[{"data":1,"prerenderedAt":1399},["ShallowReactive",2],{"blog-post-es-\u002Fes\u002Fblog\u002Feu-ai-act-dora-evidence-packs":3,"blog-list-es":116,"i-circle-flags:lang-es":1374,"i-mdi:book-search-outline":1378,"i-mdi:shield-lock-outline":1381,"i-mdi:robot-outline":1383,"i-mdi:calculator-variant-outline":1385,"i-mdi:shield-search":1387,"i-mdi:book-open-page-variant-outline":1389,"i-mdi:scale-balance":1391,"i-mdi:linkedin":1393,"i-mdi:twitter":1395,"i-mdi:github":1397},{"id":4,"title":5,"author":6,"body":7,"date":101,"description":102,"draft":103,"extension":104,"image":105,"meta":106,"navigation":107,"path":108,"seo":109,"stem":110,"tags":111,"__hash__":115},"blog_es\u002Fblog\u002Feu-ai-act-dora-evidence-packs.md","Paquetes de evidencia del Company Brain para EU AI Act y DORA","Minerva Data Solutions",{"type":8,"value":9,"toc":93},"minimark",[10,14,17,22,25,28,53,57,60,63,67,70],[11,12,13],"p",{},"Para organizaciones europeas financieras y reguladas, el compliance de IA se está convirtiendo en un problema de evidencia en tiempo de ejecución. Las políticas importan, pero los auditores necesitan pruebas de que el sistema se comportó correctamente: logs, aprobaciones, incidentes, cambios de modelo, dependencias de proveedores y overrides humanos.",[11,15,16],{},"El error es crear un proceso de evidencia para el AI Act y otro para DORA. El patrón más robusto es una capa de telemetría común con distintas vistas regulatorias.",[18,19,21],"h3",{"id":20},"dónde-se-solapan-las-obligaciones","Dónde se solapan las obligaciones",[11,23,24],{},"El AI Act empuja hacia gestión de riesgos, documentación técnica, logs de operación, transparencia, supervisión humana, gestión de calidad y monitorización posterior al despliegue. DORA exige gestión de riesgo TIC, notificación de incidentes, pruebas de resiliencia, registro de terceros y continuidad operativa.",[11,26,27],{},"Los documentos son distintos, pero la evidencia suele venir de los mismos eventos:",[29,30,31,35,38,41,44,47,50],"ul",{},[32,33,34],"li",{},"Qué sistema de IA se usó",[32,36,37],{},"Quién lo activó",[32,39,40],{},"Qué proceso de negocio afectó",[32,42,43],{},"Qué fuentes de datos, herramientas y proveedores intervinieron",[32,45,46],{},"Qué versiones de modelo y prompt se ejecutaron",[32,48,49],{},"Si una persona revisó, aprobó, rechazó o corrigió la salida",[32,51,52],{},"Si hubo incidente, deriva, incumplimiento de política o violación de acceso",[18,54,56],{"id":55},"el-modelo-de-evidence-pack","El modelo de evidence pack",[11,58,59],{},"Un evidence pack es un paquete listo para regulador generado desde telemetría viva del sistema. Debería incluir registro del sistema de IA, clasificación de riesgo, flujo de datos, inventario de modelos y proveedores, logs por ejecución, registros de supervisión humana, dependencias de terceros, política de retención e incidentes relacionados.",[11,61,62],{},"Para una vista AI Act, expón documentación técnica, logs de operación, evidencia de supervisión y resultados de monitorización. Para una vista DORA, expón mapa de riesgo TIC, concentración de terceros, forensics de incidentes, controles de resiliencia e impacto en continuidad.",[18,64,66],{"id":65},"qué-evitar","Qué evitar",[11,68,69],{},"No dependas solo de cuestionarios o políticas estáticas. Son catálogos útiles, pero no prueban comportamiento real. La evidencia debe venir del sistema de IA, desde que recupera datos, llama herramientas, genera output y espera aprobación humana.",[11,71,72,73,80,81,86,87,92],{},"Lecturas útiles: ",[74,75,79],"a",{"href":76,"rel":77},"https:\u002F\u002Fwww.knowlee.ai\u002Fblog\u002Fai-compliance-banking-dora-ai-act",[78],"nofollow","AI compliance for banking where DORA meets the AI Act",", ",[74,82,85],{"href":83,"rel":84},"https:\u002F\u002Fwww.knowlee.ai\u002Fblog\u002Fai-audit-trail-implementation-guide",[78],"guía de audit trail para el EU AI Act"," y ",[74,88,91],{"href":89,"rel":90},"https:\u002F\u002Fwww.sphereinc.com\u002Fblogs\u002Fai-system-registry-regulator-ready",[78],"guía de registro de sistemas de IA",".",{"title":94,"searchDepth":95,"depth":95,"links":96},"",2,[97,99,100],{"id":20,"depth":98,"text":21},3,{"id":55,"depth":98,"text":56},{"id":65,"depth":98,"text":66},"2026-05-24","Estructuras prácticas de evidencia para gobernanza de IA, resiliencia operativa y automatización controlada.",false,"md","\u002Fimg\u002Fog-image.png",{},true,"\u002Fblog\u002Feu-ai-act-dora-evidence-packs",{"title":5,"description":102},"blog\u002Feu-ai-act-dora-evidence-packs",[112,113,114],"EU AI Act","DORA","AI governance","CLWi7Fsidnm7ZCKQpHIoBU5Wc0Q57C0GwmfdhoW8yWw",[117,344,578,786,968,1059,1117,1188,1275],{"id":118,"title":119,"author":6,"body":120,"date":334,"description":335,"draft":103,"extension":104,"image":105,"meta":336,"navigation":107,"path":337,"seo":338,"stem":339,"tags":340,"__hash__":343},"blog_es\u002Fblog\u002Fwhat-is-a-company-brain.md","¿Qué es un Company Brain?",{"type":8,"value":121,"toc":320},[122,125,128,136,139,144,147,150,170,173,177,180,186,192,198,204,208,212,215,219,222,226,229,233,236,240,243,247,250,253,270,273,277,280,283,286,289,307,311,314,317],[11,123,124],{},"La mayoría de empresas ya no están bloqueadas por la calidad del modelo. Están bloqueadas por el conocimiento específico de su organización.",[11,126,127],{},"El modelo puede escribir, razonar, resumir y llamar herramientas. Pero no sabe cómo tu empresa gestiona reembolsos, excepciones de precio, onboarding, incidentes, revisiones de proveedores, documentos regulados o compromisos con clientes. Ese conocimiento vive en documentos, unidades compartidas, wikis, hilos de Slack, tickets, bases de datos y en la cabeza de las personas.",[11,129,130,131,135],{},"Un ",[132,133,134],"strong",{},"Company Brain"," es la capa operativa que convierte ese conocimiento disperso en instrucciones estructuradas, gobernadas y listas para agentes.",[11,137,138],{},"No es un chatbot sobre documentos. No es búsqueda empresarial con una interfaz más bonita. Un Company Brain es un mapa vivo de cómo trabaja tu empresa, qué fuentes respaldan cada instrucción, quién posee el conocimiento y dónde la automatización necesita revisión humana.",[140,141,143],"h2",{"id":142},"por-qué-las-empresas-necesitan-un-company-brain","Por qué las empresas necesitan un Company Brain",[11,145,146],{},"La automatización con IA falla cuando los agentes tienen que adivinar. Pueden tener acceso a un corpus documental, pero acceso no es lo mismo que entender las reglas operativas.",[11,148,149],{},"Por ejemplo, un agente puede encontrar una política de reembolsos. Eso aún no le dice:",[29,151,152,155,158,161,164,167],{},[32,153,154],{},"qué segmentos de cliente tienen excepciones",[32,156,157],{},"cuándo legal o finanzas deben aprobar la decisión",[32,159,160],{},"qué versión de la política está vigente",[32,162,163],{},"si un hilo antiguo de Slack cambió el procedimiento",[32,165,166],{},"quién es el dueño del proceso hoy",[32,168,169],{},"qué evidencia debe guardarse para revisión",[11,171,172],{},"Las personas suelen cubrir esos huecos con memoria y juicio informal. Los agentes no pueden operar así con seguridad. Necesitan contexto estructurado de la empresa.",[140,174,176],{"id":175},"qué-contiene-un-company-brain","Qué contiene un Company Brain",[11,178,179],{},"Un Company Brain útil tiene cuatro capas.",[11,181,182,185],{},[132,183,184],{},"Fuentes."," Documentos, unidades compartidas, wikis, tickets, bases de datos, políticas, contratos, SOPs y otros lugares donde ya existe el conocimiento de la empresa.",[11,187,188,191],{},[132,189,190],{},"Estructura."," Flujos, decisiones, excepciones, responsables, obligaciones y dependencias extraídos de esas fuentes. Es la diferencia entre “encontramos un archivo” y “sabemos cómo se hace este trabajo”.",[11,193,194,197],{},[132,195,196],{},"Gobernanza."," Evidencia de fuente, versionado, puertas de revisión, ownership y control de acceso. Toda respuesta o instrucción importante debe poder trazarse a algo que un humano pueda verificar.",[11,199,200,203],{},[132,201,202],{},"Instrucciones listas para agentes."," Instrucciones operativas que equipos y agentes pueden seguir: qué hacer, cuándo escalar, qué herramientas pueden usarse, qué evidencia guardar y dónde debe detenerse la automatización.",[140,205,207],{"id":206},"los-beneficios","Los beneficios",[18,209,211],{"id":210},"automatización-más-rápida-sin-confianza-ciega","Automatización más rápida sin confianza ciega",[11,213,214],{},"Un Company Brain da a los agentes el contexto que necesitan para actuar sin pretender que el modelo conoce tu negocio por defecto. El agente sigue instrucciones gobernadas en lugar de improvisar a partir de documentos en bruto.",[18,216,218],{"id":217},"mejores-decisiones","Mejores decisiones",[11,220,221],{},"Los equipos encuentran más rápido la respuesta operativa vigente: qué política aplica, quién la posee, qué cambió y qué evidencia la respalda.",[18,223,225],{"id":224},"traspasos-más-seguros","Traspasos más seguros",[11,227,228],{},"Cuando el conocimiento vive solo en la cabeza de los expertos, el onboarding y el trabajo entre equipos son frágiles. Un Company Brain hace que el conocimiento operativo sea más fácil de transferir sin perder evidencia de fuente.",[18,230,232],{"id":231},"flujos-listos-para-auditoría","Flujos listos para auditoría",[11,234,235],{},"El trabajo regulado necesita más que una buena respuesta. Necesita procedencia: documentos fuente, versiones, responsables, estado de revisión y el camino de razonamiento que llevó a la acción.",[18,237,239],{"id":238},"flexibilidad-de-modelos","Flexibilidad de modelos",[11,241,242],{},"Un Company Brain no debería depender de un único proveedor de modelos. Algunos flujos pueden usar modelos propietarios por calidad. Otros pueden usar open source o self-hosted por privacidad, coste, latencia o residencia de datos. La capa de conocimiento gobernado debe permanecer estable mientras la capa de modelo sigue siendo intercambiable.",[140,244,246],{"id":245},"self-hosting-y-control","Self-hosting y control",[11,248,249],{},"Para muchas organizaciones, la pregunta no es solo “¿Puede la IA hacer esto?”. Es “¿Dónde van los datos, quién puede auditarlo y podemos operarlo dentro de nuestro propio entorno?”",[11,251,252],{},"Un Company Brain debería soportar patrones de despliegue controlados:",[29,254,255,258,261,264,267],{},[32,256,257],{},"nube privada o entornos self-hosted cuando la residencia de datos lo exige",[32,259,260],{},"modelos open source cuando importa la propiedad o la inspección del modelo",[32,262,263],{},"modelos propietarios cuando importan la capacidad o la velocidad",[32,265,266],{},"enrutado mixto de modelos según la sensibilidad de la carga",[32,268,269],{},"registros de auditoría para recuperación, generación, revisión y acción",[11,271,272],{},"El objetivo no es self-hostearlo todo por defecto. El objetivo es poseer la capa operativa: fuentes, políticas, evaluación, evidencia y revisión. El hosting del modelo se convierte en una decisión deliberada, no en una dependencia accidental.",[140,274,276],{"id":275},"cómo-lo-aborda-minerva","Cómo lo aborda Minerva",[11,278,279],{},"Minerva Company Brain se centra en la capa entre los datos brutos de la empresa y una automatización con IA fiable.",[11,281,282],{},"Primero, extrae conocimiento de documentos, unidades compartidas y wikis. Luego estructura flujos, decisiones y excepciones. Después mantiene respuestas e instrucciones ligadas a evidencia de fuente y revisión humana. Por último, expone instrucciones operativas que equipos y agentes pueden usar con seguridad.",[11,284,285],{},"Minerva Stands amplía esa idea hacia la ejecución: agentes open source auditables que pueden ejecutar instrucciones gobernadas del Company Brain con guardrails, control de acceso por rutas y una pista de auditoría embebida.",[11,287,288],{},"Ese es el bucle completo:",[290,291,292,295,298,301,304],"ol",{},[32,293,294],{},"conectar el conocimiento",[32,296,297],{},"estructurar cómo trabaja la empresa",[32,299,300],{},"gobernar la evidencia",[32,302,303],{},"exponer instrucciones",[32,305,306],{},"ejecutar con agentes revisables",[140,308,310],{"id":309},"conclusión","Conclusión",[11,312,313],{},"Toda empresa que quiera una automatización con IA fiable necesitará un Company Brain.",[11,315,316],{},"No porque la búsqueda esté rota. No porque los chatbots sean malos. Porque la automatización necesita una comprensión estructurada de cómo funciona realmente el negocio.",[11,318,319],{},"Las empresas que construyan esa capa primero automatizarán más rápido, gobernarán mejor y evitarán la trampa de pedir a modelos potentes que adivinen a partir de un contexto desordenado.",{"title":94,"searchDepth":95,"depth":95,"links":321},[322,323,324,331,332,333],{"id":142,"depth":95,"text":143},{"id":175,"depth":95,"text":176},{"id":206,"depth":95,"text":207,"children":325},[326,327,328,329,330],{"id":210,"depth":98,"text":211},{"id":217,"depth":98,"text":218},{"id":224,"depth":98,"text":225},{"id":231,"depth":98,"text":232},{"id":238,"depth":98,"text":239},{"id":245,"depth":95,"text":246},{"id":275,"depth":95,"text":276},{"id":309,"depth":95,"text":310},"2026-06-19","Una explicación práctica de la capa que falta entre el conocimiento disperso de la empresa y una automatización con IA fiable.",{},"\u002Fblog\u002Fwhat-is-a-company-brain",{"title":119,"description":335},"blog\u002Fwhat-is-a-company-brain",[134,341,342],"automatización con IA","gobernanza","G-ZNe4mi-dyewZC9iKOieTXnyGG2Y-SW4cfgR0bQ_r0",{"id":345,"title":346,"author":6,"body":347,"date":567,"description":568,"draft":103,"extension":104,"image":105,"meta":569,"navigation":107,"path":570,"seo":571,"stem":572,"tags":573,"__hash__":577},"blog_es\u002Fblog\u002Fowning-your-ai-models.md","Estrategia de modelos para un Company Brain: OSS, propietarios o ambos",{"type":8,"value":348,"toc":560},[349,356,359,363,369,380,386,392,398,402,408,414,420,426,436,440,466,473,477,480,540,542,553],[11,350,351,352,355],{},"“Ser dueño de tus modelos” suena a soberanía. A veces lo es. A veces es ",[132,353,354],{},"teatro caro de soberanía"," — factura de GPU con los mismos huecos de gobernanza que una API SaaS, más dolor de guardias.",[11,357,358],{},"Aquí va un mapa práctico para equipos regulados con mucho documento.",[18,360,362],{"id":361},"cuándo-tener-modelos-propios-es-realmente-bueno","Cuándo tener modelos propios es realmente bueno",[11,364,365,368],{},[132,366,367],{},"Control del camino de datos."," La inferencia se queda en tu VPC o región soberana. Sin ambigüedad de entrenamiento del proveedor — si lo configuras así y lo verificas en contrato y telemetría.",[11,370,371,374,375,379],{},[132,372,373],{},"Economía unitaria predecible a escala."," Embeddings e inferencia por lotes en volumen alto pueden ser más baratos en GPU propia — ",[376,377,378],"em",{},"si"," la utilización se mantiene alta y tienes gente para operarlo.",[11,381,382,385],{},[132,383,384],{},"Profundidad de personalización."," Fine-tuning, adaptadores de dominio y despliegues cuantizados on-prem importan cuando los modelos genéricos fallan en terminología o documentos con layout complejo.",[11,387,388,391],{},[132,389,390],{},"Entornos air-gapped o restringidos."," Defensa, infraestructura crítica y algunas redes financieras no pueden llamar APIs públicas. La propiedad no es preferencia; es restricción.",[11,393,394,397],{},[132,395,396],{},"Ajuste de latencia y residencia."," Colocas inferencia junto a almacenamiento e índices vectoriales — útil cuando milisegundos y jurisdicción importan a la vez.",[18,399,401],{"id":400},"cuándo-tener-modelos-propios-es-realmente-malo","Cuándo tener modelos propios es realmente malo",[11,403,404,407],{},[132,405,406],{},"Heredas el impuesto MLOps."," GPUs, drivers, deriva de CUDA, model cards, rollback, capacidad, parches de seguridad — eso es un equipo de plataforma, no un side project.",[11,409,410,413],{},[132,411,412],{},"Acantilados de utilización."," Un clúster perfecto el lunes a las 9 puede estar idle el domingo. Las APIs gestionadas externalizan esa volatilidad.",[11,415,416,419],{},[132,417,418],{},"Frescura del modelo."," Los foundation models avanzan cada trimestre. Quien self-hostea necesita programa de actualización o acepta retraso de capacidades.",[11,421,422,425],{},[132,423,424],{},"Los riesgos de datos siguen ahí."," Tener el modelo no significa tener el riesgo resuelto. Un mal RAG, logging o tooling de agentes puede filtrar igual por tu propio stack.",[11,427,428,431,432,435],{},[132,429,430],{},"El cumplimiento no es automático."," SOC2 tuyo más ISO tuyo más auditoría de ",[376,433,434],{},"tus"," logs de inferencia. La propiedad traslada responsabilidad — puede ser correcto, pero no es gratis.",[18,437,439],{"id":438},"el-patrón-híbrido-que-más-equipos-mid-market-deberían-considerar","El patrón híbrido que más equipos mid-market deberían considerar",[290,441,442,448,454,460],{},[32,443,444,447],{},[132,445,446],{},"Recuperación y evidencia sensibles"," en tu entorno",[32,449,450,453],{},[132,451,452],{},"Modelos gestionados para picos de inferencia"," con contratos estrictos de no entrenamiento",[32,455,456,459],{},[132,457,458],{},"Evaluación y logging"," agnósticos al proveedor",[32,461,462,465],{},[132,463,464],{},"Una capa de abstracción"," para cambiar local ↔ API sin reescribir flujos",[11,467,468,469,472],{},"Eso es propiedad del ",[132,470,471],{},"sistema"," — no necesariamente de cada matriz de pesos.",[18,474,476],{"id":475},"checklist-de-decisión","Checklist de decisión",[11,478,479],{},"Responde con honestidad antes de comprar GPUs:",[481,482,483,496],"table",{},[484,485,486],"thead",{},[487,488,489,493],"tr",{},[490,491,492],"th",{},"Pregunta",[490,494,495],{},"Si la respuesta es “no,” pausa",[497,498,499,508,516,524,532],"tbody",{},[487,500,501,505],{},[502,503,504],"td",{},"¿Tenemos cobertura 24\u002F7 para caídas de inferencia?",[502,506,507],{},"Self-hosting dolerá",[487,509,510,513],{},[502,511,512],{},"¿El volumen es estable para mantener GPUs ocupadas?",[502,514,515],{},"TCO probablemente pierde",[487,517,518,521],{},[502,519,520],{},"¿Podemos actualizar modelos cada trimestre?",[502,522,523],{},"Te quedarás atrás",[487,525,526,529],{},[502,527,528],{},"¿Necesitamos air-gap o residencia que APIs no dan?",[502,530,531],{},"Propiedad puede ser obligatoria",[487,533,534,537],{},[502,535,536],{},"¿El cuello de botella es calidad de recuperación, no tamaño de modelo?",[502,538,539],{},"Arregla RAG antes que hardware",[18,541,310],{"id":309},[11,543,544,545,548,549,552],{},"Tener modelos propios compensa cuando los ",[132,546,547],{},"requisitos de control son duros"," y la ",[132,550,551],{},"madurez operativa es real",". Es malo cuando el objetivo es privacidad por vibes o evitar partidas de API sin contar años de ingeniería.",[11,554,555,556,559],{},"La jugada ganadora para la mayoría de equipos documentales regulados es ",[132,557,558],{},"ser dueño de evidencia, políticas y evaluación"," — y tratar el hosting del modelo como una capa deliberada e intercambiable.",{"title":94,"searchDepth":95,"depth":95,"links":561},[562,563,564,565,566],{"id":361,"depth":98,"text":362},{"id":400,"depth":98,"text":401},{"id":438,"depth":98,"text":439},{"id":475,"depth":98,"text":476},{"id":309,"depth":98,"text":310},"2026-06-14","Cómo elegir modelos open source, propietarios o self-hosted cuando el activo real es conocimiento empresarial gobernado.",{},"\u002Fblog\u002Fowning-your-ai-models",{"title":346,"description":568},"blog\u002Fowning-your-ai-models",[574,575,576],"model ownership","infrastructure","privacy","WUoBlafQI80FNq00xp8i5iRmqZpba5ZtGKW_eUuZSNU",{"id":579,"title":580,"author":6,"body":581,"date":775,"description":776,"draft":103,"extension":104,"image":105,"meta":777,"navigation":107,"path":778,"seo":779,"stem":780,"tags":781,"__hash__":785},"blog_es\u002Fblog\u002Fai-assistant-document-summarization.md","Los resúmenes del Company Brain son decisiones",{"type":8,"value":582,"toc":765},[583,590,594,597,608,611,615,622,625,629,632,670,673,677,680,691,694,698,701,712,715,719,726,730,733,753,756,758],[11,584,585,586,589],{},"El resumen es el riesgo más subestimado en IA documental. Parece de bajo impacto frente a la generación. En la práctica, ",[132,587,588],{},"la gente decide a partir de resúmenes"," — escalados, respuestas a auditoría, onboarding ejecutivo y firmas. Un resumen incorrecto es una decisión incorrecta con mejor tipografía.",[18,591,593],{"id":592},"_1-la-compresión-oculta-incertidumbre","1. La compresión oculta incertidumbre",[11,595,596],{},"Los modelos comprimen la ambigüedad en viñetas claras. Esa es la función del producto y el pasivo. Exige que los resúmenes muestren:",[29,598,599,602,605],{},[32,600,601],{},"qué está dicho explícitamente en las fuentes",[32,603,604],{},"qué se infiere",[32,606,607],{},"qué falta en el conjunto recuperado",[11,609,610],{},"Si el sistema no puede decir “evidencia insuficiente”, dirá algo igualmente.",[18,612,614],{"id":613},"_2-los-resúmenes-multi-documento-necesitan-límites-explícitos","2. Los resúmenes multi-documento necesitan límites explícitos",[11,616,617,618,621],{},"Resumir varios documentos es potente en auditorías y due diligence. También es donde ocurre la ",[132,619,620],{},"mezcla de contextos"," — cláusulas de un contrato atribuidas a otro, o políticas de una entidad antigua mezcladas con la actual.",[11,623,624],{},"Impón límites por workspace, asunto o data room. Nunca resumas cruzando líneas de tenant o asunto porque la UI lo facilitó.",[18,626,628],{"id":627},"_3-la-longitud-es-una-decisión-de-política-no-un-default-del-modelo","3. La longitud es una decisión de política, no un default del modelo",[11,630,631],{},"“Resumen ejecutivo” y “resumen operativo” son productos distintos:",[481,633,634,644],{},[484,635,636],{},[487,637,638,641],{},[490,639,640],{},"Audiencia",[490,642,643],{},"Necesita",[497,645,646,654,662],{},[487,647,648,651],{},[502,649,650],{},"Ejecutivo",[502,652,653],{},"decisión, riesgo, fecha, responsable",[487,655,656,659],{},[502,657,658],{},"Operaciones",[502,660,661],{},"pasos, excepciones, sistemas, contactos",[487,663,664,667],{},[502,665,666],{},"Auditoría",[502,668,669],{},"mapeo de controles, punteros a evidencia",[11,671,672],{},"Un solo control de “longitud” da el recuento de palabras correcto y el contenido equivocado.",[18,674,676],{"id":675},"_4-las-citas-deben-sobrevivir-al-resumen","4. Las citas deben sobrevivir al resumen",[11,678,679],{},"Un resumen sin punteros es un memo sin procedencia. Como mínimo, cada viñeta material debe enlazar a:",[29,681,682,685,688],{},[32,683,684],{},"ID de documento",[32,686,687],{},"sección o página",[32,689,690],{},"hash de fragmento u offset",[11,692,693],{},"Las comprobaciones de fidelidad deben aplicarse también a resúmenes — no solo a respuestas de Q&A.",[18,695,697],{"id":696},"_5-la-obsolescencia-es-un-bug-de-resumen","5. La obsolescencia es un bug de resumen",[11,699,700],{},"Los resúmenes envejecen mal cuando cambia el corpus. Vincula cada resumen a:",[29,702,703,706,709],{},[32,704,705],{},"versiones de documentos fuente usadas",[32,707,708],{},"marca temporal de generación",[32,710,711],{},"política de caducidad o refresco",[11,713,714],{},"Un resumen del trimestre pasado es un incidente esperando a la próxima auditoría.",[18,716,718],{"id":717},"_6-límites-de-pii-y-privilegio","6. Límites de PII y privilegio",[11,720,721,722,725],{},"Resumir entre carpetas de RR. HH., legal y clientes puede filtrar campos que las políticas de recuperación debían bloquear. Aplica redacción ",[132,723,724],{},"antes"," del resumen, no después. Registra acceso por rol.",[18,727,729],{"id":728},"_7-métricas-de-evaluación-que-sirven","7. Métricas de evaluación que sirven",[11,731,732],{},"Comprobaciones offline útiles:",[29,734,735,741,747],{},[32,736,737,740],{},[132,738,739],{},"cobertura"," — ¿están todos los temas requeridos reflejados o marcados como ausentes?",[32,742,743,746],{},[132,744,745],{},"fidelidad"," — ¿cada viñeta se sostiene en su fragmento citado?",[32,748,749,752],{},[132,750,751],{},"estabilidad"," — ¿re-ejecutar sobre la misma versión produce decisiones materialmente iguales?",[11,754,755],{},"La perfección académica no es el objetivo. La detección estable de deriva sí.",[18,757,310],{"id":309},[11,759,760,761,764],{},"Trata el resumen como ",[132,762,763],{},"apoyo a la decisión con procedencia",", no como atajo de lectura. Los equipos que ganan atan resúmenes a evidencia, versiones y revisores — no a la confianza del modelo.",{"title":94,"searchDepth":95,"depth":95,"links":766},[767,768,769,770,771,772,773,774],{"id":592,"depth":98,"text":593},{"id":613,"depth":98,"text":614},{"id":627,"depth":98,"text":628},{"id":675,"depth":98,"text":676},{"id":696,"depth":98,"text":697},{"id":717,"depth":98,"text":718},{"id":728,"depth":98,"text":729},{"id":309,"depth":98,"text":310},"2026-06-12","Por qué los resúmenes de IA necesitan evidencia de origen, frescura y revisión antes de convertirse en conocimiento operativo.",{},"\u002Fblog\u002Fai-assistant-document-summarization",{"title":580,"description":776},"blog\u002Fai-assistant-document-summarization",[782,783,784],"summarization","AI assistants","compliance","eRbZ2vMmx1IdY8-lqVgHWexFmi2I-7GT22pfI8tMynU",{"id":787,"title":788,"author":6,"body":789,"date":958,"description":959,"draft":103,"extension":104,"image":105,"meta":960,"navigation":107,"path":961,"seo":962,"stem":963,"tags":964,"__hash__":967},"blog_es\u002Fblog\u002Fai-assistant-document-generation.md","La generación documental con IA necesita un Company Brain",{"type":8,"value":790,"toc":948},[791,798,802,809,820,823,827,838,853,857,860,871,874,878,881,907,911,914,922,925,936,939,941],[11,792,793,794,797],{},"Los equipos adoran la generación de documentos porque parece apalancamiento instantáneo: una página en blanco se convierte en borrador de política, cláusula o SOP en segundos. El fallo no es la gramática. Es ",[132,795,796],{},"autoridad sin base"," — texto que suena oficial pero no está ligado a fuentes aprobadas, versiones vigentes ni responsables claros.",[18,799,801],{"id":800},"_1-generar-sin-recuperación-es-ficción-con-formato","1. Generar sin recuperación es ficción con formato",[11,803,804,805,808],{},"Si el asistente no está limitado a evidencia recuperada y aprobada, inventará estructura que ",[376,806,807],{},"parece"," correcta. En flujos regulados, trata cada párrafo generado como una afirmación que debe mapear a:",[29,810,811,814,817],{},[32,812,813],{},"un documento o cláusula fuente",[32,815,816],{},"una versión de plantilla aprobada",[32,818,819],{},"un responsable humano explícito",[11,821,822],{},"Sin ese mapeo no generas documentos. Aceleras retrabajo.",[18,824,826],{"id":825},"_2-las-plantillas-son-barandillas-no-el-producto","2. Las plantillas son barandillas, no el producto",[11,828,829,830,833,834,837],{},"La buena generación parte de ",[132,831,832],{},"plantillas controladas"," (bibliotecas de cláusulas, esqueletos de políticas, patrones de SOP) más ",[132,835,836],{},"contexto vivo"," (jurisdicción, entidad, línea de producto, nivel de riesgo). El modelo debe rellenar huecos — no rediseñar la arquitectura del documento en cada ejecución.",[11,839,840,841,844,845,848,849,852],{},"Regla práctica: separa ",[376,842,843],{},"estructura"," (plantilla) de ",[376,846,847],{},"lenguaje"," (modelo) de ",[376,850,851],{},"hechos"," (recuperación).",[18,854,856],{"id":855},"_3-el-versionado-gana-a-la-elocuencia","3. El versionado gana a la elocuencia",[11,858,859],{},"Un borrador bellísimo de la versión equivocada de una política es peor que uno tosco de la correcta. Antes de generar, resuelve:",[29,861,862,865,868],{},[32,863,864],{},"qué familia documental es autoritativa",[32,866,867],{},"si las versiones derogadas quedan fuera de la recuperación",[32,869,870],{},"quién puede publicar la salida",[11,872,873],{},"Si tu stack no puede responder “¿qué versión es esta?”, no despliegues generación a producción.",[18,875,877],{"id":876},"_4-la-revisión-humana-es-un-flujo-no-un-disclaimer","4. La revisión humana es un flujo, no un disclaimer",[11,879,880],{},"El “human in the loop” falla cuando la revisión es una casilla al final. La revisión efectiva es por etapas:",[290,882,883,889,895,901],{},[32,884,885,888],{},[132,886,887],{},"Comprobación de evidencia"," — ¿las citas respaldan cada afirmación material?",[32,890,891,894],{},[132,892,893],{},"Comprobación de alcance"," — ¿el borrador coincide con el tipo de documento y la jurisdicción pedidos?",[32,896,897,900],{},[132,898,899],{},"Comprobación de delta"," — ¿qué cambió respecto a la última versión aprobada?",[32,902,903,906],{},[132,904,905],{},"Comprobación de aprobación"," — quién firmó, cuándo y bajo qué política",[18,908,910],{"id":909},"_5-registro-y-retención-importan-en-auditorías","5. Registro y retención importan en auditorías",[11,912,913],{},"Reguladores y auditoría interna preguntarán qué modelo, qué prompt, qué fuentes y qué humano aprobó la salida. Registra eventos de generación con IDs de documento — nunca el cuerpo completo en logs de aplicación.",[18,915,917,918,921],{"id":916},"_6-cuándo-no-usar-generación","6. Cuándo ",[376,919,920],{},"no"," usar generación",[11,923,924],{},"No uses borradores generativos para:",[29,926,927,930,933],{},[32,928,929],{},"posiciones legales vinculantes sin revisión de asesoría",[32,931,932],{},"procedimientos críticos para seguridad sin validación de experto",[32,934,935],{},"cualquier caso donde un verbo incorrecto cambie la responsabilidad",[11,937,938],{},"Usa generación para acelerar dentro de un marco gobernado — no como sustituto de la propiedad del documento.",[18,940,310],{"id":309},[11,942,943,944,947],{},"La generación de documentos compensa cuando es ",[132,945,946],{},"basada en recuperación, acotada por plantillas, consciente de versiones y con revisión obligatoria",". Si no, es la forma más rápida de producir documentos incorrectos con mucha confianza.",{"title":94,"searchDepth":95,"depth":95,"links":949},[950,951,952,953,954,955,957],{"id":800,"depth":98,"text":801},{"id":825,"depth":98,"text":826},{"id":855,"depth":98,"text":856},{"id":876,"depth":98,"text":877},{"id":909,"depth":98,"text":910},{"id":916,"depth":98,"text":956},"6. Cuándo no usar generación",{"id":309,"depth":98,"text":310},"2026-06-10","Por qué políticas, contratos y SOPs necesitan contexto gobernado de fuentes antes de que los borradores de IA sean seguros de usar.",{},"\u002Fblog\u002Fai-assistant-document-generation",{"title":788,"description":959},"blog\u002Fai-assistant-document-generation",[965,783,966],"document generation","governance","5wPRU62e7-7XiUwb8U5Fx8lGAM01EaHBfApZ5zOg3YE",{"id":969,"title":970,"author":6,"body":971,"date":1048,"description":1049,"draft":103,"extension":104,"image":105,"meta":1050,"navigation":107,"path":1051,"seo":1052,"stem":1053,"tags":1054,"__hash__":1058},"blog_es\u002Fblog\u002Fenterprise-rag-audit-trail.md","Cada respuesta del Company Brain necesita pruebas",{"type":8,"value":972,"toc":1043},[973,976,979,983,986,1006,1009,1013,1016,1019,1023,1026],[11,974,975],{},"Enterprise RAG no es simplemente “chat con tus documentos”. En equipos regulados, el producto real es una cadena de evidencia defendible: quién preguntó, qué documentos se buscaron, qué fragmentos se recuperaron, qué modelo respondió y qué fuentes exactas respaldan la respuesta.",[11,977,978],{},"Esto importa porque una respuesta convincente sin procedencia es peligrosa. Puede ahorrar cinco minutos hoy y costar cinco semanas en una auditoría, revisión legal, disputa con un proveedor o escalado al comité de dirección.",[18,980,982],{"id":981},"qué-necesita-una-respuesta-rag-auditable","Qué necesita una respuesta RAG auditable",[11,984,985],{},"Una respuesta útil para empresa debería incluir un registro de procedencia:",[29,987,988,991,994,997,1000,1003],{},[32,989,990],{},"ID del documento, título, propietario, versión y estado de retención",[32,992,993],{},"Página, sección, párrafo o fragmento que respalda cada afirmación",[32,995,996],{},"Método de recuperación, score de ranking, score de reranking e instantánea del índice",[32,998,999],{},"Versión del prompt, versión del modelo, temperatura y llamadas a herramientas",[32,1001,1002],{},"Usuario, workspace, timestamp, política de acceso y contexto de negocio",[32,1004,1005],{},"Respuesta final más los IDs de evidencia que declara usar",[11,1007,1008],{},"La idea central es la reproducibilidad. Si alguien cuestiona una respuesta seis meses después, el equipo debe poder reconstruir qué sabía el sistema en ese momento, no cómo está el corpus ahora.",[18,1010,1012],{"id":1011},"el-patrón-de-arquitectura","El patrón de arquitectura",[11,1014,1015],{},"Empieza con un archivo bruto. Normaliza el texto a una representación canónica. Divide en fragmentos con reglas estables. Guarda cada fragmento con metadatos que sobrevivan a todo el pipeline. Versiona los índices, no solo los documentos. Después registra recuperación, reranking, generación y validación de citas como una única traza.",[11,1017,1018],{},"Aquí fallan muchos prototipos de RAG. Guardan la respuesta final y algunas citas, pero no alternativas recuperadas, scores, versión del índice, inputs del prompt o controles de acceso. Sirve para una demo. No sirve para compliance.",[18,1020,1022],{"id":1021},"qué-medir","Qué medir",[11,1024,1025],{},"No basta con “la respuesta parece buena”. Mide precisión de recuperación, validez de citas, fidelidad, calidad del rechazo, tasa de documentos obsoletos y exactitud cuando no hay respuesta. En flujos regulados, decir “no hay respuesta fiable en el corpus actual” suele ser mejor que inventarla.",[11,1027,72,1028,80,1033,86,1038,92],{},[74,1029,1032],{"href":1030,"rel":1031},"https:\u002F\u002Ffuzzypoint.uk\u002Fenterprise-rag-designing-retrieval-augmented-generation-with",[78],"Enterprise RAG with provenance and auditability",[74,1034,1037],{"href":1035,"rel":1036},"https:\u002F\u002Flangfuse.com\u002Fguides\u002Fcookbook\u002Fevaluation_of_rag_with_ragas",[78],"evaluación RAG con Ragas en Langfuse",[74,1039,1042],{"href":1040,"rel":1041},"https:\u002F\u002Flangfuse.com\u002Fdocs\u002Fobservability\u002Fdata-model",[78],"conceptos de observabilidad de Langfuse",{"title":94,"searchDepth":95,"depth":95,"links":1044},[1045,1046,1047],{"id":981,"depth":98,"text":982},{"id":1011,"depth":98,"text":1012},{"id":1021,"depth":98,"text":1022},"2026-05-25","Cómo trazar respuestas hasta la evidencia de origen para que auditoría, legal, dirección y agentes confíen en lo que dijo el sistema.",{},"\u002Fblog\u002Fenterprise-rag-audit-trail",{"title":970,"description":1049},"blog\u002Fenterprise-rag-audit-trail",[1055,1056,1057],"enterprise RAG","audit trail","document intelligence","NLYwl9-DbiyNGLwmXK2Zt-JyOy3nSh0eo9OQt37u7oc",{"id":4,"title":5,"author":6,"body":1060,"date":101,"description":102,"draft":103,"extension":104,"image":105,"meta":1114,"navigation":107,"path":108,"seo":1115,"stem":110,"tags":1116,"__hash__":115},{"type":8,"value":1061,"toc":1109},[1062,1064,1066,1068,1070,1072,1088,1090,1092,1094,1096,1098],[11,1063,13],{},[11,1065,16],{},[18,1067,21],{"id":20},[11,1069,24],{},[11,1071,27],{},[29,1073,1074,1076,1078,1080,1082,1084,1086],{},[32,1075,34],{},[32,1077,37],{},[32,1079,40],{},[32,1081,43],{},[32,1083,46],{},[32,1085,49],{},[32,1087,52],{},[18,1089,56],{"id":55},[11,1091,59],{},[11,1093,62],{},[18,1095,66],{"id":65},[11,1097,69],{},[11,1099,72,1100,80,1103,86,1106,92],{},[74,1101,79],{"href":76,"rel":1102},[78],[74,1104,85],{"href":83,"rel":1105},[78],[74,1107,91],{"href":89,"rel":1108},[78],{"title":94,"searchDepth":95,"depth":95,"links":1110},[1111,1112,1113],{"id":20,"depth":98,"text":21},{"id":55,"depth":98,"text":56},{"id":65,"depth":98,"text":66},{},{"title":5,"description":102},[112,113,114],{"id":1118,"title":1119,"author":6,"body":1120,"date":1177,"description":1178,"draft":103,"extension":104,"image":105,"meta":1179,"navigation":107,"path":1180,"seo":1181,"stem":1182,"tags":1183,"__hash__":1187},"blog_es\u002Fblog\u002Fcitation-faithfulness-rag.md","Las citas no son gobernanza",{"type":8,"value":1121,"toc":1172},[1122,1125,1128,1132,1135,1138,1141,1145,1148,1152,1155],[11,1123,1124],{},"Los enlaces a fuentes hacen que una respuesta de IA parezca fiable. Pero no la convierten automáticamente en fiable. Un sistema RAG puede citar un documento real y aun así tergiversarlo, citar un documento que no usó realmente o añadir una fuente después de generar la respuesta desde memoria del modelo.",[11,1126,1127],{},"Por eso los equipos que construyen inteligencia documental deben separar presencia de cita de fidelidad de cita.",[18,1129,1131],{"id":1130},"tres-fallos-de-citación-a-vigilar","Tres fallos de citación a vigilar",[11,1133,1134],{},"El primer fallo son IDs de cita inventados. El modelo fabrica una referencia a un fragmento que nunca fue recuperado. Esto se detecta fácil: obliga a usar un formato estricto y valida cada ID citado contra el conjunto de evidencias recuperadas antes de devolver la respuesta.",[11,1136,1137],{},"El segundo fallo es atribución débil. El fragmento citado existe, pero no respalda la afirmación. Esto exige evaluación de fidelidad: comparar las afirmaciones de la respuesta contra el contexto recuperado, no solo comprobar si hay una cita.",[11,1139,1140],{},"El tercer fallo es autoridad obsoleta. La fuente respaldaba la afirmación antes, pero fue reemplazada por una política, adenda contractual, regulación o procedimiento más reciente. Por eso importan el versionado documental y la expiración de índices.",[18,1142,1144],{"id":1143},"controles-en-tiempo-de-ejecución","Controles en tiempo de ejecución",[11,1146,1147],{},"En runtime, limita al modelo a citar solo IDs recuperados. Rechaza o reintenta si la respuesta cita IDs no soportados. Exige que cada afirmación material se mapee a uno o más fragmentos. Añade una ruta explícita de “no hay evidencia suficiente”. Trata la sobrecitación como defecto, porque citar todos los documentos en cada frase vuelve las citas inútiles.",[18,1149,1151],{"id":1150},"controles-de-evaluación","Controles de evaluación",[11,1153,1154],{},"Evalúa precisión de contexto, relevancia de respuesta, validez de citas y fidelidad sobre trazas de producción. Empieza con scoring por lotes si el coste preocupa. El objetivo no es una métrica académica perfecta; es una señal estable que indique cuándo deriva la recuperación, el chunking o el comportamiento del modelo.",[11,1156,1157,1158,80,1163,86,1168,92],{},"Fuentes útiles: ",[74,1159,1162],{"href":1160,"rel":1161},"https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3731120.3744592",[78],"Correctness is not Faithfulness in Retrieval Augmented Generation Attributions",[74,1164,1167],{"href":1165,"rel":1166},"https:\u002F\u002Fhelain-zimmermann.com\u002Fblog\u002Fenterprise-rag-with-citation-tracking-and-audit-trails",[78],"Enterprise RAG with citation tracking and audit trails",[74,1169,1171],{"href":1035,"rel":1170},[78],"evaluación RAG con Ragas",{"title":94,"searchDepth":95,"depth":95,"links":1173},[1174,1175,1176],{"id":1130,"depth":98,"text":1131},{"id":1143,"depth":98,"text":1144},{"id":1150,"depth":98,"text":1151},"2026-05-23","Por qué las respuestas con fuentes también fallan, y qué controles necesita un Company Brain antes de que equipos o agentes actúen.",{},"\u002Fblog\u002Fcitation-faithfulness-rag",{"title":1119,"description":1178},"blog\u002Fcitation-faithfulness-rag",[1184,1185,1186],"RAG evaluation","citations","hallucinations","rZ-DAqXnsBo6Ln2CaRYqhYC10PMr2qagXBapA-_VgFI",{"id":1189,"title":1190,"author":6,"body":1191,"date":1264,"description":1265,"draft":103,"extension":104,"image":105,"meta":1266,"navigation":107,"path":1267,"seo":1268,"stem":1269,"tags":1270,"__hash__":1274},"blog_es\u002Fblog\u002Fdocument-ingestion-checklist.md","Antes del Company Brain: checklist de ingesta documental",{"type":8,"value":1192,"toc":1257},[1193,1196,1199,1203,1206,1209,1213,1216,1219,1223,1226,1229,1233,1236,1239,1243,1246],[11,1194,1195],{},"La mayoría de proyectos de document AI no fallan en la capa de chatbot. Fallan antes: permisos desordenados, documentos duplicados, OCR débil, falta de propietario, metadatos pobres, archivos obsoletos y ninguna forma de probar qué versión se usó.",[11,1197,1198],{},"Antes de construir RAG, construye disciplina de ingesta.",[18,1200,1202],{"id":1201},"_1-clasifica-el-corpus","1. Clasifica el corpus",[11,1204,1205],{},"Empieza separando familias documentales: políticas, procedimientos, contratos, packs de comité, evidencias de auditoría, manuales técnicos, facturas, emails y PDFs escaneados. Cada familia tiene estructura, retención, propietarios y riesgo diferentes.",[11,1207,1208],{},"No trates todo el shared drive como un único bloque. Una cláusula contractual, una excepción de política y una factura escaneada necesitan reglas distintas de parsing y revisión.",[18,1210,1212],{"id":1211},"_2-conserva-la-fuente-de-verdad","2. Conserva la fuente de verdad",[11,1214,1215],{},"Guarda una copia bruta inmutable. Almacena el texto extraído por separado. Registra versión del parser, motor OCR, idioma, número de páginas, checksum, propietario, fecha de creación, modificación y ubicación original.",[11,1217,1218],{},"Si el texto extraído cambia porque mejoras OCR o parsing, debes saber qué fuente produjo el resultado anterior.",[18,1220,1222],{"id":1221},"_3-normaliza-antes-de-embeber","3. Normaliza antes de embeber",[11,1224,1225],{},"Limpia cabeceras, pies, números de página, boilerplate, guiones, tablas y notas legales repetidas. Conserva señales de layout cuando importan: títulos, secciones, tablas, cláusulas, firmas y anexos.",[11,1227,1228],{},"Embeber texto sucio crea recuperación sucia. El modelo no compensa un corpus roto durante la ingesta.",[18,1230,1232],{"id":1231},"_4-trocea-por-significado-no-por-tamaño-arbitrario","4. Trocea por significado, no por tamaño arbitrario",[11,1234,1235],{},"El chunking debe respetar la estructura del documento. Las políticas funcionan por sección. Los contratos por cláusula. Los manuales por procedimiento. Las tablas necesitan tratamiento especial. Un corte ciego de 1.000 tokens es simple, pero puede partir la evidencia exacta por la mitad.",[11,1237,1238],{},"Cada chunk debe llevar metadatos suficientes: ID de documento, versión, página, ruta de encabezados, número de cláusula, idioma, scope de acceso y política de retención.",[18,1240,1242],{"id":1241},"_5-valida-antes-de-lanzar","5. Valida antes de lanzar",[11,1244,1245],{},"Usa preguntas reales. Incluye preguntas sin respuesta, conflictos entre documentos antiguos y nuevos, documentos restringidos por permisos y lenguaje ambiguo. Mide precisión de recuperación antes de optimizar el LLM.",[11,1247,72,1248,86,1253,92],{},[74,1249,1252],{"href":1250,"rel":1251},"https:\u002F\u002Ftowardsdatascience.com\u002Fdocument-intelligence-a-series-on-building-rag-brick-by-brick-from-minimal-to-corpus-scale\u002F",[78],"serie de enterprise document intelligence",[74,1254,1256],{"href":1030,"rel":1255},[78],"patrones de procedencia en enterprise RAG",{"title":94,"searchDepth":95,"depth":95,"links":1258},[1259,1260,1261,1262,1263],{"id":1201,"depth":98,"text":1202},{"id":1211,"depth":98,"text":1212},{"id":1221,"depth":98,"text":1222},{"id":1231,"depth":98,"text":1232},{"id":1241,"depth":98,"text":1242},"2026-05-22","Las comprobaciones previas que evitan que mal OCR, versiones incorrectas y fugas de permisos envenenen tu capa de automatización.",{},"\u002Fblog\u002Fdocument-ingestion-checklist",{"title":1190,"description":1265},"blog\u002Fdocument-ingestion-checklist",[1271,1272,1273],"document AI","ingestion","knowledge management","Fc8gWqp3mA5gbu1WqZm8V9OEIfWQjpRA8SlS6cOWzQA",{"id":1276,"title":1277,"author":6,"body":1278,"date":1364,"description":1365,"draft":103,"extension":104,"image":105,"meta":1366,"navigation":107,"path":1367,"seo":1368,"stem":1369,"tags":1370,"__hash__":1373},"blog_es\u002Fblog\u002Fai-system-registry-shadow-ai.md","La IA en la sombra es un problema de Company Brain",{"type":8,"value":1279,"toc":1359},[1280,1283,1286,1290,1293,1325,1328,1332,1335,1338,1342,1345,1348],[11,1281,1282],{},"No puedes gobernar sistemas de IA que no puedes nombrar. Ese es el problema del shadow AI: los equipos adoptan asistentes, herramientas de automatización, procesadores documentales, extensiones de navegador, agentes y copilotos SaaS más rápido de lo que governance puede inventariarlos.",[11,1284,1285],{},"Una hoja de cálculo es un comienzo, pero no es un registro. Un buen registro de sistemas de IA está vivo, tiene propietarios, se puede buscar y se puede exportar.",[18,1287,1289],{"id":1288},"qué-debe-estar-en-el-registro","Qué debe estar en el registro",[11,1291,1292],{},"Cada entrada debería responder preguntas prácticas:",[29,1294,1295,1298,1301,1304,1307,1310,1313,1316,1319,1322],{},[32,1296,1297],{},"Cómo se llama el sistema y quién lo posee",[32,1299,1300],{},"Qué proceso de negocio soporta",[32,1302,1303],{},"Si es interno, vendor-hosted, embebido en SaaS u open source",[32,1305,1306],{},"Qué modelo o proveedor usa",[32,1308,1309],{},"A qué datos accede",[32,1311,1312],{},"Si procesa datos personales, confidenciales, financieros, legales o regulados",[32,1314,1315],{},"Qué clasificación de riesgo tiene",[32,1317,1318],{},"Qué supervisión humana existe",[32,1320,1321],{},"Qué logs, políticas, evaluaciones e incidentes están vinculados",[32,1323,1324],{},"Si la organización puede suspenderlo rápido",[11,1326,1327],{},"El registro debe cubrir sistemas formales y sistemas sombra. Si no, las herramientas de mayor riesgo pueden ser precisamente las que nadie ha revisado.",[18,1329,1331],{"id":1330},"el-workflow-que-funciona","El workflow que funciona",[11,1333,1334],{},"El descubrimiento debería combinar datos de compras, logs de SSO, señales de red, telemetría de endpoints, gasto financiero, extensiones de navegador y entrevistas con equipos de negocio. Después cada sistema avanza por un ciclo: descubierto, perfilado, clasificado, documentado, aprobado, monitorizado y retirado.",[11,1336,1337],{},"No hagas que legal o compliance rellenen todo manualmente. Los propietarios de producto aportan contexto. Seguridad enriquece señales de acceso y flujo de datos. Ingeniería expone telemetría y dependencias de modelo. Compliance define criterios de clasificación y aprobación.",[18,1339,1341],{"id":1340},"qué-lo-hace-listo-para-regulador","Qué lo hace listo para regulador",[11,1343,1344],{},"Un registro listo para regulador puede exportar datos estructurados bajo demanda. Debe incluir nombre, propósito, owner, vendor, riesgo, dominio de despliegue, categorías de datos, modelo\u002Fproveedor, estado documental, estado de supervisión, historial de incidentes y fecha de revisión.",[11,1346,1347],{},"El objetivo no es burocracia. Es claridad operativa. Cuando un regulador, cliente o consejo pregunta “¿dónde usamos IA?”, la respuesta debería tardar minutos, no semanas.",[11,1349,72,1350,86,1354,92],{},[74,1351,1353],{"href":89,"rel":1352},[78],"guía de AI system registry",[74,1355,1358],{"href":1356,"rel":1357},"https:\u002F\u002Fwww.knowlee.ai\u002Fblog\u002Fai-act-compliance-for-agentic-platforms-2026",[78],"AI Act compliance for agentic platforms",{"title":94,"searchDepth":95,"depth":95,"links":1360},[1361,1362,1363],{"id":1288,"depth":98,"text":1289},{"id":1330,"depth":98,"text":1331},{"id":1340,"depth":98,"text":1341},"2026-05-21","Por qué los equipos necesitan inventariar sistemas de IA, fuentes de conocimiento, responsables y rutas de modelos antes de automatizar.",{},"\u002Fblog\u002Fai-system-registry-shadow-ai",{"title":1277,"description":1365},"blog\u002Fai-system-registry-shadow-ai",[1371,1372,966],"AI registry","shadow AI","OxFQce1K5untq4A-X-pqruFEM2hBVbBO5XGa4OzImSI",{"left":1375,"top":1375,"width":1376,"height":1376,"rotate":1375,"vFlip":103,"hFlip":103,"body":1377},0,512,"\u003Cmask id=\"SVGuywqVbel\">\u003Ccircle cx=\"256\" cy=\"256\" r=\"256\" fill=\"#fff\"\u002F>\u003C\u002Fmask>\u003Cg mask=\"url(#SVGuywqVbel)\">\u003Cpath fill=\"#ffda44\" d=\"m0 128l256-32l256 32v256l-256 32L0 384Z\"\u002F>\u003Cpath fill=\"#d80027\" d=\"M0 0h512v128H0zm0 384h512v128H0z\"\u002F>\u003Cg fill=\"#eee\">\u003Cpath d=\"M144 304h-16v-80h16zm128 0h16v-80h-16z\"\u002F>\u003Cellipse cx=\"208\" cy=\"296\" rx=\"48\" ry=\"32\"\u002F>\u003C\u002Fg>\u003Cg fill=\"#d80027\">\u003Crect width=\"16\" height=\"24\" x=\"128\" y=\"192\" rx=\"8\"\u002F>\u003Crect width=\"16\" height=\"24\" x=\"272\" y=\"192\" rx=\"8\"\u002F>\u003Cpath d=\"M208 272v24a24 24 0 0 0 24 24a24 24 0 0 0 24-24v-24h-24z\"\u002F>\u003C\u002Fg>\u003Crect width=\"32\" height=\"16\" x=\"120\" y=\"208\" fill=\"#ff9811\" ry=\"8\"\u002F>\u003Crect width=\"32\" height=\"16\" x=\"264\" y=\"208\" fill=\"#ff9811\" ry=\"8\"\u002F>\u003Crect width=\"32\" height=\"16\" x=\"120\" y=\"304\" fill=\"#ff9811\" rx=\"8\"\u002F>\u003Crect width=\"32\" height=\"16\" x=\"264\" y=\"304\" fill=\"#ff9811\" rx=\"8\"\u002F>\u003Cpath fill=\"#ff9811\" d=\"M160 272v24c0 8 4 14 9 19l5-6l5 10a21 21 0 0 0 10 0l5-10l5 6c6-5 9-11 9-19v-24h-9l-5 8l-5-8h-10l-5 8l-5-8z\"\u002F>\u003Cpath fill=\"#d80027\" d=\"M122 248a4 4 0 0 0-4 4a4 4 0 0 0 4 4h172a4 4 0 0 0 4-4a4 4 0 0 0-4-4zm0 24a4 4 0 0 0-4 4a4 4 0 0 0 4 4h28a4 4 0 0 0 4-4a4 4 0 0 0-4-4zm144 0a4 4 0 0 0-4 4a4 4 0 0 0 4 4h28a4 4 0 0 0 4-4a4 4 0 0 0-4-4z\"\u002F>\u003Cpath fill=\"#eee\" d=\"M196 168c-7 0-13 5-15 11l-5-1c-9 0-16 7-16 16s7 16 16 16c7 0 13-4 15-11a16 16 0 0 0 17-4a16 16 0 0 0 17 4a16 16 0 1 0 10-20a16 16 0 0 0-27-5q-4.5-6-12-6m0 8c5 0 8 4 8 8c0 5-3 8-8 8c-4 0-8-3-8-8c0-4 4-8 8-8m24 0c5 0 8 4 8 8c0 5-3 8-8 8c-4 0-8-3-8-8c0-4 4-8 8-8m-44 10l4 1l4 8c0 4-4 7-8 7s-8-3-8-8c0-4 4-8 8-8m64 0c5 0 8 4 8 8c0 5-3 8-8 8c-4 0-8-3-8-7l4-8z\"\u002F>\u003Cpath fill=\"none\" d=\"M220 284v12c0 7 5 12 12 12s12-5 12-12v-12z\"\u002F>\u003Cpath fill=\"#ff9811\" d=\"M200 160h16v32h-16z\"\u002F>\u003Cpath fill=\"#eee\" d=\"M208 224h48v48h-48z\"\u002F>\u003Cpath fill=\"#d80027\" d=\"m248 208l-8 8h-64l-8-8c0-13 18-24 40-24s40 11 40 24m-88 16h48v48h-48z\"\u002F>\u003Crect width=\"20\" height=\"32\" x=\"222\" y=\"232\" fill=\"#d80027\" rx=\"10\" ry=\"10\"\u002F>\u003Cpath fill=\"#ff9811\" d=\"M168 232v8h8v16h-8v8h32v-8h-8v-16h8v-8zm8-16h64v8h-64z\"\u002F>\u003Cg fill=\"#ffda44\">\u003Ccircle cx=\"186\" cy=\"202\" r=\"6\"\u002F>\u003Ccircle cx=\"208\" cy=\"202\" r=\"6\"\u002F>\u003Ccircle cx=\"230\" cy=\"202\" r=\"6\"\u002F>\u003C\u002Fg>\u003Cpath fill=\"#d80027\" d=\"M169 272v43a24 24 0 0 0 10 4v-47zm20 0v47a24 24 0 0 0 10-4v-43z\"\u002F>\u003Cg fill=\"#338af3\">\u003Ccircle cx=\"208\" cy=\"272\" r=\"16\"\u002F>\u003Crect width=\"32\" height=\"16\" x=\"264\" y=\"320\" ry=\"8\"\u002F>\u003Crect width=\"32\" height=\"16\" x=\"120\" y=\"320\" ry=\"8\"\u002F>\u003C\u002Fg>\u003C\u002Fg>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1380},24,"\u003Cpath fill=\"currentColor\" d=\"M15.5 12c2.5 0 4.5 2 4.5 4.5c0 .88-.25 1.71-.69 2.4l3.08 3.1L21 23.39l-3.12-3.07c-.69.43-1.51.68-2.38.68c-2.5 0-4.5-2-4.5-4.5s2-4.5 4.5-4.5m0 2a2.5 2.5 0 0 0-2.5 2.5a2.5 2.5 0 0 0 2.5 2.5a2.5 2.5 0 0 0 2.5-2.5a2.5 2.5 0 0 0-2.5-2.5M13 4v8l-2.5-2.25L8 12V4H6v16h4c.54.81 1.23 1.5 2.03 2H6a2 2 0 0 1-2-2V4a2 2 0 0 1 2-2h12a2 2 0 0 1 2 2v7.81c-.58-.55-1.25-1-2-1.31V4z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1382},"\u003Cpath fill=\"currentColor\" d=\"M21 11c0 5.55-3.84 10.74-9 12c-5.16-1.26-9-6.45-9-12V5l9-4l9 4zm-9 10c3.75-1 7-5.46 7-9.78V6.3l-7-3.12L5 6.3v4.92C5 15.54 8.25 20 12 21m2.8-10V9.5C14.8 8.1 13.4 7 12 7S9.2 8.1 9.2 9.5V11c-.6 0-1.2.6-1.2 1.2v3.5c0 .7.6 1.3 1.2 1.3h5.5c.7 0 1.3-.6 1.3-1.2v-3.5c0-.7-.6-1.3-1.2-1.3m-1.3 0h-3V9.5c0-.8.7-1.3 1.5-1.3s1.5.5 1.5 1.3z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1384},"\u003Cpath fill=\"currentColor\" d=\"M17.5 15.5c0 1.11-.89 2-2 2s-2-.89-2-2s.9-2 2-2s2 .9 2 2m-9-2c-1.1 0-2 .9-2 2s.9 2 2 2s2-.89 2-2s-.89-2-2-2M23 15v3c0 .55-.45 1-1 1h-1v1c0 1.11-.89 2-2 2H5a2 2 0 0 1-2-2v-1H2c-.55 0-1-.45-1-1v-3c0-.55.45-1 1-1h1c0-3.87 3.13-7 7-7h1V5.73c-.6-.34-1-.99-1-1.73c0-1.1.9-2 2-2s2 .9 2 2c0 .74-.4 1.39-1 1.73V7h1c3.87 0 7 3.13 7 7h1c.55 0 1 .45 1 1m-2 1h-2v-2c0-2.76-2.24-5-5-5h-4c-2.76 0-5 2.24-5 5v2H3v1h2v3h14v-3h2z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1386},"\u003Cpath fill=\"currentColor\" d=\"M19 3H5c-1.1 0-2 .9-2 2v14c0 1.1.9 2 2 2h14c1.1 0 2-.9 2-2V5c0-1.1-.9-2-2-2m0 16H5V5h14zM6.2 7.7h5v1.5h-5zm6.8 8.1h5v1.5h-5zm0-2.6h5v1.5h-5zM8 18h1.5v-2h2v-1.5h-2v-2H8v2H6V16h2zm6.1-7.1l1.4-1.4l1.4 1.4l1.1-1l-1.4-1.4L18 7.1L16.9 6l-1.4 1.4L14.1 6L13 7.1l1.4 1.4L13 9.9z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1388},"\u003Cpath fill=\"currentColor\" d=\"M12 9a3 3 0 0 1 3 3a3 3 0 0 1-3 3a3 3 0 0 1-3-3a3 3 0 0 1 3-3m5.86 10.31C16.23 21.22 14.28 22.45 12 23c-2.56-.61-4.7-2.07-6.42-4.37C3.86 16.34 3 13.8 3 11V5l9-4l9 4v6c0 2.39-.64 4.61-1.92 6.67l-2.91-2.91c.52-.79.83-1.76.83-2.76a5 5 0 0 0-5-5a5 5 0 0 0-5 5a5 5 0 0 0 5 5c1 0 1.97-.31 2.76-.83z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1390},"\u003Cpath fill=\"currentColor\" d=\"m19 1l-5 5v11l5-4.5zm2 4v13.5c-1.1-.35-2.3-.5-3.5-.5c-1.7 0-4.15.65-5.5 1.5V6c-1.45-1.1-3.55-1.5-5.5-1.5S2.45 4.9 1 6v14.65c0 .25.25.5.5.5c.1 0 .15-.05.25-.05C3.1 20.45 5.05 20 6.5 20c1.95 0 4.05.4 5.5 1.5c1.35-.85 3.8-1.5 5.5-1.5c1.65 0 3.35.3 4.75 1.05c.1.05.15.05.25.05c.25 0 .5-.25.5-.5V6c-.6-.45-1.25-.75-2-1M10 18.41C8.75 18.09 7.5 18 6.5 18c-1.06 0-2.32.19-3.5.5V7.13c.91-.4 2.14-.63 3.5-.63s2.59.23 3.5.63z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1392},"\u003Cpath fill=\"currentColor\" d=\"M12 3c-1.27 0-2.4.8-2.82 2H3v2h1.95L2 14c-.47 2 1 3 3.5 3s4.06-1 3.5-3L6.05 7h3.12c.33.85.98 1.5 1.83 1.83V20H2v2h20v-2h-9V8.82c.85-.32 1.5-.97 1.82-1.82h3.13L15 14c-.47 2 1 3 3.5 3s4.06-1 3.5-3l-2.95-7H21V5h-6.17C14.4 3.8 13.27 3 12 3m0 2a1 1 0 0 1 1 1a1 1 0 0 1-1 1a1 1 0 0 1-1-1a1 1 0 0 1 1-1m-6.5 5.25L7 14H4zm13 0L20 14h-3z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1394},"\u003Cpath fill=\"currentColor\" d=\"M19 3a2 2 0 0 1 2 2v14a2 2 0 0 1-2 2H5a2 2 0 0 1-2-2V5a2 2 0 0 1 2-2zm-.5 15.5v-5.3a3.26 3.26 0 0 0-3.26-3.26c-.85 0-1.84.52-2.32 1.3v-1.11h-2.79v8.37h2.79v-4.93c0-.77.62-1.4 1.39-1.4a1.4 1.4 0 0 1 1.4 1.4v4.93zM6.88 8.56a1.68 1.68 0 0 0 1.68-1.68c0-.93-.75-1.69-1.68-1.69a1.69 1.69 0 0 0-1.69 1.69c0 .93.76 1.68 1.69 1.68m1.39 9.94v-8.37H5.5v8.37z\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1396},"\u003Cpath fill=\"currentColor\" d=\"M22.46 6c-.77.35-1.6.58-2.46.69c.88-.53 1.56-1.37 1.88-2.38c-.83.5-1.75.85-2.72 1.05C18.37 4.5 17.26 4 16 4c-2.35 0-4.27 1.92-4.27 4.29c0 .34.04.67.11.98C8.28 9.09 5.11 7.38 3 4.79c-.37.63-.58 1.37-.58 2.15c0 1.49.75 2.81 1.91 3.56c-.71 0-1.37-.2-1.95-.5v.03c0 2.08 1.48 3.82 3.44 4.21a4.2 4.2 0 0 1-1.93.07a4.28 4.28 0 0 0 4 2.98a8.52 8.52 0 0 1-5.33 1.84q-.51 0-1.02-.06C3.44 20.29 5.7 21 8.12 21C16 21 20.33 14.46 20.33 8.79c0-.19 0-.37-.01-.56c.84-.6 1.56-1.36 2.14-2.23\"\u002F>",{"left":1375,"top":1375,"width":1379,"height":1379,"rotate":1375,"vFlip":103,"hFlip":103,"body":1398},"\u003Cpath fill=\"currentColor\" d=\"M12 2A10 10 0 0 0 2 12c0 4.42 2.87 8.17 6.84 9.5c.5.08.66-.23.66-.5v-1.69c-2.77.6-3.36-1.34-3.36-1.34c-.46-1.16-1.11-1.47-1.11-1.47c-.91-.62.07-.6.07-.6c1 .07 1.53 1.03 1.53 1.03c.87 1.52 2.34 1.07 2.91.83c.09-.65.35-1.09.63-1.34c-2.22-.25-4.55-1.11-4.55-4.92c0-1.11.38-2 1.03-2.71c-.1-.25-.45-1.29.1-2.64c0 0 .84-.27 2.75 1.02c.79-.22 1.65-.33 2.5-.33s1.71.11 2.5.33c1.91-1.29 2.75-1.02 2.75-1.02c.55 1.35.2 2.39.1 2.64c.65.71 1.03 1.6 1.03 2.71c0 3.82-2.34 4.66-4.57 4.91c.36.31.69.92.69 1.85V21c0 .27.16.59.67.5C19.14 20.16 22 16.42 22 12A10 10 0 0 0 12 2\"\u002F>",1784650031913]