Cómo entrenar un modelo de IA: RAG, ajuste fino o desde cero

Para tener un modelo propio casi nunca hace falta entrenarlo desde cero. Lo normal es empezar con instrucciones y documentos (RAG) y pasar al ajuste fino solo si eso no basta.

Entrenar desde cero queda para quien dispone de datos y cómputo a escala de laboratorio. Aquí verás cuándo conviene cada opción, qué datos pide y cuánto cuesta en esfuerzo.

¿Qué significa «entrenar un modelo de IA»?

La expresión se usa para tres cosas distintas. Confundirlas lleva a gastar tiempo y dinero en lo que no toca.

• Instrucciones y documentos (RAG): el modelo no cambia. En cada consulta le das contexto y reglas.
• Ajuste fino: partes de un modelo ya entrenado y modificas sus pesos con tus propios ejemplos.
• Entrenar desde cero: creas el modelo entero, con pesos que empiezan siendo aleatorios.

Los asistentes como ChatGPT, Gemini o Claude ya vienen preentrenados. Son modelos de lenguaje de gran tamaño (LLM) que aprendieron patrones del idioma con cantidades enormes de texto.

Tu trabajo casi nunca es repetir eso. Es adaptar lo que ya existe a tu caso.

¿Qué opción te conviene: RAG, ajuste fino o desde cero?

Depende de qué falla hoy. Si el modelo no conoce tus datos, necesitas contexto. Si no sigue tu estilo o tu formato, necesitas ejemplos. Si no existe un modelo base que te sirva, necesitas partir de cero.

Opción	Qué modificas	Datos necesarios	Coste (esfuerzo y dinero)	Conviene cuando	Límite principal
Instrucciones y RAG	El texto que recibe el modelo	Documentos propios, limpios y vigentes	Bajo	Quieres respuestas basadas en tus manuales, políticas o catálogos	Depende de que se recupere el fragmento correcto
Ajuste fino	Los pesos del modelo, total o parcialmente	Cientos o miles de ejemplos de entrada y salida bien revisados	Medio (el grueso es preparar los datos)	Necesitas un tono, un formato o una tarea repetitiva que el prompt no fija	No es buen método para meter conocimiento que cambia
Desde cero	Todo: arquitectura, datos y pesos	Un corpus gigantesco, filtrado y con derechos claros	Muy alto	Necesitas un modelo base propio por control, idioma o dominio	Cómputo, equipo especializado y riesgo de resultado peor que un modelo existente

La columna de datos es orientativa, no una cifra. Depende de la tarea y de lo consistentes que sean los ejemplos.

Tres preguntas para decidir

1. ¿El problema es que el modelo no conoce tu información? Empieza por RAG.
2. ¿El problema es el estilo, el formato o una tarea que se repite y el prompt no la clava? Prueba el ajuste fino.
3. ¿Necesitas un modelo base propio y puedes justificar el coste? Solo entonces, entrenar desde cero.

Prueba en ese orden. Cada escalón cuesta más que el anterior y a menudo el primero ya resuelve el caso.

¿Cómo montar un modelo con tus documentos (RAG)?

RAG significa generación aumentada por recuperación. La idea viene del paper original de Lewis y colaboradores: buscar información relevante y dárselo al modelo antes de que responda.

No entrena nada. Por eso puedes actualizar un documento hoy y ver el cambio en la respuesta de hoy.

Pasos generales

1. Reúne documentos fiables. Manuales, políticas, preguntas frecuentes, fichas de producto.
2. Límpialos. Elimina duplicados y versiones antiguas. Si dos documentos se contradicen, el modelo dudará igual que una persona.
3. Divídelos en fragmentos con sentido. Una sección o una pregunta con su respuesta funcionan mejor que páginas enteras.
4. Indexa los fragmentos. Se convierten en vectores numéricos (embeddings) que permiten buscar por significado, no solo por palabras exactas.
5. Recupera y responde. En cada pregunta se buscan los fragmentos más cercanos y se pasan al modelo junto con tus instrucciones.
6. Evalúa con preguntas reales. Incluye algunas cuya respuesta no esté en los documentos.

Muchos asistentes permiten subir archivos y hacen estos pasos por ti. Si quieres montarlo con más control, tienes la guía para crear un asistente virtual.

Un ejemplo: atención al cliente de una tienda

Imagina una tienda ficticia de material de running con su política de devoluciones en un documento. Este es el prompt del sistema y una consulta:

Eres el asistente de atención al cliente de Cumbre Running.
Responde solo con la información de los documentos adjuntos.
Si la respuesta no aparece, di: "No tengo ese dato, te paso con una persona".
No inventes plazos ni condiciones. Cita el nombre del documento.

Pregunta del cliente: ¿Puedo devolver unas zapatillas que ya usé en una carrera?

Resultado esperado: una respuesta breve que aplica lo que diga el documento (por ejemplo, que solo se aceptan productos sin uso) y cita «Política de devoluciones». Si el documento no menciona el caso, debe usar la frase de derivación.

Ese segundo comportamiento es la mejor prueba. Un sistema que responde siempre, aunque no sepa, es peligroso. Para afinar estas instrucciones te ayudará leer sobre prompt engineering.

Límite: si la búsqueda trae el fragmento equivocado, el modelo responderá bien… con el dato equivocado. Revisa qué fragmentos recupera, no solo la respuesta final.

¿Cómo se hace un ajuste fino paso a paso?

El ajuste fino enseña al modelo cómo responder, no qué datos concretos recordar. Sirve para fijar un tono de marca, un formato estricto (por ejemplo JSON), una clasificación o una tarea repetitiva.

No es buena idea usarlo para que «se aprenda» tus precios o tus normas. Eso cambia y se resuelve mejor con RAG.

Qué datos necesitas

Necesitas pares de entrada y salida deseada. Cada par es un ejemplo de lo que quieres que el modelo haga ante un caso real.

• Representativos: que reflejen la variedad de casos que verás en producción, incluidos los raros.
• Consistentes: si dos ejemplos similares tienen salidas contradictorias, el modelo aprende ruido.
• Revisados por una persona: la calidad pesa más que la cantidad. Es mejor un conjunto pequeño y limpio que uno grande y desordenado.
• Con permiso para usarse: anonimiza datos personales y comprueba licencias.

Si trabajas con datos de clientes o empleados, revisa el RGPD y el Reglamento europeo de inteligencia artificial. Esto es información general, no asesoramiento legal. Ante la duda, consulta con un profesional.

Cómo es un dataset de ajuste fino

Un formato habitual es JSONL: un ejemplo por línea. Este ejemplo enseña a clasificar correos de soporte y devolver siempre el mismo JSON:

{"messages":[{"role":"system","content":"Clasifica el correo en: factura, envio, devolucion u otro. Responde solo con JSON."},{"role":"user","content":"Hola, mi pedido lleva diez días sin llegar."},{"role":"assistant","content":"{"categoria":"envio","urgencia":"media"}"}]}
{"messages":[{"role":"system","content":"Clasifica el correo en: factura, envio, devolucion u otro. Responde solo con JSON."},{"role":"user","content":"Me habéis cobrado dos veces el mismo pedido."},{"role":"assistant","content":"{"categoria":"factura","urgencia":"alta"}"}]}
{"messages":[{"role":"system","content":"Clasifica el correo en: factura, envio, devolucion u otro. Responde solo con JSON."},{"role":"user","content":"¿Tenéis tienda física en Valencia?"},{"role":"assistant","content":"{"categoria":"otro","urgencia":"baja"}"}]}

El formato exacto cambia según el proveedor o la librería. Consulta la documentación de ajuste fino de OpenAI o la de Hugging Face si usas modelos abiertos.

Pasos del proceso

1. Mide una línea base. Prueba la tarea con un buen prompt y algunos ejemplos dentro. Muchas veces ya funciona.
2. Reúne y limpia los ejemplos. Elimina duplicados, errores y casos ambiguos.
3. Divide los datos. Un grupo para entrenar, otro para validar durante el proceso y otro de prueba que no se toca hasta el final.
4. Elige el método. Puedes usar el servicio gestionado de un proveedor o ajustar un modelo abierto. En el segundo caso es habitual usar LoRA, que congela los pesos originales y entrena matrices pequeñas añadidas. Así se necesita bastante menos memoria.
5. Entrena y vigila. Si el error baja en entrenamiento pero sube en validación, hay sobreajuste. Reduce las épocas, baja la tasa de aprendizaje o añade ejemplos más variados.
6. Evalúa en el conjunto de prueba. Compara con la línea base. Si no mejora de forma clara, no merece la pena el ajuste.

Un cálculo sencillo para decidir

Supón que reservas 40 correos de prueba. Con el prompt, el modelo acierta 31 categorías. Después del ajuste fino acierta 37.

Eso es 31/40 = 77,5 % frente a 37/40 = 92,5 %: quince puntos más. Son cifras hipotéticas. Con una muestra tan pequeña, el resultado es frágil, así que en un proyecto real usa más casos de prueba.

Sobre el coste: con un servicio gestionado, lo más caro suele ser preparar y revisar los datos. Con un modelo abierto se suma el cómputo con GPU, propio o alquilado, y alguien que sepa manejarlo.

¿Tiene sentido entrenar un modelo desde cero?

Depende de qué entiendas por modelo. Un modelo de lenguaje grande desde cero exige un corpus enorme, mucho cómputo y un equipo con experiencia. Para casi cualquier empresa o persona, no compensa.

Los pasos generales dan idea del volumen de trabajo:

1. Recopilar y filtrar un corpus con derechos claros.
2. Diseñar el tokenizador y la arquitectura.
3. Preentrenar el modelo durante un largo periodo de cómputo.
4. Ajustarlo para que siga instrucciones.
5. Alinearlo y evaluarlo con pruebas amplias.

Y aun así, el resultado puede ser peor que un modelo existente al que le añades RAG. Solo se justifica por razones de control, de soberanía de datos, de un idioma poco cubierto o de un dominio muy especializado.

Distinto es entrenar desde cero un modelo pequeño para una tarea concreta. Predecir la demanda de una tienda, detectar defectos en una imagen o clasificar documentos son casos viables con redes neuronales o machine learning clásico.

Aquí sí importan los conceptos de siempre: dividir bien los datos, regularizar para evitar el sobreajuste y probar tasa de aprendizaje, tamaño de lote y número de épocas. Un conjunto de datos propio, aunque sea modesto, puede bastar.

Por dónde empezar

Si quieres que un asistente responda con la información de tu negocio, empieza por RAG: reúne cuatro o cinco documentos limpios, escribe instrucciones claras y pruébalo con preguntas reales, incluidas las que no deberían tener respuesta. Si después necesitas un formato o un tono que no consigues fijar con el prompt, prepara un conjunto pequeño de ejemplos revisados y haz un ajuste fino. Deja el entrenamiento desde cero para cuando tengas un motivo claro y recursos para sostenerlo. Si lo planteas para una empresa pequeña, te servirá la guía de IA para pymes.

Preguntas frecuentes

¿Puedo entrenar un modelo en mi propio ordenador?

Los modelos pequeños y técnicas eficientes como LoRA pueden funcionar en un equipo con una GPU adecuada. Para modelos grandes se suele alquilar cómputo. Y entrenar desde cero un modelo de lenguaje grande no es realista en un equipo doméstico.

¿Es mejor RAG o ajuste fino?

No compiten: resuelven problemas distintos. RAG aporta conocimiento que cambia y el ajuste fino fija el comportamiento. Muchos sistemas usan los dos.

¿Mis datos servirán para entrenar el modelo del proveedor?

Depende del servicio, del plan y de la configuración. Revisa las condiciones de uso y las opciones de privacidad antes de subir información sensible o de clientes.

¿Cuántos ejemplos necesito para un ajuste fino?

No hay una cifra válida para todo. Empieza con un conjunto pequeño y limpio, mide contra tu línea base y amplía solo si ves mejora y descubres casos que faltan.