Que é o sistema RAG e por que transforma a contratación pública

1. Por que a IA xenérica non serve para contratación pública

Un modelo de linguaxe xeneralista como ChatGPT, Gemini ou Claude na súa versión pública coñece a LCSP 9/2017 porque formaba parte dos seus datos de adestramento, pero non coñece os pregos aprobados polo teu concello nos últimos cinco anos, nin as observacións do interventor sobre o último contrato de servizos, nin o modelo interno de criterios de adxudicación que usa a túa unidade. E tampouco pode citar fontes verificables cando afirma algo.

O resultado é que o técnico recibe un texto correcto en aparencia pero inzado de formulacións xenéricas, referencias normativas ás veces inventadas e cero trazabilidade. Calquera responsable de contratación con experiencia sabe que iso non se pode asinar. O problema non é a calidade do modelo: é que a arquitectura é a equivocada.

2. Que é RAG en termos prácticos

RAG significa Retrieval-Augmented Generation, ou xeración aumentada por recuperación. En linguaxe chá: antes de responder, o sistema busca nunha biblioteca de documentos teus os fragmentos máis relevantes e só entón lle pide ao modelo de linguaxe que redacte unha resposta apoiándose neses fragmentos.

A diferenza é equivalente á que hai entre pedirlle a un letrado que redacte un informe de memoria ou pedirlle que o redacte co expediente completo enriba da mesa. O letrado é o mesmo. O seu resultado non.

3. A arquitectura RAG en catro pasos

Un sistema RAG aplicado á contratación pública susténtase sobre catro fases. Entendelas axúdalle ao responsable de contratación a formular as preguntas correctas ao provedor.

Indexación: os documentos do organismo (pregos, memorias, PCAP, PPT, resolucións, informes de necesidade) pártense en fragmentos e convértense en vectores numéricos mediante un modelo de embeddings. Estes vectores gárdanse nunha base vectorial.

Recuperación: cando o técnico formula unha consulta, o sistema convértea tamén nun vector e busca na base os fragmentos máis similares. Recupera tipicamente entre cinco e vinte fragmentos.

Aumento: eses fragmentos inxéctanse no prompt que vai ao modelo de linguaxe, xunto coa consulta orixinal e as instrucións de estilo e formato.

Xeración: o modelo redacta a resposta ancorándose nos fragmentos proporcionados e devolve tamén a cita ás fontes usadas, de modo que o técnico poida abrir o expediente orixinal e verificar.

4. Por que RAG é seguro para administracións públicas

A preocupación máis habitual do secretario ou do técnico de contratación cando se lle propón un sistema de IA é: «os datos dos meus expedientes van saír a adestrar un modelo que despois use calquera?». Nun RAG ben deseñado, a resposta é non.

Os documentos do organismo permanecen na base vectorial do propio tenant contratado. O modelo de linguaxe é un servizo ao que se lle envían fragmentos relevantes baixo acordo de procesamento de datos, sen que eses fragmentos se incorporen ao adestramento xeral. Os principais provedores ofrecen esta garantía contractual de forma estándar desde 2024.

5. Como se prepara un RAG co histórico do concello

O valor real aparece cando o sistema coñece os documentos do organismo. A fase inicial consiste en cargar na base documental os expedientes relevantes: pregos aprobados dos últimos anos, memorias xustificativas, informes xurídicos, resolucións de adxudicación, observacións do interventor e modelos internos.

Cada documento etiquétase con metadatos (tipo de contrato, CPV, órgano, data, estado) para que o sistema poida filtrar recuperacións. A partir dese punto, cada novo prego que o organismo aprobe engádese ao índice de forma automática e pasa a estar dispoñible para futuras consultas.

Nada disto é readestramento do modelo. É indexación documental. Por iso o custo e o tempo son razoables, e por iso non hai risco de que información confidencial acabe nun modelo accesible a terceiros.

6. Caso práctico: redactar un PPT con RAG vs ChatGPT puro

Imaxinemos un concello que necesita sacar a licitación o mantemento do seu parque de vehículos municipais. O técnico pídelles a ambos os sistemas un borrador de Prego de Prescricións Técnicas.

Con ChatGPT puro, a resposta é un texto correcto en forma, con apartados esperables (obxecto, alcance, obrigacións do contratista, penalidades, prazo). O técnico detecta na lectura que as horas de servizo propostas non coinciden co uso real do parque, que os niveis de servizo citados son xenéricos e que non se mencionan os requisitos ambientais que o seu organismo vén esixindo desde 2023.

Cun RAG adestrado sobre o histórico do concello, o borrador parte do PPT aprobado no contrato anterior, incorpora as observacións do interventor que motivaron cambios na última adxudicación e reutiliza a cláusula ambiental estándar da casa. Cada afirmación relevante vai acompañada dunha referencia ao documento de orixe.

7. Redución de alucinacións grazas ás fontes citadas

Unha alucinación, en contexto de IA, é unha afirmación inventada con aparencia de verdade. En contratación pública o exemplo clásico é unha referencia a un artigo da LCSP que non existe, ou unha cifra limiar desactualizada, ou unha cita xurisprudencial ficticia.

RAG reduce drasticamente a taxa de alucinacións porque o modelo non está xerando desde a súa memoria interna: está reformulando fragmentos reais que recibiu. E, sobre todo, cada afirmación leva a cita da fonte, o que lle permite ao técnico facer a verificación en segundos en lugar de ler o texto liña a liña.

Segue sendo imprescindible a revisión humana. Pero a natureza desa revisión cambia: pasa de «é isto real?» a «é isto aplicable a este contrato?».

8. Cumprimento normativo: ENS, RXPD e Lei 40/2015

Un sistema RAG despregado nunha AAPP española debe encaixar con tres bloques normativos. O Esquema Nacional de Seguridade (RD 311/2022) esixe que os sistemas que manexan información da administración estean certificados na categoría correspondente á súa criticidade. O RXPD e a LOPDGDD obrigan a asinar contrato de encargado de tratamento e a realizar unha análise de impacto cando o tratamento implique risco alto para os dereitos dos afectados.

A Lei 40/2015, de réxime xurídico do sector público, engade no seu artigo 41 a esixencia de que as actuacións administrativas automatizadas estean definidas por resolución do órgano competente, identificando as responsabilidades. Un sistema RAG non toma decisións automatizadas (o técnico asina), pero si apoia o instrutor, o cal adoita abondar para non activar este artigo.

O Regulamento europeo de IA (Regulamento 2024/1689) clasifica os sistemas de apoio á decisión administrativa nun nivel que obriga, entre outras cousas, a informar o cidadán cando aplica, garantir supervisión humana e documentar o funcionamento. Un RAG ben integrado cumpre todos estes requisitos de forma natural.

9. Limitacións reais do RAG

RAG non converte unha contratación mal planificada en boa. Se o histórico documental do organismo contén erros sistemáticos (pregos con marcas comerciais sen xustificación, criterios non obxectivos, referencias derrogadas), o RAG reproduciraos salvo que se combine cunha capa explícita de validación normativa.

Tampouco substitúe a obrigación xurídica do técnico que asina o documento. O artigo 116 LCSP e a normativa de procedemento administrativo fan recaer a responsabilidade sobre a persoa física asinante. A IA é asistencia, non delegación.

Finalmente, a calidade das respostas depende da calidade do corpus indexado. Un organismo que dixitalizase deficientemente os seus expedientes obterá resultados pobres ao principio; merece a pena investir nunha boa extracción e estruturación antes de esperar milagres.

10. Como avaliar se o teu organismo está listo

Antes de comprometer orzamento, hai catro preguntas que convén responder internamente.

Se queres ver exactamente como unha arquitectura RAG conecta co teu histórico documental, podes revisar a descrición técnica nas características de LicitadIA ou a explicación paso a paso de como funciona o sistema dentro dunha AAPP.

Para ver unha demo sobre os tipos de contrato reais do teu organismo, o máis directo é solicitar unha demo gratuíta e achegar dous ou tres exemplos representativos do voso histórico.

Preguntas frecuentes