GraphRAG vs. RAG simple: el marcador honesto
Un grafo de conocimiento puede mejorar mucho las respuestas de IA, pero solo para ciertos tipos de preguntas, y la factura de indexación puede sorprenderte. Aquí está lo que cinco estudios realmente encontraron.
Puntos clave
- GraphRAG ganó entre el 72 y el 83 por ciento de las comparaciones de exhaustividad cara a cara contra RAG estándar en las propias pruebas de Microsoft.
- La recuperación guiada por grafos aumentó las puntuaciones de exhaustividad promedio del 73,4 por ciento al 87,8 por ciento en evaluaciones de preguntas de varios pasos.
- Construir el grafo de conocimiento costó aproximadamente 48 dólares por corpus con GPT-4o, muy por encima de un índice vectorial básico.
- En búsquedas simples de un solo hecho, los fragmentos de texto plano igualaron o superaron los métodos basados en grafos en un estudio de 2025 de Michigan State y Meta.
- El seguimiento de menor costo de Microsoft, LazyGraphRAG, redujo el precio de indexación a aproximadamente el 0,1 por ciento del original, reconociendo que la construcción completa es demasiado cara para muchos equipos.
Busca las cuatro palabras correctas dentro de un documento y obtendrás una respuesta instantánea y útil. Pregunta cuáles fueron las quejas recurrentes en dos años de correos electrónicos de clientes, y el mismo sistema se encoge de hombros.
Esa brecha es el problema para el que GraphRAG fue construido.
¿Qué es GraphRAG y por qué existe?
RAG estándar, que significa generación aumentada por recuperación, funciona como un archivador bien organizado. Haces una pregunta, el software encuentra los fragmentos más relevantes (llamados chunks), y se los entrega a un modelo de lenguaje de IA para escribir una respuesta. Rápido, económico, bueno para preguntas directas.
Pero un archivador no puede conectar los puntos. Si la respuesta está dispersa en una docena de archivos, ningún fragmento individual la contiene y el modelo nunca ve el vínculo.
GraphRAG adopta un enfoque diferente. Antes de que alguien haga una pregunta, un modelo de lenguaje grande lee toda la colección de documentos y mapea las cosas nombradas dentro de ella: personas, empresas, fechas, eventos, políticas, y cómo esas cosas se relacionan entre sí. Ese diagrama es el grafo de conocimiento. El software luego lo agrupa en clusters de temas relacionados y escribe un resumen en lenguaje natural para cada cluster. Cuando llega una pregunta, esos resúmenes hacen el trabajo pesado en lugar de fragmentos crudos de documentos. Nuestro análisis anterior sobre agentes de IA empresarial del 29 de julio de 2026 abordó por qué este tipo de conocimiento estructurado y consciente de las relaciones importa cuando una IA tiene que razonar en toda una organización.
¿Cuándo el grafo realmente gana?
La respuesta honesta, extraída de la investigación original de Microsoft más cuatro estudios independientes, es: depende completamente del tipo de pregunta.
| Tipo de pregunta | Puntuación de fragmentos simples | Puntuación del grafo | Ganador |
|---|---|---|---|
| Búsqueda simple de hecho | 60,9 | 60,1 | Empate |
| Razonamiento de varios pasos | 42,9 | 53,4 | Grafo +10 pts |
| Resumen de corpus completo | 51,3 | 64,4 | Grafo +13 pts |
| Exhaustividad global | base de referencia | +72 a 83% tasa de ganancia | Grafo |
Para preguntas que requieren unir hechos dispersos o resumir un gran volumen de material, el grafo gana claramente. ¿Una búsqueda factual rápida? La maquinaria adicional añade costo sin añadir precisión.
Las puntuaciones de exhaustividad (la proporción de pasajes realmente relevantes que el sistema encuentra) saltaron con la recuperación guiada por grafos: del 73,4 por ciento hasta el 87,8 por ciento en promedio en las pruebas estándar de preguntas de varios pasos.
¿Cuánto cuesta y es la puntuación justa?
Dos problemas merecen honestidad en lenguaje claro.
Construir el grafo no es gratis. Un análisis estimó el costo de indexación en alrededor de 48 dólares por corpus usando el modelo GPT-4o de OpenAI. El seguimiento más económico de Microsoft, LazyGraphRAG, aplaza la mayor parte de ese trabajo y reduce el precio a aproximadamente el 0,1 por ciento del original. Esa brecha te dice que la construcción completa es impráctica para muchos equipos del mundo real.
Muchas comparaciones de rendimiento también utilizaron otro modelo de IA como juez, lo que introduce sesgo. Los auditores encontraron que simplemente cambiar el orden en que aparecen dos respuestas puede cambiar el ganador más de 30 puntos porcentuales. La tasa de ganancia reportada del 66,7 por ciento de un método cayó a aproximadamente el 39 por ciento después de las correcciones.
Las grandes ganancias de exhaustividad aún se mantienen. Los márgenes estrechos de exhaustividad merecen escepticismo.
¿Qué debería hacer realmente un equipo?
Envía preguntas simples de hechos a fragmentos simples, envía preguntas complejas de varios pasos al grafo. La combinación de ambos métodos superó consistentemente a cualquiera solo en pruebas controladas. Ese es el hallazgo práctico, y vale la pena tomarlo en serio: no hay una respuesta universal aquí, solo un problema de enrutamiento.
Elige la herramienta correcta para cada pregunta, luego construye el sistema que tome esa decisión por ti.
