Qué te llevarás de esta lectura
- Aplicar permisos antes de recuperar contenido y antes de enviarlo al modelo.
- Tratar versiones, eliminaciones y cambios de acceso como parte de la actualización del índice.
- Evaluar recuperación, respaldo de las respuestas y aislamiento entre usuarios por separado.
- Mostrar fuentes verificables y permitir que el sistema diga que no tiene evidencia suficiente.
La pregunta útil: ¿con qué evidencia responde?
La generación aumentada por recuperación, o RAG, conecta una pregunta con contenido relevante antes de generar una respuesta. Microsoft describe este patrón como una forma de fundamentar respuestas en contenido propio [1]. Sirve para consultar políticas, procedimientos e incidencias documentadas. El objetivo es reducir búsquedas manuales sin convertir una respuesta plausible en una decisión automática.
Para esta edición de octubre de 2026, la prioridad es pasar de una demostración de búsqueda a un servicio con identidad, actualización y evaluación. Añadir documentos o cambiar el modelo no corrige por sí solo un problema de permisos, versiones o evidencia.
Los permisos se aplican antes de la recuperación
La identidad autenticada y sus grupos determinan los documentos elegibles. El servicio aplica restricciones antes de seleccionar fragmentos y construir el contexto del modelo. Filtrar solo las citas en pantalla es insuficiente: el contenido restringido ya habría llegado al modelo. Microsoft documenta controles con metadatos de permisos en tiempo de consulta; algunas implementaciones están en preview y requieren revisar sus límites [2].
- Mantener identificador del documento, propietario, versión, clasificación y reglas de acceso junto a los fragmentos.
- Resolver la identidad en el servidor; no confiar en un grupo o tenant enviado libremente por el navegador.
- Revalidar permisos al abrir la fuente y aislar cachés por identidad y contexto de acceso.
- Rechazar la recuperación si faltan permisos o no es posible verificar su vigencia.
Un índice también necesita una política de retiro
Guardar la fecha de ingesta ayuda, pero no demuestra que una política siga vigente. Registrar versión de origen, fecha de modificación y estado permite retirar fragmentos reemplazados o eliminados. Los cambios de permisos deben propagarse al índice y a las cachés con una ventana definida. Si esa ventana no puede cumplirse para información sensible, el recuperador debe consultar una autorización vigente o suspender temporalmente ese contenido.
Ejemplo: un asistente para políticas de devoluciones
Un equipo empieza con un conjunto acotado de políticas aprobadas para dos países. Cada documento tiene país, vigencia y responsable. Ante una consulta, el servicio identifica al usuario, filtra su ámbito y recupera la política vigente. La respuesta incluye el apartado que respalda la condición y el enlace autorizado. Si existen políticas incompatibles, pide aclarar el país o escala la consulta. Este ejemplo es una propuesta de implementación, no un resultado atribuido a Cloudata ni una función confirmada de Dova.
Durante el piloto, el asistente explica procedimientos; no aprueba reembolsos ni modifica pedidos. Separar consulta y ejecución permite evaluar la calidad del conocimiento antes de introducir acciones con impacto económico.
Medir más que una respuesta que suena bien
Construya preguntas conocidas, ambiguas, sin respuesta y fuera de permisos. Mantenga los casos de prueba versionados y repítalos cuando cambien documentos, índices, prompts o modelos. Las evaluaciones permiten comprobar el comportamiento frente a criterios definidos [3]; los límites aceptables deben acordarse con el responsable del proceso.
| Indicador | Qué comprobar |
|---|---|
| Recuperación | La evidencia esperada aparece entre los resultados elegibles. |
| Respaldo | Cada afirmación relevante está sustentada por el fragmento citado. |
| Abstención | El sistema reconoce preguntas sin evidencia suficiente. |
| Aislamiento | Un usuario no obtiene fragmentos ni inferencias de otro ámbito. |
| Vigencia y coste | Tiempo de propagación de cambios, latencia y coste por consulta útil. |
Antes de abrirlo a más usuarios
- Definir documentos elegibles, responsable editorial y mecanismo de corrección.
- Probar cambios de grupos, documentos borrados y enlaces que ya no son accesibles.
- Revisar respuestas con fuentes contradictorias y contenido malicioso.
- Registrar evidencia y resultados de evaluación sin guardar secretos o documentos completos innecesariamente.
- Acordar alertas, retirada del servicio y un canal para reportar respuestas incorrectas.
Dova se presenta como una plataforma de integración de datos con mappings, workflows, sesiones, workers y monitoreo. Esas capacidades pertenecen a la preparación y operación de flujos de datos. Esta arquitectura RAG requiere componentes adicionales y validación propia; no presupone que Dova incluya un motor RAG o estos controles de autorización.
Preguntas que vale la pena hacer
¿RAG elimina las respuestas inventadas?
No. Puede aportar evidencia, pero una recuperación incompleta o una interpretación incorrecta todavía produce errores. Se necesitan evaluaciones, citas verificables y abstención.
¿Es obligatorio usar una base de datos vectorial?
No. La recuperación puede combinar búsquedas por palabras clave, filtros y métodos semánticos. La elección depende de los documentos y de los resultados de evaluación.
¿Basta con ocultar fuentes restringidas en la interfaz?
No. El contenido debe quedar fuera de la recuperación y del contexto del modelo cuando el usuario no está autorizado.
Dónde encaja Dova
Explora las funciones de integración de datos disponibles en la información del producto y la documentación de Dova. Conversa con Cloudata sobre tu caso de IA para definir los datos, integraciones y controles que necesita.
Fuentes y lecturas recomendadas
- RAG and Generative AI - Azure AI SearchMicrosoft Learn · Consultado
Official explanation of grounding, retrieval and permission-aware enterprise knowledge.
- Query-Time ACL and RBAC Enforcement - Azure AI SearchMicrosoft Learn · Consultado
Official query-time permission filtering documentation. The documented capability is marked preview; the article discusses the architectural requirement, not general availability.
- Working with evalsOpenAI · Consultado
Official guidance for evaluating model behavior against specified criteria.
- LLM01:2025 Prompt InjectionOWASP Gen AI Security Project · Consultado
Official prompt injection risk and mitigations; the 2025 identifier is the source edition, not an October 2026 announcement.
Guía práctica de la edición octubre 2026. Las fuentes respaldan los principios técnicos; los ejemplos son ilustrativos, no anuncios de productos ni resultados de clientes.