Base de conocimiento y entrenamiento: la diferencia

Ejemplos ilustrativos: los casos de Valencia y Zaragoza son ficticios y no corresponden a clientes de Ciade. Una instaladora de climatización de Valencia quiere preparar respuestas sobre mantenimiento y garantías. Administración reúne la tarifa y las condiciones vigentes. La aplicación consulta esos documentos y prepara un borrador con la referencia utilizada. Una persona revisa la vigencia, el desplazamiento y las excepciones antes de enviar el presupuesto.

El modelo aporta capacidades aprendidas, como redactar; los documentos aportan las condiciones de esa instaladora. Si mañana cambia una cobertura, el trabajo consiste en sustituir la fuente y comprobar qué utiliza la aplicación. El sistema no debe inventar una garantía, confirmar existencias ni reservar una visita porque haya encontrado un manual: esas decisiones necesitan su fuente y una acción autorizada.

La base es el material consultable. RAG es una forma de utilizarlo: la aplicación busca pasajes pertinentes y los entrega al modelo antes de que redacte. También puedes adjuntar un documento que quepa en el contexto, la información disponible para esa respuesta, sin montar esa búsqueda. Ninguna de esas consultas exige cambiar los parámetros. Si necesitas resumir un manual completo, comprueba que el método permita revisar el conjunto: recuperar pasajes puede dejar fuera partes del documento.

Un adaptador es una parte adicional que se entrena para adaptar un modelo sin modificar necesariamente todos sus parámetros originales. Por eso entrenar puede consistir en adaptar solo una parte del modelo. La comparación entre RAG y ajuste fino entra en esa decisión técnica; aquí importa distinguir la documentación que se consulta del aprendizaje que cambia la forma de resolver una tarea.

Define qué tiene que mejorar. Una empresa de mantenimiento industrial de Zaragoza quiere clasificar incidencias y preparar fichas internas. Primero prueba instrucciones, ejemplos y manuales. Si el formato o la clasificación falla de forma repetida, puede estudiar un ajuste fino. La responsable reserva casos que no se utilicen para entrenar y compara los resultados con el modelo de partida. Una ficha mejor redactada no demuestra exactitud técnica ni autoriza a declarar segura una máquina.

El autoservicio de ajuste de OpenAI está en retirada. No admite empresas nuevas en esa función y exige actividad previa a clientes existentes. El cierre anunciado de nuevos entrenamientos es el 6 de enero de 2027. GPT-4.1 mini y sus variantes afinadas se retiran el 14 de enero de 2027. Tener acceso a la API desde España no elimina esas restricciones: si empiezas ahora, no lo trates como una vía abierta de contratación.

Pide una prueba del problema que tienes. Si recibes una propuesta de «entrenar la IA de tu empresa», pregunta qué entregarán: documentos consultables, instrucciones o una versión adaptada del modelo. Pide que expliquen cómo se actualizan las fuentes, quién mantiene el sistema y cómo comprobarán la mejora.

Empieza por un alcance que puedas revisar. Para preparar una implantación con las fuentes y tareas de tu negocio, puedes acudir a la consultoría de Ciade. Si antes necesitas aclarar los términos, sigue con base de conocimiento y entrenamiento de un modelo.