Un modelo de lenguaje, por sí solo, responde desde lo que "recuerda" de su entrenamiento. Eso sirve para conversar, pero es peligroso cuando la pregunta es sobre el reglamento interno de su colegio: el modelo no lo conoce, y si lo intenta, inventa.

La solución se llama RAG, por Retrieval-Augmented Generation (generación aumentada por recuperación). En lugar de pedirle al modelo que responda de memoria, primero recuperamos los fragmentos exactos de sus documentos que tratan la pregunta, y se los entregamos como contexto para que responda sobre ellos.

Cómo funciona, paso a paso

Ingesta. Cuando su colegio sube un reglamento, protocolo o circular, MilenIA lo divide en fragmentos manejables y calcula un embedding de cada uno: una representación numérica de su significado.
Recuperación. Ante una pregunta, MilenIA busca entre esos fragmentos los más cercanos en significado —no solo los que comparten palabras— y selecciona los más relevantes.
Generación con contexto. El modelo recibe la pregunta junto con esos fragmentos y redacta la respuesta apoyándose en ellos, citando el documento y el pasaje de origen.

Por qué esto cambia todo

Responde sobre su realidad, no sobre un promedio de internet. Si su reglamento dice algo particular, MilenIA lo refleja.
Cada respuesta es trazable: se puede abrir el documento y verificar el fragmento exacto que la respaldó.
Se actualiza sola: cuando cambia un documento, cambian las respuestas. No hay que reentrenar nada.

RAG es la diferencia entre un asistente que suena convincente y uno en el que su equipo directivo puede confiar para tomar decisiones. Y es, además, la base sobre la que MilenIA evita las alucinaciones.