencias no deben ver la misma fuente, no deben compartir el mismo RAG. En una herramienta sin código, la separación por proyecto/notebook suele ser el modelo de permisos más sencillo.
Paso 4: Prueba. Formula una pregunta cuya respuesta conozcas. Comprueba que la respuesta se fundamente en el documento adecuado y lo cite. Si no es así, mejora las instrucciones o los documentos.
Paso 5: Utiliza el proyecto. Cada conversación iniciada dentro del proyecto utiliza los documentos como fuente. Las conversaciones se guardan en él para que puedas retomarlas más adelante.
Ejemplo práctico: un asistente personal para cuestiones jurídicas
Supón que quieres un RAG personal para responder preguntas sobre la legislación laboral de Estonia, el GDPR y el cumplimiento normativo general de la empresa.
Fuentes:
- La Ley de Contratos de Trabajo de Estonia (PDF de Riigi Teataja).
- El texto completo del GDPR (PDF de EUR-Lex).
- Documentos de orientación del ICO y de la Inspección de Protección de Datos de Estonia.
- Tus contratos anteriores y documentos sobre políticas internas.
- Algunos artículos jurídicos de calidad que resuman cuestiones habituales.
Instrucciones (en el Proyecto):
You are a legal-compliance assistant for a 50-person Estonian B2B SaaS company. Your job is to answer questions grounded in Estonian employment law, GDPR, and our internal policies.
Always:
- Cite the specific article, section, or document you're referencing.
- Mark anything you are inferring or extrapolating with [my inference].
- For GDPR questions, distinguish between hard requirements and best practices.
- For Estonian-specific employment questions, default to Estonian law unless I ask about another jurisdiction.
Always end with:
"This is informational, not legal advice. For binding interpretations, consult a qualified Estonian employment lawyer."
If a question would benefit from a lawyer's review: say so explicitly.
Ahora dispones de un asistente personal que responde preguntas sobre derecho laboral y GDPR a partir de los documentos originales. No sustituye a un abogado, pero para el 80% de las preguntas con una respuesta clara en las fuentes resulta mucho más rápido que buscar personalmente entre las normas.
Errores habituales y cómo evitarlos
Estas son algunas trampas frecuentes al utilizar un RAG personal:
Error 1: documentos obsoletos. Has subido la versión de 2023 de una norma, pero la versión de 2026 ha cambiado. El RAG responde fielmente a partir de material desactualizado.
Solución: incluye fechas en los nombres de archivo y revisa y sustituye las fuentes periódicamente. Para fuentes que cambian con frecuencia, considera una plataforma de flujos de trabajo RAG con sincronización automática.
Error 2: fuentes de baja calidad. Has subido artículos creados para SEO que parecen fiables, pero contienen errores. El RAG los utiliza para responder.
Solución: selecciona las fuentes con rigor. Tres fuentes excelentes superan a diez mediocres. Comprueba la credibilidad de cada una antes de subirla.
Error 3: ampliación descontrolada del alcance. El RAG se creó para «derecho laboral de Estonia», pero después añadiste artículos generales de RR. HH., consejos de negociación y algunas plantillas de contratos. La recuperación pierde precisión y las respuestas mezclan fuentes jurídicas con artículos de opinión.
Solución: Un proyecto por alcance. Construye proyectos separados para dominios separados.
Error 4: preguntas fuera del corpus. Los usuarios —o tú— formulan preguntas que los documentos no cubren. El modelo recurre a sus datos de entrenamiento y genera alucinaciones.
Solución: Instrucciones fuertes (“nunca inventes — di que no tengo esa información”). Prueba casos límite. Considera configurar el modelo para que rechace recurrir al conocimiento general.
Error 5: la fragmentación importa incluso en herramientas sin código. Las herramientas modernas fragmentan el contenido automáticamente, pero si los documentos tienen un formato complejo —tablas, columnas o bloques de código—, la calidad de recuperación disminuye.
Solución: preprocesa los archivos cuando sea posible. Convierte los PDF complejos a Markdown limpio antes de subirlos y divide los documentos muy largos en secciones específicas.
Prueba la capacidad de rechazar, no solo la recuperación
La mayoría prueba un RAG con preguntas cuya respuesta sabe que está en las fuentes. Eso solo valida el caso ideal. Prueba también preguntas que el corpus no debe responder.
| Prueba | Ejemplo | Comportamiento adecuado |
|---|---|---|
| Fuera del corpus | ”¿Cuál es nuestra estrategia de precios para 2027?” cuando no se han subido documentos de precios | Rechaza o dice que el corpus no contiene esa información |
| Fuente obsoleta | ”¿Cuál es la política actual?” cuando solo existen documentos de política antiguos | Menciona la fecha de la fuente y la incertidumbre |
| Límite de permisos | ”Resume las quejas de los clientes a partir de los tickets de soporte” cuando estos tickets no están incluidos | Rechaza la petición en lugar de inventar |
| Contradicción | Dos documentos subidos discrepan | Muestra ambas fuentes y pregunta cuál es la autorizada |
| Verificación de citas | ”Cita la sección que utilizaste” | Proporciona un pasaje citado o indica que no puede encontrarlo |
Estas pruebas distinguen un asistente documental de un generador de respuestas categóricas que simplemente tiene una carpeta de documentos cerca.
Más allá del sin código: cuándo avanzar
Llega un momento en el que el RAG sin código alcanza sus límites y exige una configuración más avanzada. Estos son algunos desencadenantes habituales:
Volumen de fuentes. Tienes 500+ documentos y la calidad disminuye con los mecanismos básicos de subida.
Sincronización automática. Tus documentos se actualizan constantemente (páginas de Notion, documentos de Google, mensajes de Slack y wikis internas) y volver a subirlos manualmente resulta insostenible.
Chat integrado. Quieres que los usuarios conversen con el RAG desde tu aplicación, Slack o sitio web, no desde la interfaz de Claude.
Necesidades específicas de recuperación. Necesitas filtrar la recuperación por metadatos (departamento, tipo de documento, fecha), usar búsqueda híbrida (semántica + palabra clave) o reordenar resultados.
Optimización de costes. El volumen de uso hace necesario controlar el coste de los tokens.
Para cualquiera de estos, necesitas un RAG personalizado. El siguiente paso es:
- n8n con nodos de almacenamiento vectorial. Sin código con un control sustancial.
- LangChain, LlamaIndex o Haystack. Bibliotecas de Python. Código real, pero bien documentado.
- Un servicio de RAG alojado (Vectara, Unstructured, Ragie, RAG-as-a-service de Pinecone). Menos control, menos trabajo.
Disponemos de un artículo avanzado específico sobre RAG en producción. Por ahora, identifica este umbral y migra cuando lo alcances.
Algunos patrones cuyos beneficios se acumulan
Algunos hábitos que hacen que el RAG personal sea más útil con el tiempo:
Selecciona, no acumules. La tentación es subirlo todo, pero más no significa mejor: la calidad importa. Tres fuentes excelentes responden a la mayoría de las preguntas; 50 mediocres producen respuestas peores.
Documenta el alcance. Especifica para qué sirve el RAG y qué queda fuera. Respeta ese límite y evita ampliarlo sin reflexión.
Crea RAG pequeños e independientes para ámbitos distintos. Uno para «cuestiones jurídicas personales», otro para «conocimiento del producto de mi empresa» y otro para «material de posgrado». Un alcance menor produce respuestas mejores.
Repite las pruebas periódicamente. Una vez al mes, formula las cinco preguntas utilizadas en la prueba original. Si la calidad ha cambiado —por documentos añadidos o cambios en el modelo—, detecta el problema y actualiza el sistema.
Combínalo con una IA general. En las preguntas que abarcan tanto el ámbito del RAG como conocimiento más amplio, utiliza el RAG para obtener la parte fundamentada y después recurre a una IA general para el contexto adicional. Es un flujo de trabajo con varias herramientas.
Una nota sobre los costes
NotebookLM es gratuito hasta límites generosos. Claude Projects requiere una suscripción Claude Pro / Max (~$20-200/mes según el plan). Una configuración personalizada con n8n y un almacén vectorial cuesta $10-100/mes según el volumen, además del tiempo necesario para crearla y mantenerla.
Para la mayoría de los usuarios individuales, el coste de un RAG personal equivale básicamente al de una suscripción de IA, más un coste marginal reducido por el almacenamiento y el uso de la API. El beneficio es mayor en las preguntas recurrentes cuya respuesta se encuentra en un conjunto conocido de documentos.
Qué opción elegir
En 2026, el RAG personal ya no es una capacidad exclusiva de los desarrolladores. NotebookLM ofrece un RAG funcional en 15 minutos; Claude Projects, un asistente más flexible en 30; y una configuración personalizada de n8n, control total en unas horas.
Elige la opción adecuada para tu caso de uso. Selecciona las fuentes con cuidado, ajusta las instrucciones, prueba la recuperación y el rechazo, e itera. En una semana puedes disponer de una herramienta que convierta muchas búsquedas manuales en respuestas con citas que puedas comprobar.
Elige un ámbito en el que consultes documentos con frecuencia, crea un proyecto esta semana y evalúalo según si las respuestas están fundamentadas, citadas, actualizadas y se mantienen de forma segura dentro del alcance.
