La pregunta llega toda la semana: ¿necesitamos fine-tuning, RAG o prompt engineering? Responde con un árbol de decisión, porque el costo sube en escalones: prompting cuesta horas, RAG cuesta decenas de miles, fine-tuning cuesta ciclos de reentrenamiento.

Empieza por el prompt engineering

El prompting resuelve la mayoría de los casos a costo cercano a cero: horas de trabajo y loops de iteración de minutos. Agota ese camino antes de subir el escalón. Pocos few-shots bien elegidos, estructura de salida explícita y system prompt versionado en el repo entregan más que mucho curso por ahí.

RAG resuelve problema de conocimiento

Síntomas: el modelo desconoce tus datos internos, la base cambia cada semana, el usuario exige cita con fuente. Ese trío pide recuperación. Build inicial entre $10k y $50k (pipeline de ingesta, chunking, embedding, búsqueda híbrida) y operación de $2k a $10k por mes según volumen y frecuencia de reindexación.

Fine-tuning resuelve problema de comportamiento

Síntomas espejados: formato de salida rígido, tono de marca, vocabulario de dominio, menor latencia vía destilación en modelos compactos. El entrenamiento ajusta cómo responde el modelo. El hecho es otra historia: conocimiento entrenado produce alucinación confiada, el modelo repite el patrón y erra el contenido. El conocimiento vive en la recuperación; el comportamiento vive en los pesos.

La escalera de costos

  • Prompt engineering: $0-5k, iteración en horas, cero infraestructura
  • RAG: $10-50k de build más $2-10k/mes de pipeline y operación de búsqueda
  • Fine-tuning: $15-100k entre datos curados, entrenamiento y evals, con reentrenamiento cuando el comportamiento derive

El árbol de decisión

  1. ¿Dato privado o cambiante? RAG.
  2. ¿Formato o estilo rígido? Fine-tuning.
  3. ¿Ambos? RAG primero, destilación después.
  4. ¿Ninguno de los dos? Quédate en prompting e invierte en evals.

El modo de fallo clásico

El equipo inyecta conocimiento por fine-tune para saltarse la pipeline de retrieval. El modelo pasa a alucinar con confianza duplicada y nadie rastrea el origen de cada afirmación. La cita con fuente exige recuperación; el entrenamiento no da atajo. Cuando intentar ahorrar $20k de pipeline cuesta la credibilidad del producto entero, la cuenta no cierra.