Si has intentado construir un sistema de recuperación de información con generación aumentada, conocido como RAG, probablemente te has topado con una frustración constante: el sistema responde bien a preguntas directas, pero se pierde cuando debe conectar información de distintos documentos.

Para preguntas simples como «¿cuál es nuestra política de reembolsos?», el RAG estándar, que divide los documentos en fragmentos y busca los más parecidos a la consulta, suele funcionar muy bien. En cambio, cuando preguntas «¿cuáles son los temas recurrentes en las quejas de los clientes de los últimos dos años?», puede fallar porque ninguna pieza aislada contiene la respuesta completa.

1. Por qué los fragmentos de texto llegan a un límite

El RAG vectorial estándar busca los pasajes más similares a una consulta. Es una estrategia rápida y sencilla, pero tiene tres puntos ciegos:

• No siempre conecta los puntos: si la respuesta requiere unir datos que aparecen en pasajes distintos a través de una entidad compartida, los fragmentos recuperados por separado pueden ocultar el vínculo.
• Le cuesta responder preguntas globales: preguntas como «¿cuáles son los temas principales?» requieren revisar el conjunto de documentos, mientras que la búsqueda por similitud devuelve solo unos cuantos pasajes.
• Pierde contexto al cortar el texto: las relaciones y jerarquías que ayudan a razonar sobre un problema complejo pueden quedar separadas por los límites de cada fragmento.

Microsoft Research describió este problema al señalar que el RAG básico tiene dificultades para «conectar los puntos» y para comprender conceptos semánticos resumidos en colecciones grandes.

2. Qué aporta un grafo de contexto

Un grafo de contexto intenta conservar las conexiones que el troceado del texto puede perder. Durante la indexación, un modelo de lenguaje lee los fragmentos y extrae entidades, relaciones y afirmaciones. Después, los organiza en un grafo de conocimiento ponderado.

El sistema aplica el algoritmo Leiden para agrupar los elementos relacionados en comunidades y crea una jerarquía de temas. También genera un resumen para cada comunidad. En una consulta amplia, esos resúmenes permiten reunir información de varias partes del corpus antes de redactar la respuesta.

El proceso suele funcionar en dos etapas. Primero, cada comunidad relevante prepara una respuesta parcial. Después, esas respuestas se ordenan y combinan para producir una síntesis final. La ventaja es que el modelo recibe contexto basado en relaciones, no solo una selección de fragmentos parecidos.

Variantes como HippoRAG usan el grafo junto con un recorrido de PageRank personalizado. En términos sencillos, recorren las conexiones más relevantes para localizar los pasajes que pueden responder mejor a una pregunta con varios pasos.

3. Qué muestran las comparaciones y cuándo aparece la ventaja

Los resultados no indican que GraphRAG gane en todas las consultas. Sí muestran una tendencia clara: la ventaja crece cuando la respuesta exige relacionar datos, analizar muchos documentos o resumir un corpus completo.

3.1 Comprensión global: el mayor salto

Microsoft comparó GraphRAG con RAG ingenuo en preguntas globales sobre conjuntos de datos de millones de tokens. Un modelo de lenguaje evaluó las respuestas en comprensión, diversidad y capacidad para ofrecer información útil.

GraphRAG ganó entre el 72% y el 83% de las comparaciones de comprensión, y entre el 62% y el 82% de las comparaciones de diversidad. Sus resúmenes de alto nivel usaron hasta un 97% menos de tokens que procesar directamente el texto fuente.

3.2 Recuperación con varios saltos: encuentra vínculos que se escapan

En pruebas de preguntas que exigen unir dos o más datos, la recuperación guiada por grafos también mostró mejoras. El indicador Recall@5 mide cuántos elementos de apoyo correctos aparecen entre los cinco primeros resultados.

El promedio subió de 73.4% con RAG ingenuo a 87.8% con recuperación guiada por grafos. Eso representa una ganancia de 19.6 puntos porcentuales. Las mejoras más grandes fueron de 31 puntos en MuSiQue y de 28 puntos en 2WikiMultiHopQA.

HippoRAG también reportó hasta un 20% de mejora en precisión en preguntas multi-hop, con un coste entre 10 y 20 veces menor y una velocidad entre 6 y 13 veces mayor que algunos métodos de recuperación iterativa.

3.3 Comparación controlada: no hay un ganador universal

Un estudio de 2025 de Michigan State y Meta comparó RAG con cuatro familias de GraphRAG usando el mismo protocolo, el mismo tipo de fragmentos, las mismas representaciones y la misma generación.

En preguntas factuales de un solo salto, el RAG estándar quedó ligeramente por delante: obtuvo un F1 de 64.8, frente a 63.0 para el mejor método basado en grafos. En razonamiento multi-hop, la situación se invirtió: el método guiado por grafos alcanzó una precisión general de 70.3, frente a 67.0.

3.4 El resultado por tipo de tarea

GraphRAG-Bench, un benchmark presentado en ICLR 2026, comparó el beneficio de usar estructuras de grafo en distintas tareas:

• Recuperación de hechos simples: fragmentos de texto 60.9 frente a grafo 60.1. Es, en la práctica, un empate.
• Razonamiento complejo: grafo 53.4 frente a fragmentos 42.9. La ventaja del grafo fue de 10 puntos.
• Resumen contextual: grafo 64.4 frente a fragmentos 51.3. La ventaja del grafo fue de 13 puntos.

4. El coste que debes calcular antes de construir el grafo

La mejora de calidad tiene un precio. Crear el grafo exige que un modelo de lenguaje lea el corpus y extraiga entidades y relaciones. Un análisis situó la construcción del índice en aproximadamente 48 dólares con GPT-4o para un corpus moderado, muy por encima de un índice vectorial estándar.

LazyGraphRAG propone aplazar parte de esa extracción hasta el momento de la consulta. Según el análisis citado, este enfoque redujo el coste a alrededor del 0.1% del coste de la construcción original. Eso puede ser útil cuando el corpus cambia con frecuencia o cuando todavía no sabes si las consultas justificarán la inversión inicial.

También conviene ser prudente con las evaluaciones hechas por otro modelo de lenguaje. Estos jueces pueden favorecer respuestas más largas o verse influidos por el orden en que se presentan. Por eso, una tasa de victoria basada solo en un juez automático no debería ser el único criterio. Para una decisión real, combina evaluación humana, métricas con respuestas de referencia, coste por consulta, latencia y tasa de errores.

5. Qué arquitectura encaja mejor con tu proyecto

Elige GraphRAG cuando:

• tus preguntas exigen unir información de varios documentos;
• necesitas resumir tendencias, temas o relaciones en todo el corpus;
• tu información está densamente conectada, como en bibliotecas de investigación, archivos de casos, historiales de incidentes o bases de conocimiento;
• el corpus es relativamente estable y puedes amortizar el coste de construir y mantener el grafo;
• una respuesta incompleta podría llevar a decisiones costosas o basadas en una visión parcial.

Quédate con el RAG basado en fragmentos cuando:

• la mayoría de tus consultas son preguntas factuales de un solo salto;
• tu corpus es pequeño, plano o cambia con mucha frecuencia;
• necesitas una latencia y una operación lo más sencillas posible;
• el coste de extraer y actualizar relaciones no se justifica por la mejora esperada;
• la respuesta está normalmente contenida en un pasaje concreto, como un número de teléfono, una cláusula o una política específica.

La opción híbrida suele ser la más práctica: un enrutador puede enviar las preguntas directas al RAG vectorial y las consultas globales o multi-hop al grafo. También puede combinar la evidencia de ambos métodos. Así no pagas el coste de GraphRAG cuando la pregunta no lo necesita, pero conservas su capacidad para conectar información dispersa.

La decisión que puedes tomar hoy

GraphRAG no es una mejora universal. Es una herramienta especializada para preguntas que requieren conectar hechos, recorrer relaciones o sintetizar un corpus completo. Para una consulta simple, los fragmentos de texto suelen ofrecer una solución más económica y fácil de mantener.

Antes de elegir, separa tus consultas reales en tres grupos: hechos simples, razonamiento con varios pasos y resúmenes globales. Mide calidad, coste y latencia con tus propios documentos y con la infraestructura en la que operarás, también si tu equipo trabaja desde México. Si la mayoría de las preguntas pertenece al segundo o tercer grupo, un grafo puede convertir información dispersa en respuestas más completas y decisiones más confiables. Si predominan las consultas directas, empieza con RAG vectorial y añade un enrutador solo cuando los datos demuestren que hace falta. Más sobre el tema: Nimble lanza agentes de búsqueda web. Así puedes reducir a la mitad tus costos de IA.