Cambios distintos
RAG recupera fuentes para una solicitud. El ajuste fino modifica el comportamiento del modelo mediante ejemplos de entrenamiento. Citar una política nueva es un requisito distinto de mantener un estilo estable de clasificación. Ningún método elimina la necesidad de evaluar las salidas o controlar quién puede acceder a los datos.
En una empresa ficticia de reparaciones, cambia el documento de garantías mientras el formato de respuesta sigue igual. Empieza por recuperar la revisión aprobada y comprobar la pertenencia de las citas. Los ejemplos de entrenamiento no demuestran por sí solos que una respuesta haya utilizado la política vigente. Si las decisiones de enrutamiento siguen fallando pese a instrucciones claras y ejemplos representativos, evalúa ese problema de comportamiento antes de plantear un entrenamiento.
Evidencias para decidir
Mantén conjuntos fijos de desarrollo y de evaluación reservada. Comprueba por separado la vigencia de las fuentes, las respuestas sin respaldo y los permisos, además del formato. Un método que mejore una dimensión puede no cambiar otra. Combinar recuperación y entrenamiento tampoco hace equivalentes sus costes ni sus fallos.
La guía de optimización de OpenAI, comprobada el 14 de noviembre de 2026, clasifica el ajuste fino como una función heredada y señala que su plataforma no admite usuarios nuevos. Es un dato sobre la disponibilidad de ese producto, no una afirmación de que el método haya desaparecido. Consulta la vía vigente del proveedor antes de planificar un entrenamiento.
Alcance de la práctica
Construye el proyecto RAG local y su conjunto de evaluación. El cuaderno utiliza documentos originales y respuestas preparadas. No entrena pesos, sube conjuntos de datos ni llama a un modelo real. Comprueba aquí la lógica de la aplicación y evalúa la arquitectura real en un entorno autorizado.