La salud pública necesita respuestas fiables, trazables y actualizadas. Los grandes modelos de lenguaje (LLM) son capaces de redactar textos con apariencia experta, pero también pueden inventar datos o quedarse anclados en recomendaciones desactualizadas. La generación aumentada por recuperación (RAG) mitiga ese riesgo al forzar al modelo a apoyarse en un corpus externo de documentos oficiales. En lugar de responder desde conocimientos internos, el sistema identifica los pasajes más relevantes, los incorpora al contexto y construye una respuesta acotada por esa evidencia. Es una arquitectura que encaja con las exigencias de la salud pública, donde la trazabilidad importa tanto como la exactitud. Los ciudadanos merecen saber que una recomendación procede de una fuente oficial y no de una inferencia estadística.
Un error habitual es pensar que la calidad del sistema depende solo del tamaño del modelo. En un sistema RAG, el recuperador es el verdadero cuello de botella. Si los documentos relevantes no se recuperan, el modelo no puede utilizarlos, por muy capaz que sea. Hemos visto modelos de menor tamaño superar a otros mucho mayores cuando la recuperación está bien afinada y el corpus suficientemente curado. En Q2BSTUDIO, empresa de desarrollo de software y tecnología, aplicamos esta idea al construir aplicaciones a medida para administraciones y entidades sanitarias: primero aseguramos que el sistema encuentre la información correcta, después elegimos el modelo generativo adecuado y por último diseñamos el flujo de revisión.
La elección del recuperador admite varias estrategias. La recuperación densa usa embeddings semánticos para representar el significado de preguntas y documentos. La recuperación dispersa se apoya en coincidencias de términos y es muy útil para siglas, códigos y nombres propios. La recuperación híbrida combina ambas y ofrece mejores resultados en la práctica. En corpus de salud pública, donde conviven términos técnicos, abreviaturas y nombres de organismos, esta combinación reduce los falsos negativos y mejora la posición de los documentos relevantes en el ranking. Ajustar el peso de cada componente, así como el umbral de relevancia, es una tarea de ingeniería que requiere experimentación continua con datos reales.
La segmentación del corpus también influye en el resultado. Fragmentos demasiado largos mezclan ideas y dificultan la precisión; fragmentos demasiado cortos pierden contexto y obligan al modelo a rellenar huecos. Además, la longitud óptima depende del tipo de pregunta: las consultas fácticas se benefician de pasajes breves, mientras que las preguntas que exigen explicar un procedimiento necesitan más contexto. Las variables de chunking, el solapamiento entre fragmentos y la naturaleza del documento interactúan con el ranking de relevancia. Por eso no existe una configuración universal; cada despliegue exige evaluar varias opciones sobre un corpus representativo y medir su impacto antes de pasar a producción.
El segundo gran pilar es la evaluación. Las preguntas de opción múltiple permiten comparar modelos, pero no reflejan el uso real en salud pública. Los ciudadanos y los profesionales preguntan de forma abierta y esperan respuestas matizadas. Para medir la calidad, proponemos rúbricas que valoren la fidelidad al documento, la completitud de la respuesta, la claridad expositiva y la consistencia factual. Un LLM puede actuar como juez automático y aplicar estas rúbricas a gran escala, lo que resulta muy útil durante el desarrollo y el mantenimiento continuo. También permite detectar desviaciones cuando el corpus o las preguntas cambian.
Sin embargo, el juez automático no es infalible. La concordancia entre un LLM y anotadores humanos suele ser alta en fidelidad y completitud, pero más débil en consistencia factual y claridad. Esto significa que, en dominios de alto riesgo, la evaluación automática debe complementarse con revisión humana y con un plan de muestreo que detecte sesgos. Las decisiones sobre salud pública no pueden depender de una única métrica. La combinación de métricas cuantitativas y control cualitativo permite decidir con confianza cuándo un asistente está listo para producción y cuándo conviene seguir ajustando.
En Q2BSTUDIO llevamos esta disciplina a entornos productivos. Un asistente RAG sanitario no es un prototipo aislado, sino una aplicación a medida que debe convivir con los sistemas de información existentes. Para garantizar disponibilidad y escalabilidad, desplegamos el servicio sobre infraestructura cloud en AWS o Azure, con medidas de ciberseguridad que protegen los datos personales y los documentos internos. Además, conectamos los logs de uso con cuadros de mando BI/Power BI, de modo que los responsables del servicio puedan monitorizar la calidad de las respuestas, identificar lagunas documentales y tomar decisiones basadas en evidencia. Esa visión integral convierte un experimento técnico en un servicio sostenible.
La siguiente evolución es convertir el asistente en un agente IA capaz de actuar, no solo de responder. Estos agentes pueden resumir nuevas evidencias, clasificar consultas, avisar de cambios normativos o preparar informes para revisión humana. El riesgo de autonomía no está en el modelo, sino en el diseño del circuito de confianza. Por eso en Q2BSTUDIO construimos plataformas de inteligencia artificial con flujos de aprobación, auditoría y trazabilidad. El objetivo no es sustituir al profesional sanitario, sino reducir su carga de trabajo y darle mejor información para decidir. Habilitar la intervención humana en los puntos críticos es la diferencia entre una automatización útil y una peligrosa.
La gobernanza de los datos y del conocimiento es otro factor que no se puede ignorar. Un corpus de salud pública vive en continuo cambio: aparecen nuevas guías, se actualizan protocolos y se retiran recomendaciones obsoletas. El sistema RAG debe poder reflejar esas modificaciones sin tener que reentrenar el modelo. Para lograrlo, hay que diseñar un proceso editorial que determine quién aprueba los cambios, cómo se notifican a los usuarios y cómo se audita el historial. En Q2BSTUDIO integramos estas reglas en el ciclo de desarrollo, de manera que la trazabilidad no sea un añadido, sino una propiedad estructural del sistema.
En resumen, un sistema RAG para salud pública es tan fiable como su recuperación y su evaluación. La arquitectura híbrida, el ajuste del chunking, las rúbricas validadas y el control humano son elementos imprescindibles. Las organizaciones que adopten esta visión conseguirán asistentes que inspiren confianza, cumplan los requisitos de seguridad y mejoren con el tiempo. La tecnología debe entenderse como un proyecto de ingeniería integral, no como un simple modelo de lenguaje. En Q2BSTUDIO acompañamos ese proceso con experiencia en cloud, ciberseguridad, datos e inteligencia artificial, ayudando a cada organización a construir el sistema que realmente necesita.
