La IA puede acelerar clasificación, extracción de campos, resumen y comparación inicial. No debería afirmar por sí sola que una empresa cumple solvencia, que una cláusula permite una estrategia o que una oferta está lista. Cada salida material debe apuntar a una evidencia y mostrar qué falta por revisar.
Divide el trabajo por nivel de riesgo
Bajo
Etiquetar, detectar idioma, normalizar fechas y proponer términos de búsqueda, con validación automática y muestreo.
Medio
Resumir alcance, extraer requisitos o comparar con perfil, siempre con fragmento y página de origen.
Alto
Elegibilidad, interpretación contractual, precio, firma o decisión bid/no-bid requieren revisión competente.
Anatomía de una salida auditable
| Campo | Ejemplo |
|---|---|
| Afirmación | “Se exige una referencia similar” |
| Evidencia | PCAP 11.2, página 18, fragmento enlazado |
| Confianza | Alta en extracción; baja en similitud |
| Incertidumbre | “Similar” se define mediante los tres primeros dígitos CPV |
| Acción | Comparar referencias y validar con responsable |
| Versión | Documento descargado el 20/08/2026 09:12 |
Si el sistema no puede localizar evidencia, la salida correcta es “no encontrado” o “requiere revisión”, no completar el hueco con una inferencia plausible.
Matching explicable
Una afinidad útil debe descomponerse: actividad y CPV, territorio, importe, experiencia, exclusiones, plazo y disponibilidad. Presenta señales positivas y negativas por separado. No muestres un porcentaje con precisión aparente si detrás solo hay reglas incompletas.
La explicación debe permitir que un revisor cambie la decisión sin tener que confiar en el modelo.
Datos personales y minimización
Un perfil empresarial puede funcionar con rangos, capacidades y preferencias sin almacenar información excesiva. Si se tratan datos personales, hay que definir finalidad, base jurídica, conservación, acceso y proveedores. La AEPD recuerda que exactitud y calidad abarcan también inferencias y resultados; un dato de entrada correcto no garantiza una conclusión proporcionada.
Transparencia y control editorial
Desde agosto de 2026 se aplican obligaciones de transparencia del artículo 50 del Reglamento de IA en determinados supuestos. La Comisión distingue, entre otras cuestiones, contenido generado sin revisión sustantiva de aquel sometido a verdadero control humano o editorial. Para una guía o resumen, registrar quién revisó, qué fuentes comprobó y qué pudo modificar es mejor que una etiqueta decorativa.
Métricas que detectan daño
- Exactitud por campo y por fuente, no solo promedio global.
- Tasa de “no encontrado” frente a alucinación detectada.
- Falsos negativos: oportunidades relevantes que el sistema descartó.
- Correcciones humanas y tiempo hasta incorporarlas.
- Drift por cambio de formato o nueva versión documental.
- Porcentaje de salidas con evidencia accesible.