Cómo funciona la búsqueda con IA

TL;DR — La búsqueda con IA suele combinar un sistema de búsqueda y un modelo de lenguaje. La parte de búsqueda encuentra y ordena fuentes útiles. La parte del modelo lee un conjunto limitado de material recuperado y escribe una respuesta. Algunos sistemas descomponen una pregunta difícil en búsquedas más pequeñas, combinan la recuperación por palabras clave y por significado, reordenan los candidatos y muestran citas. Ese proceso puede mejorar la frescura y la trazabilidad, pero aun así puede omitir una fuente, malinterpretar la evidencia o redactar una afirmación sin sustento.

La explicación útil más breve

La búsqueda web clásica suele devolver un conjunto ordenado de resultados. La búsqueda con IA puede añadir otra capa: recuperar evidencia y usar un modelo generativo para componer una respuesta directa.

Un flujo de procesamiento genérico defendible tiene el siguiente aspecto:

1. descubrir o recibir fuentes;
2. analizar, indexar y representar su contenido;
3. entender la pregunta del usuario;
4. opcionalmente, dividirla en subpreguntas;
5. recuperar documentos o pasajes candidatos;
6. ordenar y reordenar los candidatos;
7. colocar la evidencia seleccionada en el contexto del modelo;
8. generar una respuesta restringida por ese contexto y por las reglas del producto;
9. adjuntar enlaces o citas de respaldo;
10. evaluar calidad, seguridad, frescura e incertidumbre.

Los productos pueden añadir herramientas, feeds de comercio, grafos de conocimiento, bases de datos, archivos de usuario, ubicación, historial de conversación o entrada de cámara en directo. También pueden omitir o combinar etapas. Este flujo de procesamiento es un modelo mental —no una afirmación de que Google, ChatGPT, Copilot, Perplexity u otro producto utilice componentes internos idénticos.

1. Descubrimiento de fuentes y rastreo

Una respuesta de IA solo puede recuperar información de las fuentes a las que el sistema puede acceder. Las fuentes pueden incorporarse mediante:

• rastreadores web que siguen enlaces y sitemaps;
• un índice web existente de un proveedor de búsqueda;
• conjuntos de datos con licencia o de socios;
• catálogos de productos y feeds estructurados;
• bases de datos y bases de conocimiento de primera parte;
• archivos subidos por usuarios;
• herramientas que recuperan una página en el momento de la solicitud.

La actual documentación sobre cómo funciona la búsqueda describe los fundamentos de la búsqueda web como rastreo, indexación y servicio. La documentación de búsqueda web de OpenAI describe una herramienta de búsqueda que puede incorporar información web y fuentes citadas en una respuesta del modelo. Estos son ejemplos de productos, no una prueba de un rastreador universal o de un índice compartido.

Para profundizar: rastreadores de IA explica los propósitos y controles de los rastreadores; AI crawler log analysis explica lo que una solicitud verificada puede y no puede demostrar.

2. Indexación, fragmentos y representaciones del conocimiento

El material obtenido se analiza y se almacena para que se pueda buscar de manera eficiente. Un sistema puede mantener varias representaciones:

• un índice invertido para palabras y campos;
• pasajes o fragmentos para una recuperación focalizada;
• vectores producidos por modelos de embeddings (representaciones vectoriales);
• hechos, entidades, relaciones y metadatos estructurados;
• señales de frescura, idioma, ubicación, política, acceso y calidad;
• enlaces de regreso a la fuente y ubicación originales.

El tamaño y los límites de los fragmentos importan porque el recuperador puede que nunca entregue al generador un documento completo. Una respuesta clara oculta en secciones no relacionadas puede ser más difícil de recuperar como una unidad coherente.

Profundiza: segmentación en fragmentos (chunking), embeddings (representaciones vectoriales) y tokens and context windows.

3. Comprensión de la consulta y expansión de consultas (query fan-out)

El sistema interpreta la solicitud, la conversación, el idioma, la ubicación y las restricciones. Puede reescribir la consulta, identificar entidades o descomponer una tarea compleja en varias preguntas de recuperación.

Google dice explícitamente que AI Overviews y AI Mode pueden usar expansión de consultas (query fan-out), emitiendo múltiples búsquedas relacionadas en subtemas y fuentes de datos. Ese es un comportamiento documentado de Google, no es evidencia de que cada producto de búsqueda con IA expanda cada consulta o use un número fijo de subconsultas.

Profundiza: expansión de consultas (query fan-out) y semantic search.

4. Recuperación: léxica, vectorial o híbrida

La recuperación es la etapa de alta exhaustividad que crea un conjunto de candidatos manejable.

• La recuperación léxica premia las palabras exactas y los patrones de términos. Es útil para nombres, códigos, citas y terminología precisa.
• La recuperación vectorial compara representaciones de embeddings (representaciones vectoriales) y puede encontrar similitud semántica cuando la redacción difiere.
• La recuperación híbrida ejecuta ambas y combina sus listas de resultados.

La actual documentación sobre hybrid-search de Microsoft es un ejemplo concreto de implementación: las consultas de texto y vectoriales se ejecutan juntas y sus resultados se fusionan. La investigación también encuentra que la recuperación léxica y semántica pueden producir conjuntos de candidatos complementarios, pero el tamaño de la ganancia depende del corpus, las consultas, los modelos y la evaluación.

Profundiza: vector search y hybrid search.

5. Clasificación y reranking

La recuperación favorece la exhaustividad: encontrar suficientes candidatos plausibles. La clasificación y el reranking favorecen la precisión: colocar los candidatos más útiles cerca de la parte superior para esta pregunta.

Un sistema podría:

• puntuar la relevancia léxica;
• puntuar la similitud vectorial;
• fusionar varias listas de resultados;
• aplicar filtros de frescura, idioma, geografía, autoridad, seguridad o acceso;
• usar un modelo semántico más costoso solo en los candidatos principales;
• seleccionar pasajes diversos que cubran diferentes partes de la tarea.

La documentación del clasificador semántico de Microsoft muestra claramente el patrón: un conjunto de resultados inicial se pasa a una etapa de comprensión del lenguaje más costosa para volver a puntuarlo. Los límites y las puntuaciones de ese producto no son constantes universales de la búsqueda con IA.

Ve más a fondo: reranking y passage ranking.

6. Grounding y RAG

Los pasajes, los datos o las salidas de herramientas seleccionados se colocan en el contexto disponible del modelo. Luego, el modelo genera una respuesta usando esa evidencia más sus instrucciones y cualquier conocimiento interno permitido.

Este patrón suele denominarse generación aumentada por recuperación (RAG). El artículo original sobre RAG describía la combinación de la memoria paramétrica de un modelo con memoria no paramétrica recuperada. En producción, “RAG” abarca muchos diseños, desde una única consulta vectorial hasta búsqueda en varias etapas, reranking, herramientas y recuperación iterativa.

Grounded debería significar que la respuesta está limitada por evidencia identificada. No debería usarse como sinónimo de “garantizado como verdadero”. El recuperador puede pasar por alto la mejor fuente, la fuente puede ser incorrecta o estar desactualizada, y el generador puede expresar incorrectamente lo que recibió.

Profundiza: grounding y RAG.

7. Generación de respuestas y citas

El modelo compone una respuesta adecuada para la interfaz: prosa, pasos, una tabla, enlaces, imágenes, una tarjeta de producto u otro diseño generado. Luego, una capa de citas asocia afirmaciones o fragmentos con fuentes seleccionadas por el producto.

Mantén tres preguntas separadas:

1. ¿Se recuperó la fuente? Puede haber ocurrido una recuperación o una fuente candidata.
2. ¿La fuente influyó en la respuesta? Es posible que el contexto disponible y la ruta de generación no sean observables.
3. ¿La cita mostrada respalda la afirmación adjunta? Esto requiere comprobar la fuente con la declaración exacta.

Una investigación sobre la verificabilidad de la búsqueda generativa encontró problemas de exhaustividad y respaldo de citas en los productos y la muestra de 2023 que estudió. Trata esos hallazgos como una auditoría fechada, no como una tasa de error permanente para los sistemas actuales.

Profundiza: AI citations y retrieved, mentioned, cited.

8. Actualidad y cortes de conocimiento

“Actual” es una cadena, no un interruptor. Una respuesta puede estar limitada por:

• cuándo cambió la fuente original;
• cuándo un rastreador o conector la obtuvo;
• cuándo se actualizó el índice o la representación vectorial;
• si la recuperación se ejecutó para esta solicitud;
• las cachés y los calendarios de actualización del producto;
• el límite de conocimiento paramétrico del modelo;
• si el modelo eligió la evidencia reciente sobre patrones más antiguos.

La recuperación puede hacer que haya evidencia más reciente disponible sin reentrenar el modelo de lenguaje, pero no garantiza que la fuente más reciente haya sido descubierta, indexada, recuperada o utilizada. Comprueba siempre las fechas y la evidencia primaria para decisiones sensibles al tiempo.

Profundiza: content freshness y knowledge cutoffs.

9. Multimodal search

La consulta y la evidencia no tienen por qué ser texto. Los sistemas pueden aceptar y recuperar imágenes, audio, video, entrada de cámara o combinaciones de medios y texto. Pueden crear texto y representaciones visuales, reconocer objetos o escenas, realizar una expansión de consultas (query fan-out) de subconsultas y generar una respuesta en formato mixto.

El anuncio oficial del AI Mode multimodal de Google describe el uso de Lens y Gemini para entender una imagen, identificar sus componentes y realizar varias búsquedas relacionadas. Eso describe una implementación y un despliegue de producto, no un estándar compartido por todos los motores de búsqueda con IA.

Profundiza: multimodal search.

10. Incertidumbre y alucinaciones

Cada etapa puede introducir incertidumbre:

• el descubrimiento no encuentra la fuente;
• el análisis pierde contexto;
• los fragmentos dividen mal la evidencia;
• la descomposición de la consulta formula la subpregunta incorrecta;
• la recuperación devuelve un fragmento aparentemente válido pero irrelevante;
• el reranking promueve una fuente incompleta;
• la propia fuente es incorrecta o está desactualizada;
• la generación contradice, se extralimita o inventa más allá de la evidencia;
• la ubicación de la cita implica un respaldo que no está presente.

El Generative AI Profile del NIST trata el contenido falso o erróneo presentado con confianza como un riesgo comúnmente llamado confabulación. La generación aumentada por recuperación (RAG) reduce algunos modos de fallo al suministrar evidencia, pero añade modos de fallo de recuperación e integración propios.

Profundiza: AI hallucinations y AI hallucination monitoring.

TL;DR — Un sistema de búsqueda con IA es un flujo de evidencia sujeto a restricciones de latencia y de contexto. La adquisición de fuentes crea un corpus versionado; las representaciones léxicas, vectoriales, de grafo y de herramientas admiten la generación de candidatos; la planificación de consultas puede ramificarse; la recuperación optimiza la exhaustividad; el reranking y el ensamblado de contexto optimizan la precisión y la cobertura; el generador compone bajo instrucciones; y la atribución asigna las afirmaciones de salida a las fuentes. La calidad debe evaluarse por etapa porque una respuesta final fluida no puede revelar dónde se perdió la evidencia.

Trata la búsqueda con IA como una cadena de suministro de evidencia

El resultado solo puede ser tan confiable como la cadena que lo produjo. Registra las etapas como un linaje:

Sin este linaje, «la IA se equivocó» no es un diagnóstico.

La adquisición de fuentes es más amplia que el rastreo

El rastreo web es solo una ruta de adquisición. La búsqueda empresarial y de productos puede combinar:

• un índice web;
• conectores de documentos internos;
• bases de datos y API;
• consultas al grafo de conocimiento;
• feeds verticales de comercio, viajes, ámbito local u otros;
• archivos de usuario y adjuntos de conversación;
• llamadas a herramientas en tiempo real.

Cada ruta tiene sus propios permisos, marcas de tiempo, deduplicación y procedencia. Un sistema puede recuperar el mismo hecho de una página web, un feed y un grafo con diferentes tiempos de actualización. Por lo tanto, «la fuente» es un registro versionado, no solo una URL.

Indexa varias representaciones para diferentes tareas

Los índices léxicos preservan cadenas exactas y estadísticas de campo. Los vectores densos codifican similitud dependiente del modelo. Las representaciones dispersas aprendidas pueden conectar parte del comportamiento semántico y léxico. Los grafos preservan entidades y relaciones explícitas. Los metadatos admiten filtros, permisos, idioma, geografía, fechas y clases de fuente.

Ninguna representación es universalmente la mejor. Los identificadores exactos de producto, las citas legales, y los códigos de error se benefician de la coincidencia léxica. Las paráfrasis y las preguntas conceptualmente relacionadas pueden beneficiarse de la recuperación densa. Las restricciones estructuradas deberían permanecer explícitas en lugar de inferirse a partir de la proximidad vectorial.

La investigación sobre recuperación híbrida es una evidencia útil de que los conjuntos de candidatos semánticos y léxicos pueden complementarse entre sí en una colección probada. No es una prueba de que un diseño de fusión gane en todos los corpus.

La planificación de consultas cambia el objetivo de recuperación

Una solicitud conversacional puede contener varias tareas, comparaciones implícitas, restricciones temporales y contexto de seguimiento. La planificación puede producir:

• una consulta independiente reescrita;
• restricciones de entidades nombradas o de intención;
• subconsultas para facetas separadas;
• selecciones de tipo de fuente o de herramienta;
• un plan iterativo donde la evidencia inicial desencadena la recuperación posterior.

La expansión de consultas (query fan-out) documentada de Google proporciona un ejemplo público. El clasificador semántico de Microsoft Azure AI Search proporciona otro ejemplo documentado de variantes de reescritura de consulta antes de la recalificación. No infieras una arquitectura de todo el proveedor a partir de ninguna de las dos implementaciones.

La generación de candidatos y el Reranking tienen objetivos diferentes

La generación de candidatos suele ser lo suficientemente económica como para buscar en un corpus grande y lo suficientemente amplia como para preservar la exhaustividad. El Reranking es más caro, ve menos elementos y puede evaluar interacciones más profundas entre la consulta y el documento.

Esto crea un límite estricto: un reranker no puede rescatar una fuente relevante que la recuperación nunca incluyó. Microsoft documenta explícitamente que su semantic ranker reordena un conjunto superior existente en lugar de buscar de nuevo en todo el corpus. Otros sistemas pueden usar diferentes profundidades, modelos y recuperación iterativa.

Para los publicadores, la lección práctica no es «escribir para un reranker». Consiste en hacer que los hechos importantes sean localizables, lo suficientemente autónomos para sobrevivir a la segmentación en fragmentos (chunking), exactos cuando la exactitud importa y semánticamente claros sin separar los calificadores de las afirmaciones.

El ensamblado de contexto es un problema de asignación

El sistema tiene más evidencia candidata de la que puede enviar al generador. Debe asignar un presupuesto de contexto finito entre:

• instrucciones del sistema y de seguridad;
• historial de conversación;
• definiciones y salidas de herramientas;
• fuentes recuperadas;
• subtemas diversos;
• metadatos de fuente y marcadores de cita;
• espacio para la respuesta generada.

La deduplicación, la diversidad de fragmentos, el orden, la compresión y el truncamiento pueden cambiar lo que ve el modelo. Una fuente puede posicionarse bien pero perder su calificador decisivo durante la selección de fragmentos. Por eso la recuperación a nivel de página y el soporte a nivel de respuesta son diferentes.

La calidad del grounding tiene varias dimensiones

Evalúa al menos:

1. Relevancia de la recuperación: ¿los candidatos abordaron la pregunta?
2. Cobertura de la recuperación: ¿cubrieron todas las subpreguntas relevantes?
3. Calidad de las fuentes: ¿las fuentes tenían autoridad para la afirmación y estaban lo suficientemente actualizadas?
4. Fidelidad: ¿la respuesta se mantuvo dentro de la evidencia proporcionada?
5. Factualidad: ¿la afirmación es verdadera contrastada con evidencia de referencia externa adecuada?
6. Implicación de citas: ¿cada fuente citada respalda la afirmación asociada?
7. Exhaustividad de las citas: ¿se citan las afirmaciones relevantes verificables externamente?
8. Calibración: ¿la respuesta expresa incertidumbre cuando la evidencia es débil o contradictoria?

Una respuesta puede ser fiel a una fuente deficiente y, aun así, ser factualmente incorrecta. Puede ser factualmente correcta a partir de la memoria del modelo, pero no estar respaldada por las citas mostradas. Mantén las dimensiones separadas.

Las citas son una capa de producto, no una prueba de causalidad

La construcción de citas puede ocurrir durante la generación, después de la generación o mediante una pasada separada de alineación entre afirmaciones y fuentes. Las interfaces públicas normalmente no revelan qué pasajes recuperados entraron en el contexto del modelo, a qué tokens influyeron ni por qué una fuente recibió crédito visible.

Por lo tanto:

• una solicitud de un rastreador es evidencia de una solicitud, no una cita;
• una cita es atribución visible, no una prueba de posicionamiento;
• una lista de fuentes no es prueba de que cada afirmación esté respaldada;
• una marca mencionada no es necesariamente una fuente enlazada;
• un clic es un comportamiento posterior del usuario, no evidencia de cómo funcionó la generación.

La frescura tiene múltiples relojes

Registra marcas de tiempo separadas para la publicación de la fuente, la actualización de la fuente, la adquisición, el análisis, la confirmación en el índice, la generación de embeddings (representaciones vectoriales), la recuperación, la generación de respuestas y la evaluación.

Una fuente antigua todavía puede ser correcta. Una página recién rastreada puede contener datos obsoletos. Una búsqueda en vivo puede recuperar una representación almacenada en caché. Un modelo con un corte paramétrico más antiguo todavía puede responder a partir de evidencia recuperada más reciente, pero puede recurrir a patrones más antiguos cuando la recuperación está incompleta.

Para respuestas sensibles al tiempo, el generador debería preferir fuentes primarias fechadas, exponer la fecha efectiva, mostrar conflictos y abstenerse o matizar cuando la evidencia no pueda resolverlos.

La recuperación multimodal añade problemas de alineación

Los sistemas multimodales pueden indexar imágenes y texto en representaciones compartidas o vinculadas, usar modelos de visión para identificar regiones u objetos, transcribir audio, muestrear video y recuperar información entre modalidades. El sistema debe preservar las relaciones entre un elemento multimedia, su leyenda, la página circundante, la marca de tiempo, el creador y los derechos de la fuente.

Una imagen visualmente similar no necesariamente es evidencia del mismo hecho. Una transcripción puede omitir matices visuales. Un objeto recortado puede perder el contexto de la escena. Evalúa tanto la relevancia de la recuperación como la fundamentación cruzada entre modalidades.

Dirige la profundidad hacia los radios

Este centro es responsable de la arquitectura de extremo a extremo. Estas páginas son responsables de la profundidad de implementación:

• LLMs y tokens/context windows
• expansión de consultas (query fan-out)
• segmentación en fragmentos (chunking) y embeddings (representaciones vectoriales)
• semantic search, vector search y hybrid search
• passage ranking y reranking
• grounding y generación aumentada por recuperación (RAG)
• AI citations
• freshness y knowledge cutoffs
• multimodal search
• AI hallucinations
• AI Overviews para una aplicación específica del producto

La visión ejecutiva

La búsqueda con IA es una cadena de sistemas, proveedores, datos y decisiones, no un único modelo. Los riesgos y oportunidades empresariales se encuentran a lo largo de esa cadena:

• riesgo de cobertura: las fuentes útiles están ausentes o inaccesibles;
• riesgo de frescura: los relojes de la fuente y del índice no coinciden con la decisión;
• riesgo de recuperación: la evidencia relevante nunca llega al modelo;
• riesgo de síntesis: el modelo exagera o distorsiona la evidencia;
• riesgo de atribución: faltan citas, están mal ubicadas o no tienen sustento;
• riesgo de medición: se confunden visibilidad, citación, tráfico y conversión;
• riesgo de gobernanza: ningún responsable puede reproducir o corregir la ruta de la respuesta.

No apruebes “RAG added” como un control de precisión completo. Exige una evaluación por etapa, linaje de fuentes, controles de acceso, conjuntos de prueba con fecha, escalación humana para decisiones de alto impacto y una ruta de recuperación para fuentes y salidas deficientes.

Para la estrategia de publicación, continúa financiando contenido rastreable, indexable, claro, actual y con buenas fuentes. Google afirma que no existen requisitos técnicos adicionales para sus funciones de IA más allá de la elegibilidad normal en Search. La visibilidad sigue siendo un resultado del producto, no un derecho del marcado.

Cómo funciona la búsqueda con IA, de manera comprimida

1. Las fuentes se rastrean, se conectan, se cargan, se licencian o se obtienen mediante herramientas.
2. Los sistemas las procesan en campos de búsqueda, fragmentos, índices léxicos, vectores, entidades y metadatos.
3. La consulta se interpreta y puede reescribirse o descomponerse en subconsultas.
4. La recuperación léxica, vectorial, de grafo o híbrida crea candidatos.
5. La clasificación y el Reranking eligen un conjunto de evidencia más pequeño, más relevante y diverso.
6. La generación aumentada por recuperación (RAG)/Grounding coloca la evidencia seleccionada en el contexto finito del modelo.
7. El modelo genera una respuesta bajo instrucciones del producto y de seguridad.
8. Una capa de atribución muestra citas o fuentes.
9. La actualización depende de varios relojes de fuente/índice/recuperación/modelo.
10. Cada etapa puede fallar; con Grounding y citas no queda garantizado que sea verdadero.

Las arquitecturas de los proveedores difieren. La documentación pública respalda partes de este modelo, no la afirmación de que todos los sistemas comerciales implementan el mismo pipeline.

Fuentes primarias y de investigación

Documentación de plataformas

• Google: Cómo funciona la búsqueda — rastreo, indexación y servicio para la base de la búsqueda web.
• Google: Funciones de IA y tu sitio web — expansión de consultas (query fan-out), enlaces de apoyo, elegibilidad de indexación/snippet y sin requisitos técnicos adicionales.
• Google: Multimodal Search en AI Mode — un ejemplo de producto que combina comprensión de imágenes, identificación de objetos y expansión.
• OpenAI: Herramienta de búsqueda web — recuperación de la web actual, citas y exposición de fuentes en un producto de API.
• Microsoft: Hybrid Search — recuperación simultánea de texto/vector y fusión de resultados.
• Microsoft: Clasificador semántico — reescritura de consultas y reranking de un conjunto de candidatos existente.
• Perfil de IA generativa del NIST — enfoque de gestión de riesgos para la confabulación y otros riesgos de la IA generativa.

Investigación cualificada

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — arquitectura fundacional de generación aumentada por recuperación (RAG) y evaluación en las tareas especificadas.
• Hybrid lexical and semantic retrieval — evidencia complementaria de recuperación en una colección probada.
• Evaluating Verifiability in Generative Search Engines — una auditoría fechada en 2023 del respaldo de citas y la exhaustividad; no es una tasa universal actual.
• Seven Failure Points When Engineering a RAG System — evidencia, a partir de un informe de experiencia, de que RAG hereda los modos de fallo de recuperación y del modelo.

Explica un sistema de búsqueda con IA sin hacer afirmaciones excesivas

• Nombra el producto, la superficie, el país, el nivel de acceso, la fecha y el modo de consulta.
• Separa el comportamiento documentado de una arquitectura genérica o inferencia.
• Identifica las rutas de adquisición de fuentes y sus reglas de acceso.
• Registra las marcas de tiempo de fuente, adquisición, índice, recuperación y respuesta cuando estén disponibles.
• Distingue entre recuperación de documentos, recuperación de pasajes, contexto del modelo y cita visible.
• Indica si la recuperación es léxica, vectorial, híbrida, de grafo, basada en herramientas o desconocida.
• Evalúa la recuperación antes de evaluar la generación.
• Verifica cada afirmación material contra la fuente citada, no solo la lista de fuentes.
• Separa la visibilidad de citas, el tráfico de referencia y los resultados empresariales.
• Pon a prueba la evidencia conflictiva, faltante, desactualizada y adversaria.
• Proporciona una ruta de abstención o escalación cuando la evidencia sea insuficiente.

El marco S-Q-R-G-C

S — Fuentes

¿Qué corpus, feeds, herramientas y versiones están disponibles? ¿Quién controla el acceso y la actualización?

Q — Plan de consulta

¿Cómo se interpreta, reescribe, descompone, filtra y enruta la solicitud?

R — Recuperación y reranking

¿Qué representaciones generan candidatos y qué modelos o reglas los acotan?

G — Generación fundamentada

¿Qué evidencia entra en el contexto, qué instrucciones restringen al modelo y cuándo debería abstenerse?

C — Citas y comprobaciones

¿Cómo se atribuyen, verifican, monitorean, corrigen y miden las afirmaciones?

Usa el framework para localizar evidencia y responsabilidad. No lo conviertas en una puntuación que pretenda que se observaron aspectos internos desconocidos.

¿Dónde falló la respuesta?

¿La fuente autorizada estaba disponible para el sistema?

• No o desconocido → investiga el rastreo, el conector, los permisos, el feed y la cobertura de indexación.
• Sí → continúa.

¿Se recuperó el fragmento correcto para la consulta o subconsulta real?

• No → inspecciona la planificación de consultas, los fragmentos, los filtros, la exhaustividad léxica/vectorial y la actualización.
• Sí → continúa.

¿El reranking y el ensamblado del contexto preservaron la evidencia determinante y los calificadores?

• No → inspecciona la profundidad de los candidatos, la diversidad, el truncamiento, la deduplicación y el orden.
• Sí → continúa.

¿La respuesta se mantuvo fiel a la evidencia suministrada?

• No → inspecciona las instrucciones, el comportamiento del modelo, los conflictos y la lógica de abstención.
• Sí → continúa.

¿Las citas mostradas implican las afirmaciones adjuntas?

• No → repara la alineación entre afirmaciones y fuentes, y la generación de citas.
• Sí → evalúa la factualidad, la exhaustividad, la calibración, la seguridad y el resultado del usuario.

Antipatrones de búsqueda con IA

• “El LLM buscó en internet.” Nombra la herramienta de búsqueda, el índice, el conector o la ruta de adquisición desconocida en lugar de asignar cada etapa al modelo.
• “Vector search reemplazó las palabras clave.” La recuperación exacta y la semántica resuelven problemas de cobertura diferentes; muchos ejemplos en producción las combinan.
• “La página mejor clasificada se convierte en la cita.” La expansión, la recuperación de pasajes, el reranking y la generación pueden producir diferentes conjuntos de fuentes.
• “La generación aumentada por recuperación (RAG) elimina las alucinaciones.” La recuperación añade evidencia y procedencia, pero puede fallar antes, durante y después de la generación.
• “Una cita demuestra respaldo.” Lee el pasaje citado en contraste con la afirmación específica.
• “La búsqueda en vivo significa actualidad.” Los relojes de la fuente, la adquisición, el índice, la recuperación y la caché pueden diferir.
• “Todos los motores de búsqueda con IA usan exactamente este flujo.” Mantén los hechos específicos del proveedor separados del modelo mental genérico.
• “Un único número de visibilidad explica el rendimiento.” Las menciones, las citas, las referencias, las conversiones y las respuestas fácticas corregidas son resultados diferentes.

Síntomas comunes y rutas de recuperación

El sistema cita una página irrelevante

• Verifica: compara la consulta, el pasaje recuperado, la afirmación adjunta y la fecha de la fuente.
• Capas probables: plan de consulta, recuperación, reranking o atribución.
• Recuperación: mejora los campos/fragmentos de la fuente, las pruebas de recuperación, el reranking y la alineación entre la afirmación y la fuente.

La fuente correcta está indexada pero ausente

• Verifica: “indexed” ¿en qué sistema y versión? ¿La fuente era elegible para este producto, filtro, configuración regional y momento?
• Capas probables: representación de la consulta, profundidad de candidatos, filtros o reranking.
• Recuperación: reprodúcelo con un conjunto de consultas etiquetadas e inspecciona cada etapa; no infieras una penalización a partir de una única salida.

La respuesta utiliza hechos obsoletos a pesar de la recuperación en vivo

• Verifica: las marcas de tiempo de actualización de la fuente, obtención, indexación, caché, recuperación y respuesta.
• Capas probables: metadatos de frescura, ranking, selección de contexto o recurso al conocimiento paramétrico.
• Recuperación: prioriza fuentes primarias con fecha, actualiza las representaciones, expón las fechas y abstente en conflictos no resueltos.

Existen citas, pero no respaldan las afirmaciones

• Verifica: evalúa la implicación afirmación por afirmación.
• Capas probables: generación o atribución.
• Recuperación: genera a partir de fragmentos de evidencia explícitos, ejecuta una comprobación de respaldo independiente y elimina las afirmaciones sin respaldo en lugar de añadir enlaces cercanos.

La entrada multimodal produce el objeto o el contexto incorrecto

• Verifica: inspecciona la región seleccionada de la imagen, OCR/transcripción, etiquetas de objetos, página circundante y consultas de seguimiento.
• Capas probables: percepción, representación cruzada entre modalidades, recuperación o generación.
• Recuperación: permite la corrección del usuario, conserva el contexto de la escena y recupera texto corroborante o evidencia estructurada.

Prueba el pipeline etapa por etapa

Prueba de exhaustividad de la recuperación

• Crea un conjunto de consultas con fechas, con fuentes y fragmentos relevantes conocidos.
• Mide si la evidencia esperada entra en el conjunto candidato antes del Reranking.
• Segmenta los fallos por términos exactos, paráfrasis, entidades, fechas, configuración regional y modalidad.

Prueba de Reranking

• Mantén constante el conjunto candidato y compara si los fragmentos decisivos sobreviven en el conjunto superior seleccionado.
• Incluye preguntas de varias partes donde la diversidad es más importante que una fuente repetida.

Prueba de fidelidad

• Proporciona a los revisores la respuesta y el contexto exacto suministrado al modelo.
• Marca las afirmaciones respaldadas, contradichas y no respaldadas.
• Prueba si el sistema se abstiene cuando el contexto no puede responder.

Prueba de citas

• Comprueba por separado la existencia, la ubicación, la implicación y la exhaustividad de las citas.
• No cuentes una URL de la lista de fuentes como respaldo para cada oración de la respuesta.

Prueba de actualización y conflicto

• Actualiza una fuente controlada, registra cada marca de tiempo del flujo de procesamiento y observa cuándo el nuevo hecho se vuelve recuperable y se usa.
• Suministra fuentes en conflicto con diferentes fechas y autoridad; evalúa si la respuesta revela el conflicto en lugar de mezclarlo.

Prueba multimodal

• Usa imágenes o fotogramas de video con objetos similares pero contexto diferente.
• Verifica la selección de objetos, la extracción de texto, la recuperación y la atribución de fuentes en cada etapa.

Métricas que mantienen las etapas separadas

Nunca publiques un umbral “bueno” universal sin definir el corpus, el conjunto de consultas, el juez, la versión del modelo, la fecha, la configuración regional y la tarea. Haz un seguimiento de la tendencia del mismo contrato de evaluación a lo largo del tiempo y vuelve a establecer la línea base después de cambios materiales en el modelo, el índice o el producto.

Continúa por la biblioteca de búsqueda con IA

Componentes del pipeline

• Expansión de consultas (query fan-out)
• Segmentación en fragmentos (chunking)
• Embeddings (representaciones vectoriales)
• Semantic search
• Vector search
• Hybrid search
• Reranking
• Grounding
• Generación aumentada por recuperación
• AI citations
• Content freshness
• Knowledge cutoffs
• Multimodal search
• AI hallucinations

Fuentes primarias e investigación

• Google: Funciones de IA y tu sitio web
• OpenAI: Herramienta de búsqueda web
• Microsoft: Hybrid search
• Microsoft: Clasificador semántico
• Artículo fundamental sobre RAG
• Perfil de IA generativa del NIST

En este artículo no se afirma ninguna experiencia en primera persona de Patrick Stox ni ninguna implementación privada de un sistema de búsqueda con IA. La investigación existente de Patrick/Ahrefs puede ser útil para los resultados observados de visibilidad en IA, pero aquí no se utiliza para afirmar detalles internos no divulgados de los proveedores.

Ponte a prueba: cómo funciona la búsqueda con IA

Registro de cambios