RAG vs ChatGPT en contratación pública | Tendios
La inteligencia artificial generativa ha ampliado el acceso a herramientas de análisis y redacción para cualquier profesional del sector. Hoy, un técnico de contratación puede pedirle a un sistema de IA que resuma un pliego o redacte un borrador de informe en minutos.
Sin embargo, cuando esta tecnología se aplica a la contratación pública, la falta de rigor documental puede comprometer el expediente. En un entorno regulado por la Ley de Contratos del Sector Público (LCSP) y sometido a fiscalización, un dato incorrecto no es un error menor: tiene consecuencias legales directas.
Por eso, los responsables de tecnología y seguridad del sector están optando por arquitecturas avanzadas como RAG (Retrieval-Augmented Generation) frente al uso de modelos genéricos. Pero ¿en qué se diferencian exactamente y cuándo debe usarse cada uno?
El riesgo estructural: por qué la IA generalista inventa datos
Los Grandes Modelos de Lenguaje (LLM) generalistas, como ChatGPT o Gemini, no son bases de conocimiento verificado. Son motores probabilísticos de predicción de texto: han procesado grandes volúmenes de información, pero no distinguen entre lo que es cierto y lo que es plausible. Calculan qué palabra es estadísticamente más probable que continúe una frase.
El problema crítico en el ámbito jurídico es que estos modelos están diseñados bajo un imperativo de "responder siempre". Su objetivo es mantener la fluidez de la conversación, no garantizar la exactitud factual.
Ante una laguna de información específica (por ejemplo, el contenido exacto de un artículo de la LCSP o un expediente concreto no incluido en su entrenamiento), el modelo no admite ignorancia. En su lugar, genera texto que respeta la estructura del lenguaje jurídico pero que puede ser ficticio. Este fenómeno se llama "alucinación": la IA produce datos, fechas, artículos o jurisprudencia inexistentes con total coherencia gramatical.
En procesos de licitación, una alucinación puede materializarse como una referencia normativa incorrecta en un pliego, un artículo de la LCSP mal citado en una propuesta técnica, o un criterio de adjudicación que no existe en el expediente real.
Qué es RAG y cómo resuelve el problema
RAG (Retrieval-Augmented Generation, o Generación Aumentada por Recuperación) es una arquitectura que impide que la IA responda "de memoria". En lugar de generar texto a partir de su entrenamiento general, el sistema consulta primero una base documental verificada antes de producir cualquier respuesta.
El flujo funciona en tres pasos:
Paso 1. Recuperación (Retrieval): Cuando el usuario formula una consulta, el sistema no accede directamente al modelo de lenguaje. Primero busca en una base de datos vectorial donde están indexados los documentos relevantes: la LCSP vigente, los pliegos del expediente o la normativa sectorial aplicable.
Paso 2. Filtrado: El sistema selecciona únicamente los fragmentos que contienen información pertinente para esa consulta concreta. Por ejemplo, el texto exacto del artículo 204 de la LCSP si la pregunta versa sobre modificación contractual.
Paso 3. Generación: El modelo de lenguaje recibe esos fragmentos con una instrucción estricta: responder usando exclusivamente esa información. Si la respuesta no está en los documentos, el sistema lo indica de forma explícita en lugar de generar una respuesta plausible.
En Tendios, esta arquitectura opera sobre una base vectorial que indexa los documentos de cada expediente de forma incremental y determinista. Cada respuesta generada es trazable hasta el fragmento exacto del pliego o la norma que la fundamenta.
Comparativa directa: IA genérica frente a arquitectura RAG
| Característica | IA genérica (ChatGPT, Gemini...) | Arquitectura RAG (Tendios) |
|---|---|---|
| Fuente de conocimiento | Memoria de entrenamiento (internet pasado) | Base documental actualizada por expediente |
| Respuesta ante información no disponible | Genera texto plausible ("alucinación") | "No hay información suficiente en los documentos" |
| Trazabilidad | Sin fuentes verificables | Cita directa al BOE, pliego o normativa |
| Actualización | Corte de conocimiento fijo | Reindexación incremental por expediente |
| Riesgo legal | Alto en contextos normativos | Reducido: respuestas acotadas al documento |
Esta diferencia tiene consecuencias directas en la validez jurídica de los documentos que produce la IA y en la responsabilidad del técnico que los firma.
Caso real en Tendios: cómo el RAG valida el cumplimiento de sostenibilidad en un pliego
Un técnico de contratación debe validar si un pliego de 150 páginas cumple con los criterios medioambientales exigidos por la normativa vigente, concretamente los requisitos del artículo 201 de la LCSP.
Sin RAG: El técnico descarga el PDF, busca referencias mediante búsqueda de texto, abre el BOE para cotejar el artículo aplicable, consulta la guía de contratación ecológica y redacta el informe de conformidad. Tiempo estimado: 3 horas.
Con Tendios (RAG): El técnico sube el pliego a la plataforma y formula la consulta: "¿Cumple con los requisitos del Art. 201 LCSP?" El sistema escanea el documento, cruza el contenido con el texto vigente de la ley indexado en su base documental y genera un informe de conformidad con citas directas al pliego y al artículo. Tiempo estimado: 20 minutos.
La diferencia no es solo operativa. En el proceso con RAG, cada afirmación del informe es verificable: el técnico puede acceder al fragmento exacto del pliego y al artículo de la LCSP que fundamenta cada conclusión. En el proceso manual, el riesgo de interpretación incorrecta no queda documentado ni es auditable en caso de impugnación o fiscalización.
Cuándo usar cada herramienta
No se trata de sustituir por completo los modelos genéricos, sino de aplicar la herramienta adecuada a cada tipo de tarea.
Cuándo un LLM genérico es suficiente:
- Generación de ideas iniciales sin implicación normativa
- Redacción de comunicaciones internas no confidenciales
- Resumen de noticias generales del sector
Cuándo es necesaria una IA con arquitectura RAG:
- Redacción de pliegos (PCAP/PPT) con exigencia de seguridad jurídica
- Consultas sobre artículos concretos de la LCSP u otra normativa aplicable
- Validación del cumplimiento normativo de un expediente
- Análisis de criterios de adjudicación sobre un pliego específico
En la práctica administrativa, los errores más frecuentes no provienen de usar mal la IA, sino de aplicar la herramienta equivocada a la tarea equivocada. Si quieres profundizar en cómo los agentes de IA están ampliando estas capacidades más allá del análisis documental individual, consulta: Automatización inteligente con Agentes IA.
Los límites del RAG
La arquitectura RAG reduce significativamente el riesgo de alucinación, pero no lo elimina de forma absoluta. La calidad de las respuestas depende directamente de la calidad y actualización de la base documental. Si la normativa indexada no refleja la última modificación publicada en el BOE, la respuesta será correcta respecto a la versión anterior pero inexacta respecto a la vigente.
Tendios mitiga esto mediante reindexación incremental desde fuentes oficiales, pero la supervisión humana del resultado sigue siendo necesaria. La IA especializada no reemplaza el criterio jurídico del técnico: lo asiste con información verificada para que ese criterio se aplique sobre una base documental sólida.
Para conocer cómo Tendios garantiza la seguridad del dato, el cumplimiento del Esquema Nacional de Seguridad (ENS) y la soberanía documental en este proceso, consulta: Seguridad IA en el sector público: ENS y RGPD.
Conclusión: RAG como herramienta de auditoría, no solo de automatización
En el sector público, las decisiones deben poder justificarse. La diferencia entre un modelo de IA genérico y una arquitectura RAG no es de velocidad ni de interfaz: es de trazabilidad y responsabilidad documental.
Al priorizar la verificabilidad sobre la fluidez, la tecnología RAG convierte la inteligencia artificial en un asistente profesional para la gestión de expedientes complejos, eliminando la dependencia del dato plausible que no puede ser auditado.
