Investigación con agentes de IA
Consultora de alianzas estratégicas · sector social
Diez agentes de IA trabajando en dos fases. Y una regla que no se negocia: ningún hallazgo existe si no trae su fuente y su fecha.
de punta a punta
cada uno con fuente y fecha
con barrera de dependencia
el esquema no lo permite
Una consultora de alianzas estratégicas del sector social necesita saber, antes de sentar a dos organizaciones a conversar, quién es realmente cada una: cómo está constituida, quién la dirige, de dónde salen sus recursos y qué ha hecho hasta hoy. Ese levantamiento lo hacía una experta a mano, fuente por fuente.
Seis recolectan en paralelo: cinco buscan en la web y uno lee los PDF públicos para interpretar los estados financieros. Los cuatro analistas de síntesis solo arrancan cuando todos terminaron. La barrera es deliberada — un analista que sintetiza sobre un corpus incompleto produce conclusiones falsas con toda seguridad.
Cada agente reporta tokens, búsquedas, latencia y costo, visibles en la interfaz. Una investigación tiene costo conocido y predecible antes de lanzarla, no una sorpresa a fin de mes.
Los turnos pausados se continúan y los resultados buenos quedan protegidos si una corrida posterior falla: en un sistema de diez agentes, que uno se caiga no puede costar el trabajo de los otros nueve. El resultado final es un documento de tres páginas exportable a PDF, no un volcado de datos.
Diseño anti-alucinación
La alucinación no se parcha: es una propiedad del modelo. Lo que se diseña es un sistema donde una respuesta equivocada no alcanza a llegar al entregable. Ninguno de estos controles depende de pedirle al modelo que se porte bien.
Cada agente responde dentro de una estructura cerrada. No puede agregar un campo que no existe ni devolver prosa donde se espera un dato.
Todo hallazgo las lleva. No es una instrucción del prompt: sin fuente el hallazgo no cabe en el esquema, así que no existe.
«No lo encontré» es una salida válida y queda registrada. Cuando a un modelo no se le permite abstenerse, inventa.
Antes de aceptar un dato se verifica que corresponda a la organización investigada y no a otra de nombre parecido. Un homónimo mal atribuido contamina el diagnóstico entero.
Los analistas de síntesis no arrancan hasta que los seis recolectores terminaron. Sintetizar sobre un corpus incompleto produce conclusiones falsas con total seguridad.
Ningún entregable sale sin revisión humana. El sistema quita la recolección, no el criterio.
En la prueba con una organización real, el sistema llegó al mismo diagnóstico que la experta había hecho a mano, y además aportó datos registrales que no estaban en su ficha. Esa es la validación que importa: no que la IA parezca inteligente, sino que llegue a donde llega quien sabe.
Quiero automatizar una investigación asíSiguiente caso
Marce Anahata
Centro de bienestar · El Poblado, Medellín