¿Puede la evidencia sobrevivir al flujo de trabajo de la IA? — La cadena de preservación de evidencia

Pregunta

¿Qué sucede cuando la fuente original es correcta, pero el pipeline de IA elimina la información necesaria para comprender correctamente esa fuente?

Un documento fiable puede convertirse en un contexto poco fiable si el análisis elimina su estructura de tabla, la fragmentación separa una condición de su excepción, la normalización descarta unidades, la recuperación pierde metadatos de versión o el ensamblaje de contexto oculta un conflicto.

Este artículo utiliza el término Cadena de Preservación de Evidencia para referirse al requisito de que la evidencia conserve las propiedades necesarias para una interpretación correcta a medida que pasa de la fuente al contexto final de la IA.

Una Cadena de Preservación de Evidencia es la secuencia de transformaciones de extremo a extremo mediante la cual la evidencia debe conservar identidad, procedencia, alcance, significado y validez antes de poder respaldar de forma segura una afirmación generada por IA.— Definición de trabajo — un concepto arquitectónico introducido aquí, no un término de investigación estandarizado.

Qué significa esto realmente

La mayoría de las discusiones sobre RAG se centran en si se puede encontrar información relevante.

Pero la evidencia normalmente pasa por varias transformaciones antes de que el modelo la vea.

Original Source
   ↓
Parsing
   ↓
Normalization
   ↓
Chunking
   ↓
Indexing
   ↓
Retrieval
   ↓
Reranking
   ↓
Context Assembly
   ↓
Model
   ↓
Claim

La evidencia puede degradarse en cualquier punto de esa cadena incluso cuando el documento original era perfectamente correcto.

Ejemplo más simple

Imagina que un manual de producto contiene esta afirmación:

Temperatura máxima de funcionamiento: 40 °C, excepto cuando el accesorio X está instalado, en cuyo caso el límite es 35 °C.— Afirmación de ejemplo de la fuente

Un proceso de fragmentación deficiente divide la oración.

Chunk A:
Maximum operating temperature: 40 °C.

Chunk B:
Except when accessory X is installed, in which case the limit is 35 °C.

El recuperador devuelve solo el Fragmento A.

El texto recuperado no es fabricado. Proviene directamente del manual. Sin embargo, el contexto está incompleto exactamente en la forma que importa.

Correct source
        +
lossy transformation
        =
misleading evidence

Dónde el ejemplo deja de funcionar

La preservación de evidencia no significa copiar cada byte de origen sin cambios en el contexto del modelo.

La compresión, normalización, fragmentación y resumen a menudo son necesarios. El objetivo es preservar las propiedades requeridas para una interpretación correcta, no eliminar la transformación.

Por lo tanto, la difícil pregunta de ingeniería es: ¿Qué propiedades son semánticamente portantes?

Respuesta directa

La evidencia sobrevive a un pipeline de IA cuando las transformaciones entre la fuente y el modelo preservan suficiente identidad, procedencia, estructura, unidades, condiciones, conflictos y metadatos de validez para que la información recuperada signifique lo mismo en contexto que lo que significaba en la fuente.

Evidence Preservation
=
meaning
+ identity
+ provenance
+ scope
+ units
+ conditions
+ validity
+ traceability

Por qué RAG puede fallar incluso con la fuente correcta

Un recuperador puede encontrar el documento correcto mientras sigue suministrando la unidad de evidencia incorrecta.

El problema puede haber ocurrido mucho antes: durante el OCR, el análisis de documentos, la extracción de HTML, la conversión de tablas, el mapeo de campos, la construcción de fragmentos o la pérdida de metadatos.

Los ocho puntos de preservación

1. Identidad

El pipeline debe preservar qué entidad, producto, documento, usuario, contrato o registro describe realmente la evidencia.

2. Procedencia

El sistema debería poder rastrear la evidencia recuperada hasta su fuente original en lugar de solo hasta un identificador de fragmento anónimo.

3. Estructura

Las tablas, los encabezados, las listas, las relaciones padre-hijo y las excepciones pueden portar un significado que desaparece cuando todo se aplana en fragmentos de texto independientes.

4. Unidades

Un número sin su unidad puede volverse inútil o peligroso. 100 puede significar milisegundos, kilogramos, euros, voltios o porcentaje de una línea base.

5. Condiciones y excepciones

Las reglas con frecuencia contienen condiciones de aplicabilidad. Separar la regla de la excepción puede conservar las palabras mientras destruye el significado.

6. Versión y tiempo

La evidencia debe preservar cuándo se volvió válida, cuándo se observó y si un objeto más nuevo la reemplaza.

7. Estado de conflicto

Si dos fuentes no coinciden, la normalización no debería seleccionar silenciosamente un valor y borrar el hecho de que existía un desacuerdo.

8. Alcance de acceso

Los límites de permisos y de inquilino deben permanecer vinculados a la evidencia durante toda la recuperación y el ensamblaje del contexto.

De datos brutos a evidencia controlada

El lugar más sólido para preservar la evidencia suele ser antes de la vectorización.

Si la identidad de la fuente, la validez y los conflictos se pierden antes de crear los embeddings, la recuperación no puede reconstruirlos mágicamente después.

La ingeniería de contexto es parte de la cadena

Incluso la evidencia recuperada correctamente puede dañarse durante el ensamblaje del contexto.

Un constructor de contexto puede truncar una excepción, eliminar etiquetas de fuente, fusionar pasajes en conflicto, reordenar dependencias o exceder el presupuesto de atención útil del modelo.

Conexión con la distancia de evidencia

La preservación de evidencia y la distancia de evidencia describen modos de fallo diferentes.

Evidence Preservation Chain:
Did the evidence survive transformation?

Evidence Distance:
How far is the final claim from that evidence?

Un sistema puede preservar la evidencia a la perfección y aun así hacer una inferencia no respaldada a partir de ella. A la inversa, el razonamiento final puede ser simple mientras que la evidencia en sí ya estaba corrompida antes en el pipeline.

Conexión con la capa de autoridad de recuperación

La capa de autoridad de recuperación selecciona qué fuente merece peso probatorio.

La cadena de preservación de evidencia garantiza que las propiedades que hacen autoritativa a esa fuente no se descarten tras la selección.

Authority at source
        ↓
Preservation through pipeline
        ↓
Authority still visible in context

Modelo de datos práctico

Una unidad de recuperación puede contener más que texto.

{
  "text": "Maximum operating temperature is 40 °C...",
  "sourceId": "manual-v4.2",
  "entityId": "device-184",
  "section": "Operating limits",
  "validFrom": "2026-03-01",
  "unit": "°C",
  "conditions": ["35 °C when accessory X is installed"],
  "authority": "manufacturer_manual",
  "conflicts": [],
  "accessScope": "public"
}

El esquema exacto depende de la aplicación. El principio arquitectónico es que el texto recuperable no debe desvincularse de los metadatos necesarios para interpretarlo.

Método de diagnóstico / decisión

Elija una respuesta importante y rastree una afirmación de respaldo hacia atrás a través del sistema.

1. Identifique la afirmación final.
2. Identifique el pasaje de contexto exacto que la respaldó.
3. Identifique el fragmento recuperado que produjo ese pasaje.
4. Identifique el registro normalizado o el documento analizado detrás del fragmento.
5. Identifique la fuente original.
6. Compare el significado, el alcance, las unidades, las condiciones y la versión en cada transición.

Cualquier punto donde desaparezca el significado esencial es una ruptura en la cadena de preservación de evidencia.

Modo de fallo: el fragmento huérfano

Un fragmento huérfano contiene texto de aspecto útil pero ninguna relación fiable con la estructura del documento, la identidad de la fuente, la versión o las condiciones de aplicabilidad de las que proviene.

"Refunds are available for 30 days."

Missing:
Which product?
Which country?
Which policy version?
From what effective date?
What exceptions?

La oración puede ser auténtica y seguir siendo evidencia no segura.

Modo de fallo: Normalización por invención

La normalización debe alinear representaciones. No debe inventar silenciosamente valores faltantes para que los registros parezcan completos.

Unknown
≠
False
≠
Zero
≠
Default

Preservar los desconocidos es parte de preservar la evidencia.

Modo de fallo: Colapso de conflictos

Supongamos que una fuente aprobada dice 24 meses y otra dice 36 meses.

Un pipeline que simplemente almacena el último valor importado produce una base de datos limpia y destruye la evidencia de que existía un conflicto.

Un sistema verificable debería preservar ambos valores, su procedencia y el conflicto no resuelto hasta que una regla o una decisión humana lo resuelva.

Modo de fallo: Compresión de contexto

La compresión de contexto puede ser útil, pero un resumen que elimina los calificadores puede aumentar la certeza aparente.

Source:
"Evidence suggests X under conditions A and B, but the sample is small."

Bad compression:
"X is proven."

La información se volvió más corta y menos veraz al mismo tiempo.

Caso límite: La compresión con pérdida aún puede ser correcta

No toda pérdida es dañina.

Eliminar el formato visual de un párrafo puede no tener ninguna consecuencia semántica. Convertir Celsius a Kelvin puede preservar el significado si la transformación es explícita y correcta. La deduplicación de copias exactas puede mejorar la recuperación sin perder evidencia.

El objetivo, por lo tanto, no es el almacenamiento sin pérdidas en cada etapa. Es una preservación semánticamente suficiente.

Limitaciones

La Cadena de Preservación de Evidencia es un marco arquitectónico, no una garantía de que la evidencia preservada se interprete correctamente.

Un modelo puede recibir evidencia perfectamente preservada y aun así razonar mal. Un recuperador puede preservar la procedencia y aun así clasificar la fuente incorrecta. Una fuente también puede ser incorrecta.

La preservación protege la canalización de evidencia. No reemplaza la evaluación de la fuente ni el razonamiento.

¿Qué cambiaría esta respuesta?

Los sistemas futuros pueden recuperar objetos de evidencia estructurados en lugar de fragmentos de texto, preservar grafos de procedencia automáticamente y exponer restricciones de validez legibles por máquina directamente a modelos y agentes.

Eso haría que la preservación de evidencia sea más fácil de implementar, pero haría que el principio sea más importante en lugar de menos importante.

Conclusión

La IA confiable requiere más que encontrar una fuente correcta.

Las propiedades que hacen útil la fuente deben sobrevivir al análisis, la normalización, la fragmentación, la recuperación y el ensamblaje del contexto.

Source Authority
      ↓
Evidence Preservation Chain
      ↓
Retrievable Evidence
      ↓
Evidence Distance
      ↓
Reasoning
      ↓
Answer Validity Boundary

Si la cadena se rompe, el modelo puede recibir información que es técnicamente auténtica pero que ya no es segura de interpretar como la evidencia original.

Fuentes primarias

Patrick Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020).

Nelson F. Liu et al., Lost in the Middle: How Language Models Use Long Contexts (2023).

W3C, PROV Overview.