Metodología y evidencia

La procedencia: rastrear el origen de una afirmación de la IA

15 de julio de 2026 6 min de lectura
Kamel Malek Director de SetRecord.ai

Cada frase que un asistente de IA genera sobre su organización viene de algún sitio: una instantánea de entrenamiento, una página web recuperada, el resumen de un resumen guardado en caché. La procedencia es la disciplina de rastrear esa frase hasta su origen real antes de decidir si, y cómo, corregirla. Saltarse ese paso convierte la corrección en una afirmación más sin verificar, compitiendo con la que se pretende arreglar.

Qué significa la procedencia para una afirmación de la IA

La procedencia no plantea la misma pregunta que la exactitud. La exactitud pregunta si una afirmación es verdadera. La procedencia pregunta de dónde viene, y por cuántas manos pasó antes de que un modelo la repitiera. Ambas preguntas se parecen, pero exigen pruebas distintas: comprobar la exactitud consiste en comparar una afirmación con la realidad; rastrear la procedencia consiste en reconstruir la cadena de custodia que recorrió una información —desde un registro primario, a través de un número variable de intermediarios, hasta la frase que un usuario lee en una ventana de chat.

Esta distinción importa porque dos afirmaciones falsas idénticas pueden tener orígenes completamente distintos. Una puede remontarse a su propia página de inversores, nunca actualizada tras un cambio de dirección. Otra puede remontarse a un mensaje de foro sin ninguna relación con sus canales oficiales. La corrección que funciona para la primera no hará nada por la segunda —precisamente por eso la procedencia debe preceder a la corrección, y no al revés.

Por qué las correcciones fallan sin ella

La mayoría de los intentos de «arreglar» lo que dice una IA apuntan a la capa equivocada. Un equipo de comunicación escribe a la dirección de soporte de un proveedor de modelos, o publica un desmentido en una página que nadie —y menos un rastreador— va a visitar jamás. Ninguna de estas intervenciones toca la capa que realmente produjo el error, que por tanto sobrevive al intento de corrección y reaparece en la siguiente consulta.

También existe un problema de sincronización. La respuesta de un modelo refleja una porción de la web recuperada o absorbida durante el entrenamiento en algún momento pasado, no una lectura en vivo de su sala de prensa esta mañana. Una corrección que ignora este desfase —que asume que el modelo simplemente notará un nuevo comunicado— intenta resolver un sistema que no existe. La procedencia indica qué capa, y qué momento, está corrigiendo realmente.

Anatomía de una afirmación rastreada

Tomemos un caso representativo: un asistente afirma que una empresa cerró una ronda de financiación por una cifra que, en realidad, es incorrecta. Rastrearla suele revelar una cadena corta en lugar de un único culpable. La respuesta del modelo a menudo coincide, casi palabra por palabra, con una ficha de un agregador de datos. Esa ficha, a su vez, se compiló a partir de una entrada de blog que hoy ya no existe. Esa entrada, cuando todavía se puede encontrar una versión archivada, citaba una estimación extraoficial anterior, en circulación antes de que la ronda se cerrara oficialmente.

Al final de esa cadena, la cifra «incorrecta» resulta ser una transcripción fiel de una fuente primaria desactualizada, tres eslabones antes del propio modelo. El error ya estaba instalado mucho antes de que cualquier asistente de IA tocara la historia —exactamente el tipo de hallazgo que una estrategia de corrección necesita para apuntar al eslabón correcto de la cadena, en lugar de al último que alguien haya notado.

Las cuatro capas que distinguimos

En la práctica, separamos cualquier afirmación rastreada en cuatro capas, porque una corrección dirigida a la capa equivocada rara vez se sostiene:

  • Fuente primaria — el registro que hace autoridad en sí mismo: una presentación regulatoria, una ficha de registro oficial, un comunicado fechado, una declaración verificada de la organización.
  • Intermediario indexado — la página, base de datos o agregador que reempaquetó la fuente primaria, a veces fielmente, a veces con desviaciones introducidas por el camino.
  • Instantánea de recuperación — la porción de la web que un modelo determinado, o el complemento de búsqueda detrás de él, recuperó realmente en el momento de generar la respuesta.
  • Capa de generación — la paráfrasis, compresión o síntesis que el propio modelo produce a partir de lo recuperado, o, en ausencia de recuperación, de lo que memorizó durante el entrenamiento.

Una corrección que solo aborda la capa de generación —pedirle a un proveedor que «simplemente arregle» una respuesta— deja intactas las otras tres capas, así que el mismo error reaparece en cuanto la recuperación vuelve a ejecutarse.

¿No sabe qué dice hoy la IA de usted?

Una auditoría SetRecord consulta los modelos de IA compatibles sobre su organización y mide la brecha con los hechos verificables — en cinco días hábiles.

Solicitar una auditoría

Cuando el rastro se enfría

No todas las afirmaciones se rastrean con limpieza. Algunos modelos responden desde una memoria puramente paramétrica, sin cita ni paso de recuperación que inspeccionar —la información está comprimida en algún lugar de los parámetros, absorbida de un texto que quizá ya no exista en ninguna forma localizable. En otros casos, el rastreo revela dos o tres fuentes previas contradictorias, sin una forma evidente de saber cuál usó realmente el modelo.

La respuesta honesta, en ambos casos, es decirlo. Un rastro de procedencia que termina en «origen no verificable» sigue siendo información útil: indica que la afirmación debe tratarse como no verificada en lugar de corregirse contra una fuente concreta, y determina cuánta confianza depositar en cualquier corrección que se publique después.

Señalamos estos casos de forma distinta en nuestros propios informes, con un estado propio en lugar de agruparlos bajo «rastreado y corregido» o «rastreado y disputado». Esa distinción importa para quien lea el informe después —un equipo de comunicación que decide cómo responder necesita saber si tiene delante un error confirmado con un origen conocido, o una afirmación que nadie ha logrado situar en absoluto, porque ambas situaciones exigen pasos y niveles de urgencia muy distintos.

Construir un registro «listo para rastrear»

Las organizaciones pueden hacer que sus propios hechos sean más fáciles de rastrear —y más difíciles de atribuir mal— mucho antes de que aparezca un error. Unos pocos hábitos hacen la mayor parte del trabajo: publicar declaraciones fechadas y con autoridad como instancia canónica única de un hecho dado, en lugar de repetir la misma cifra con ligeras variaciones en una página de prensa, una presentación para inversores y una biografía.

Mantenga accesibles las versiones anteriores en lugar de sobrescribirlas en silencio, ya que la instantánea de entrenamiento de un modelo puede ir meses por detrás de su sitio actual. Use marcado estructurado para que un rastreador distinga su declaración oficial de una simple copia. Y cuando publique una corrección, colóquela en una dirección estable, que siga ahí —sin cambios— la próxima vez que algo la vuelva a indexar.

Nada de esto exige herramientas exóticas. Un registro de cambios fechado, una única página canónica por hecho, y el hábito de no reescribir la historia en silencio sin dejar rastro bastan para que la mayor parte del historial público de una organización sea rastreable —el mismo estándar, en miniatura, que aplicamos a la respuesta de un modelo cuando rastreamos una afirmación a través de ella. El listón es la coherencia, no la sofisticación.

La procedencia como disciplina, no como gesto puntual

En SetRecord, cada afirmación señalada pasa por un rastreo de procedencia antes de que recomendemos cómo corregirla —es el rastreo el que determina el objetivo, nunca al revés. Una afirmación que remonta a su propio contenido obsoleto recibe una corrección distinta de una que remonta a un agregador externo, y esta, a su vez, distinta de una sin origen rastreable en absoluto.

Ese orden de operaciones marca toda la diferencia entre una corrección que se sostiene y una que se convierte, ella misma, en una afirmación más sin verificar sobre su organización. Nuestra metodología pública documenta cómo la aplicamos caso por caso.

La misma lógica se aplica internamente, no solo a lo que le contamos a los clientes. Antes de que salga cualquier corrección, alguien distinto del analista que la rastreó revisa la cadena de forma independiente —una segunda pasada que detecta los casos en los que un rastreo aparentemente limpio en realidad descansaba sobre un supuesto que nadie había formulado en voz alta.

Vea lo que la IA dice de usted

Una auditoría SetRecord compara las respuestas de los modelos de IA compatibles con sus hechos verificables — en cinco días hábiles.