Un equipo que decide sobre un producto físico necesita que el sistema que le asiste conozca su contexto al menos tan bien como él. Este documento describe las seis fuentes que alimentan cada análisis de Nodal, cómo se registra el origen de cada dato y en qué punto interviene el criterio humano.
Lectura de 9 min
Premisa
La calidad de una recomendación depende, ante todo, de la información sobre la que se formula. Un equipo de producto toma decisiones con conocimiento de su cartera, de sus clientes, de su capacidad industrial y de las restricciones que le afectan. Para asistirle con rigor, un sistema debe disponer de ese mismo conocimiento y, además, de lo que el equipo no tiene tiempo de reunir: evidencia de mercado actualizada, referencias industriales de otros sectores y las decisiones previas del propio proyecto.
Este documento recorre ese circuito. No describe una capacidad del modelo de lenguaje, sino la arquitectura de información que lo rodea.
Por qué una sola fuente no basta
Un modelo de lenguaje de uso general, consultado sin contexto cargado, responde a partir de una única fuente: lo aprendido durante su entrenamiento. El resultado suele ser coherente y bien formulado, pero es, por construcción, el mismo para cualquier empresa que formule la misma pregunta. Una decisión de producto físico no es intercambiable de ese modo: depende de la planta, del cliente, de la normativa aplicable y de hechos de mercado posteriores a la fecha de corte del modelo, ninguno de los cuales forma parte de su conocimiento general.
Equivalente para cualquier empresa que formule la misma consulta.
- 01Empresa
- 02Brief
- 03Base Nodal
- 04Modelo
- 05Investigación
- 06Proyecto
Formulado sobre el caso concreto del equipo, con el origen de cada dato registrado.
Las seis fuentes
Se agrupan en tres bloques según su origen. Ninguna es suficiente por sí sola, y su valor está en que cada una corrige los puntos ciegos de las demás.
Aportado por el cliente
Contexto de empresa
Cartera, clientes, capacidades de fabricación, restricciones y criterios de decisión. Es la fuente de mayor peso, porque define qué es una buena decisión para esa empresa y no para el mercado en abstracto.
Brief del producto
Objetivo, público, rango de precio y límites del proyecto concreto. Delimita la pregunta a la que el análisis debe responder.
Conocimiento de base
Base de conocimiento de Nodal
Fondo curado de conocimiento industrial y de negocio, organizado en tres ámbitos: negocio, diseño e industria. Se consulta cuando el proyecto lo requiere; no se ha utilizado para entrenar modelos.
Conocimiento del modelo
Lo adquirido por el modelo de lenguaje durante su entrenamiento: terminología técnica, razonamiento y regularidades de sectores muy diversos. Es la fuente común a cualquier sistema de este tipo; aquí es una de seis.
Generado durante el proyecto
Investigación en directo
Agentes que, para cada proyecto, localizan, leen y contrastan fuentes públicas actuales sobre mercado, tendencias, competencia y usuarios. Cubre el intervalo posterior a la fecha de corte del modelo.
Contexto acumulado del proyecto
Cada fase produce resultados que condicionan las siguientes: brief, investigación, concepto, validación, materiales. Se desarrolla más abajo, en la acumulación de contexto.
- 01Contexto de empresa
- 02Brief del producto
- 03Base de conocimiento Nodal
- 04Conocimiento del modelo
- 05Investigación en directo
- 06Contexto acumulado
Cada resultado revisado se incorpora al proyecto (fuente 06)
Trazabilidad: cada dato conserva su origen
Disponer de varias fuentes solo aporta valor si es posible saber de cuál procede cada afirmación. Un análisis cuyo origen no puede reconstruirse obliga al equipo a elegir entre aceptarlo por completo o descartarlo por completo. Con el origen registrado, el equipo puede evaluar cada dato por separado según la fiabilidad de su fuente.
Por ello, en Nodal cada dato que el sistema aporta lleva asociada su procedencia. La tabla resume qué tipo de afirmación suele apoyarse en qué fuente y qué debe comprobar el equipo en cada caso.
| Tipo de afirmación | Fuente habitual | Qué conviene verificar |
|---|---|---|
| Restricción interna (capacidad, plazos, márgenes) | 01 Contexto de empresa | Vigencia de lo aportado |
| Objetivo y límites del proyecto | 02 Brief | Que el brief refleje la intención actual |
| Práctica o referencia industrial | 03 Base de conocimiento | Aplicabilidad al sector y a la escala |
| Razonamiento y terminología técnica | 04 Modelo | Que no dependa de datos posteriores a su corte |
| Hecho de mercado, tendencia o competidor | 05 Investigación en directo | Fecha y fiabilidad de la fuente citada |
| Decisión previa del proyecto | 06 Contexto acumulado | Que la decisión siga siendo válida |
Revisión humana: del dato a la decisión
El sistema propone y el equipo decide. Esta división no es una cautela formal, sino una condición de uso: la recomendación de un sistema automático solo es útil si quien la recibe puede juzgarla. La literatura sobre interacción con sistemas automatizados documenta dos riesgos opuestos, la aceptación acrítica de lo que propone el sistema y el rechazo por desconfianza injustificada [4]. Se mitigan del mismo modo: ofreciendo a quien decide información suficiente para calibrar cuánto confiar en cada resultado [5].
La trazabilidad descrita arriba es esa información. La revisión humana es el punto donde se usa: el equipo contrasta cada dato relevante con su origen, aplica el criterio que el sistema no tiene (la historia del cliente, la relación con proveedores, la tolerancia al riesgo de la empresa) y convierte el análisis en una decisión. Esa decisión queda registrada y, a través de la fuente 06, condiciona lo que el sistema propone después.
- Trazado por el sistema01Afirmacióndel sistema
- Trazado por el sistema02Origen registradofuente, fecha, versión
- Criterio del equipo03Revisión humanacontraste con criterio
- Criterio del equipo04Decisiónregistrada
La decisión pasa a ser contexto del proyecto
Acumulación de contexto a lo largo del proyecto
Un proyecto de Nodal avanza por seis fases: briefing, mercado, conceptos, validación, visualización y dossier. Cada una hereda los resultados de las anteriores. Cuando llega la fase de visualización, el sistema dispone del brief, de la investigación de mercado y de usuario, de las tendencias, del concepto elegido, de lo decidido en la validación y de los materiales y partes del producto. La imagen y el dossier final no se generan a partir de una instrucción aislada, sino de ese recorrido completo.
El mecanismo tiene un fundamento técnico. Los modelos de lenguaje aprovechan peor la información cuando se les entrega sin criterio en contextos muy largos [3], de modo que acumular contexto no consiste en reenviar todo lo anterior, sino en conservar y recuperar lo relevante para cada fase.
Decisión final
Consulta, no entrenamiento
La base de conocimiento de Nodal (fuente 03) no se ha empleado para entrenar modelos. Funciona como fondo documental: cuando el proyecto lo requiere, el sistema recupera los fragmentos pertinentes y los incorpora a la consulta del modelo. Esta técnica, conocida como generación aumentada por recuperación, está descrita en la literatura desde 2020 [1] y revisada de forma sistemática en trabajos posteriores [2]. Su ventaja práctica es que el fondo puede corregirse, actualizarse o retirarse sin reentrenar nada, y que cada fragmento recuperado puede citarse como origen del dato, lo que hace posible la trazabilidad. La recuperación, además, es una vía reconocida para reducir las afirmaciones sin sustento que los modelos generan cuando solo disponen de lo aprendido en entrenamiento [6].
El mismo principio se aplica a la información del cliente. Su contexto y sus documentos se utilizan para atender su proyecto, y Nodal no los emplea para entrenar modelos propios ni de terceros.
Comparativa de cobertura
La tabla compara un modelo de uso general sin contexto cargado con el circuito descrito. Los valores corresponden al diseño de cada enfoque y no a una medición de calidad de respuesta.
| Dimensión | Modelo sin contexto cargado | Nodal |
|---|---|---|
| Fuentes que alimentan la respuesta | 1 de 6 | 6 de 6 |
| Conocimiento de la empresa | Ninguno | Fuente 01, aportada por el cliente |
| Actualidad de los datos de mercado | Limitada a la fecha de corte del modelo, salvo búsqueda explícita | Investigación en directo con fuentes fechadas |
| Fases previas heredadas al decidir | 0 | Hasta 5 |
| Origen de cada dato | No registrado de forma sistemática | Registrado por dato |
| Punto de revisión humana | A criterio de cada usuario | Integrado en el flujo, antes de la decisión |
Referencias
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arxiv.org/abs/2005.11401
- Gao, Y. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arxiv.org/abs/2312.10997
- Liu, N. F. et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. Transactions of the ACL. arxiv.org/abs/2307.03172
- Parasuraman, R. & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors, 52(3), 381-410.
- Lee, J. D. & See, K. A. (2004). Trust in Automation: Designing for Appropriate Reliance. Human Factors, 46(1), 50-80.
- Ji, Z. et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12). arxiv.org/abs/2202.03629
