Preparar el material antes de publicar con IA
Antes de confiar en un modelo, necesitas cerrar reglas de ingesta, metadatos, derechos y procedencia. También necesitas separar la fuente original, el conocimiento regenerable y la pieza publicada para poder auditar, corregir y regenerar sin perder trazabilidad.
Cuando un sistema con IA falla, muchas veces el error no empieza en el prompt. Empieza mucho antes, en el material que entró sin gobierno. Un corpus sucio, duplicado, mal fechado o sin derechos claros hace que el modelo produzca texto convincente y equivocado. Por eso la base de un Content Factory no es el modelo. Es la ingesta gobernada del dato.[^c1]
El trabajo que decide si puedes publicar
La regla práctica es simple: antes de generar nada, define qué material tienes y bajo qué condiciones puede usarse. El inventario no es un trámite. Es el punto donde decides el esquema real de tus fuentes. Cuando el material viene de naturalezas distintas, tratarlo todo como si fuera “solo texto” borra diferencias que luego importan en recuperación, edición y publicación.[^c2]
En el inventario que dio origen a este sistema aparecieron seis tipos de material: apuntes propios, transcripciones, documentación oficial, artículos de terceros, material de un curso de pago y repositorios de código. De ahí salieron los metadatos que sí había que guardar desde el inicio: tipo, autor, fecha del material, derechos de uso, nivel de autoridad, volatilidad y vigencia.[^c2]
Esos campos no cumplen la misma función.
- Tipo: te dice cómo leer y usar la fuente.
- Autor y fecha del material: te dejan distinguir el momento del contenido del momento de carga.
- Derechos de uso: funcionan como restricción operativa.
- Nivel de autoridad: te da una regla previa para resolver contradicciones.
- Volatilidad y vigencia: te ayudan a saber si una fuente envejece rápido o si ya caducó.[^c2]
Algunas decisiones conviene fijarlas como reglas duras. La fecha del material y la fecha de carga son cosas distintas. Si las mezclas, un texto viejo puede parecer reciente solo porque lo subiste hoy. Los derechos deben entrar en la consulta y no quedarse como etiqueta visual en la interfaz. La anonimización debe ocurrir en la entrada, porque en la salida ya es tarde. Y el texto normalizado debe congelarse una vez, ya que las anclas de citación dependen de ese contenido estable.[^c3]
Esa última idea cambia cómo diseñas la confianza del sistema. Si la cita apunta a posiciones dentro de un texto, ya no puedes “corregirle tantito” a la fuente sin romper la trazabilidad. Por eso conviene tratar el contenido como inmutable y los metadatos como gobernables: el texto se reemplaza o se marca obsoleto, pero no se edita; en cambio, estado, derechos, autoridad, vigencia o reemplazo sí pueden cambiar con el tiempo.[^c4]
Tres capas con ciclos de vida distintos
Una de las confusiones más caras es mezclar lo que entra al sistema, lo que el sistema recupera y lo que terminas publicando. Son capas distintas y conviene tratarlas como tales.
| Capa | Qué contiene | Cómo cambia |
|---|---|---|
| Fuente | Material crudo con origen y derechos | Es inmutable; se reemplaza, no se edita |
| Conocimiento | Fragmentos recuperables con anclas y facetas | Se deriva y se puede regenerar desde la fuente |
| Artefacto | La pieza publicada con manifiesto de procedencia | Se versiona; cada versión guarda de qué se hizo |
Esta separación da una regla clara para operar. Si cambia la fuente, regeneras conocimiento. Si cambias la redacción o la estructura editorial, generas una nueva versión del artefacto. Si corriges un juicio sobre derechos o vigencia, actualizas metadatos sin tocar el texto base.[^c5]
También evita un error común: usar la IA como una caja negra que toma “documentos” y escupe una página final sin dejar rastro. Ese camino se rechaza porque la salida útil no es cualquier texto. Debe llegar estructurada, citada y con huecos declarados, de modo que la revisión humana ocupe una fracción del trabajo y no una verificación completa desde cero.[^c6]
El objetivo operativo de este tipo de fábrica de contenido es bajar la revisión humana a cerca del 20% del tiempo total. Eso solo tiene sentido si lo generado ya viene con soporte y límites visibles. Si una persona tiene que revisar toda afirmación como si no confiara en nada, no hubo ahorro real.[^c6]
Derechos de uso: qué puedes reproducir y qué solo puedes analizar
No todo el material que entra al sistema puede salir de la misma forma. Esa decisión no debe quedar implícita.
El criterio editorial mínimo aquí distingue tres casos:
- Material reproducible. Puede mostrarse de forma literal si sus derechos lo permiten.
- Material analizable. Puede alimentar recuperación, síntesis o contraste interno, pero no debe reproducirse de forma pública.
- Material citable con límite. Puede sostener afirmaciones públicas mediante procedencia visible, sin exponer extractos ni posiciones internas.
Los fragmentos disponibles permiten sostener el criterio, aunque no una matriz completa por tipo de fuente. Se afirma de forma explícita que los derechos de uso son un filtro duro y no una etiqueta informativa.[^c2] También se documenta que la procedencia pública debe mostrar menos que la interna: en la pieza publicada se muestra fuente, autor, año y tipo de material, y cuando exista, el enlace público; el extracto literal, la afirmación exacta y las posiciones quedan en el sistema interno de auditoría.[^c7]
Eso resuelve dos necesidades a la vez. Le das al lector contexto suficiente para entender de dónde sale una idea. Y al mismo tiempo no conviertes la página pública en una reconstrucción del corpus.
Hay un ejemplo concreto de material reproducible en el corpus: el SDK oficial de IA para Laravel y su documentación se publican bajo licencia MIT, y sus fragmentos pueden reproducirse conservando la atribución.[^c8] Ese dato no te da permiso automático sobre otras fuentes. Te da el criterio: el derecho de reproducción se decide por fuente, no por conveniencia del pipeline.
Procedencia, versiones y capacidad de auditar
Si vas a publicar con apoyo de modelos, debes poder responder una pregunta incómoda: “¿de qué material salió esta versión exacta?”. Si no puedes hacerlo, no puedes auditar ni regenerar con seguridad.
La capa de artefacto necesita versión y manifiesto de procedencia. Cada versión debe guardar de qué se hizo. Además, el software debe rastrear lo publicado hasta el material que lo sostiene, saber qué piezas quedan afectadas cuando cambia una fuente y registrar con qué versión se publicó o se impartió cada instancia.[^c9]
La comprobación de procedencia no tiene que quedarse en discurso. En el corpus aparece una validación concreta: se revisa que cada fragment_id citado haya estado entre los fragmentos realmente provistos. Y también se verifica que el extracto citado coincida con el segmento exacto del contenido fuente. Si esa segunda prueba falla, la interpretación es directa: alguien cambió un texto que debía ser inmutable.[^c10]
foreach ($citations as $citation) {
if (! in_array((int) $citation['fragment_id'], $availableIds, true)) {
throw new RuntimeException(
"Se citó el fragmento {$citation['fragment_id']}, "
.'que no estaba entre los provistos.'
);
}
}
Ese bloque evita una forma básica de contaminación: atribuir respaldo a material que el sistema no entregó para esa ejecución. La consecuencia es sencilla. Si una cita no estuvo disponible, la pieza no debe pasar.
$slice = substr($source->raw_content, $citation->char_start,
$citation->char_end - $citation->char_start);
expect($slice)->toBe($citation->excerpt);
Esta segunda verificación protege las anclas. Si el texto base se movió, la cita deja de ser confiable. Entonces no basta con “volver a intentar”. Hay que investigar por qué cambió una fuente que se había congelado.[^c10]
Qué decisión sí puedes cerrar desde ahora
Con los fragmentos disponibles, sí puedes cerrar varias reglas antes de implementar detalles:
- Haz inventario antes del pipeline. De ahí sale tu esquema de fuentes.[^c2]
- Separa contenido inmutable de metadatos gobernables.[^c4]
- Mantén tres capas distintas: fuente, conocimiento y artefacto.[^c5]
- Trata derechos como filtro operativo desde la consulta.[^c3]
- Publica procedencia resumida y reserva el detalle literal para auditoría interna.[^c7]
- Versiona cada artefacto con manifiesto de procedencia para poder auditar y regenerar.[^c9]
- Rechaza el uso de la IA como caja negra si no puede declarar huecos ni sostener citas.[^c6]
Con eso todavía no tienes la implementación. Sí tienes los criterios que la implementación debe obedecer.
[^c1]: Soportado por fragmento 13. [^c2]: Soportado por fragmento 14. [^c3]: Soportado por fragmento 18. [^c4]: Soportado por fragmento 68. [^c5]: Soportado por fragmento 100. [^c6]: Soportado por fragmento 100. [^c7]: Soportado por fragmentos 46 y 82. [^c8]: Soportado por fragmentos 122 y 132. [^c9]: Soportado por fragmento 101. [^c10]: Soportado por fragmento 82.