Evaluación de arquitecturas RAG descentralizadas para la reducción de alucinaciones y mejora de la trazabilidad en entornos corporativos simulados

Abstract

La incorporación de modelos de lenguaje de gran escala en entornos organizacionales requiere mecanismos que permitan mejorar la recuperación de información y reducir la generación de respuestas no sustentadas en fuentes verificables. El objetivo del estudio fue evaluar una arquitectura de generación aumentada por recuperación (Retrieval-Augmented Generation, RAG) descentralizada orientada a mejorar la trazabilidad de la información y reducir las alucinaciones en entornos corporativos simulados. Se implementó un entorno experimental basado en un corpus sintético de 10000 documentos corporativos distribuidos en repositorios vectoriales federados. La arquitectura propuesta integró cuatro componentes principales: ingesta distribuida, almacenamiento vectorial federado, enrutamiento semántico y mecanismos de validación de respuestas mediante guardrails. Se evaluaron escenarios comparativos entre arquitecturas centralizadas y descentralizadas utilizando métricas de tiempo hasta el primer token (TTFT), tasa de alucinación, fidelidad de respuesta mediante RAGAS y validación humana. Los resultados evidenciaron una reducción del TTFT desde 3,2 s hasta 0,4 s en consultas complejas y una disminución de la tasa de alucinación desde 32,0 % hasta 1,9 % en el entorno experimental evaluado. Asimismo, la validación humana mostró una concordancia sustancial en la identificación de respuestas alucinadas (Kappa de Fleiss = 0,82). Se concluye que las arquitecturas RAG descentralizadas contribuyeron a mejorar la eficiencia de recuperación y la trazabilidad de las respuestas generadas en entornos corporativos simulados. No obstante, se requieren estudios adicionales para validar estos resultados en escenarios organizacionales reales.