La ventaja de trabajar con datos curados

Saber qué fuentes existen

Clasifica propietarios, formatos, versiones y acceso. Señala documentos contradictorios, obsoletos o sin responsable antes de indexarlos.

Conservar contexto y permisos

Una respuesta necesita vincularse a una versión y una sección verificables. La ingesta debe respetar las reglas de acceso del origen y admitir retirada o actualización.

Probar dónde falla

Construye preguntas representativas, incluidas aquellas para las que no hay respuesta. Revisa citas, abstención, documentos vencidos y diferencias entre roles.

La ventaja no es una promesa de cero errores: es poder detectar, explicar y corregir mejor los errores.

Un inventario que sirva para decidir

Para cada colección documental, anota propietario, finalidad, fecha de revisión, formato, grupos con acceso y forma de retirada. Si dos políticas se contradicen, no pidas al modelo que resuelva la contradicción: asigna a una persona la decisión sobre cuál es vigente. La revisión de fuentes puede aportar más que cambiar el modelo.

En una evaluación, separa preguntas que requieren recuperar un dato exacto de las que necesitan síntesis. Para ambas, registra la fuente esperada. Así puedes saber si el problema está en el documento, la búsqueda, el permiso o la respuesta generada.

Convertir un archivo en fuente gobernada

Antes de ingerir documentos, acota una colección y relaciona cada elemento con su sistema de origen, responsable, versión, fecha de revisión, sensibilidad y audiencia permitida. Conserva un identificador estable para que una corrección o retirada en origen llegue al índice. Decide cuál es la copia válida cuando un fichero exportado, una página y un PDF se contradicen. El modelo no puede fijar por sí solo la política de la organización.

En un ejemplo ilustrativo de procedimientos, marca una versión antigua como retirada y otra nueva como vigente. La búsqueda debe identificar la versión actual y la sección concreta. Si sigue apareciendo la retirada, corrige la fuente o el ciclo de indexación antes de ajustar el prompt. Es un ejemplo sintético, no un despliegue medido.

Probar toda la cadena de recuperación

Comprueba por separado extracción, fragmentación, metadatos, filtro de acceso, ranking y composición de respuesta. Una respuesta aparentemente correcta puede citar la versión equivocada; un buen recuperador puede entregar al generador un fragmento sin autorización. Prepara casos de dato exacto, dos fuentes que deban combinarse, pregunta sin respaldo y contradicción documental. Registra para cada uno fuente esperada, rol permitido, resultado y tipo de fallo.

Repite la misma pregunta con dos roles que tengan permisos distintos. Compara los fragmentos recuperados antes de comparar las respuestas finales, e incluye caché, registros y exportaciones en la revisión de límites. Una cita sirve si el fragmento respalda la afirmación y el lector puede abrirlo. Una respuesta segura sin evidencia es un fallo de prueba, no algo que deba esconderse en una puntuación global.

Hacer observables actualización y retirada

Acuerda quién aprueba cambios de fuente, cada cuánto se actualiza el índice, cómo se confirma un borrado y qué ocurre si una fuente no está disponible. Registra versiones y cambios en la evaluación para localizar una regresión en la fuente, la búsqueda o la generación. Curar datos no elimina alucinaciones; permite diagnosticar mejor los fallos y corregirlos.

Para decidir una implementación, consulta RAG privado y la guía de RAG local-first. La pregunta útil es qué información está autorizada, vigente y permite responder, no cuántos documentos se pueden subir.