Los sistemas existentes de Generación Aumentada por Recuperación (RAG) enfrentan desafíos en entornos empresariales debido a un alcance de recuperación limitado y riesgos de seguridad de datos. Cuando los documentos internos relevantes no están disponibles, el sistema tiene dificultades para generar respuestas precisas y completas. Además, el uso de Modelos de Lenguaje Grande (LLMs) de código cerrado plantea preocupaciones sobre la exposición de información propietaria. Para abordar estos problemas, proponemos el marco Secure Multifaceted-RAG (SecMulti-RAG), que recupera no solo de documentos internos, sino también de dos fuentes suplementarias: conocimiento experto pre-generado para consultas anticipadas y conocimiento generado por LLM externo bajo demanda. Para mitigar los riesgos de seguridad, adoptamos un generador local de código abierto y utilizamos selectivamente LLM externos solo cuando los prompts son considerados seguros por un mecanismo de filtrado. Este enfoque mejora la completitud, previene la fuga de datos y reduce costos. En nuestra evaluación de una tarea de generación de informes en la industria automotriz, SecMulti-RAG supera significativamente al RAG tradicional, logrando tasas de éxito del 79.3-91.9% en corrección, riqueza y utilidad en la evaluación basada en LLM y del 56.3-70.4% en la evaluación humana. Esto resalta a SecMulti-RAG como una solución práctica y segura para RAG empresarial.