Provenance-first. Cada dato es un claim atado a su cita literal, con una opinión graduada — creencia, descreencia e incertidumbre explícita. El sistema no afirma: calibra.
Los LLMs producen output con alta confianza superficial. Sin provenance estructural, cada capa que consume ese output amplifica el error. El costo no es teórico.
La unidad atómica no es el chunk ni el documento: es el claim — proposición extraída, atada a su cita literal en la fuente y evaluada de forma independiente. Esto hace la verificación composable y el audit trail preciso.
Cada claim lleva referencia a su fragmento fuente exacto. No summaries, no paraphrasing — la cita raw. Trazabilidad determinista.
Tres valores explícitos por claim: b (belief), d (disbelief), u (uncertainty). La distribución debe sumar 1. El sistema no colapsa en booleano.
'ira', 'JIRA', 'Jira issue' → misma entidad. Previene fragmentación del grafo de claims y falsos negativos en detección de contradicciones.
Cuando dos claims sobre la misma entidad son lógicamente incompatibles, el sistema los marca y propaga incertidumbre. No silencia el conflicto.
Cada reporte o acción lleva el grafo de evidencia que lo sustenta. El audit log es append-only. Nada se edita en retroactivo.
Acciones orquestadas por Temporal con mayor umbral de confianza que lecturas. El sistema actúa solo cuando la evidencia supera el threshold.
Fiabilidad de la fuente y credibilidad del dato son conceptos distintos y se modelan por separado. Colapsarlos produce scores opacos que nadie puede auditar.
Prior asignado por tipo de fuente: refleja su naturaleza epistémica —autoritatividad, latencia de actualización, nivel de verificación editorial— no el contenido del dato. Es el prior bayesiano antes de ver evidencia.
Función de cuatro señales independientes: corroboración (descontada por dependencia entre fuentes), consistencia interna del corpus, frescura temporal, y registro autoritativo existente. Cuando la evidencia cambia, la confianza se recalcula y la corrección viaja a reportes y acciones ya emitidos.
El mercado resuelve partes del problema. Ningún jugador ha construido la integración vertical de provenance, opinión graduada, detección de contradicciones, audit compliance y capa de acción durable.
| Jugador | Qué resuelve hoy |
|---|---|
| Glean $7.2B | Recuperación semántica de documentos internos — no verificación de claims ni provenance estructural |
| Arize · Galileo | Observabilidad de LLM en producción — métricas de latencia, drift, calidad de respuesta; sin model de confianza por claim |
| Patronus · Vectara | Detección técnica de alucinaciones y RAG evaluation — sin audit trail ni capa de acción durable |
| Credo AI | Governance de sistemas de IA a nivel organizacional — compliance de proceso, no verificación de claims en runtime |
| Centro de Verdad | Los 5 pilares integrados: provenance · opinión graduada · detección de contradicciones · audit compliance · capa de acción |
Arquitectura provenance-first desde el esquema de datos, no como post-procesamiento. Ventana de ~18 meses antes de que incumbentes retrofiten su arquitectura de chunks.
Cada claim verificado mejora el modelo de priors y el grafo de entidades. El corpus propio de contradicciones resueltas es un activo no replicable por entrantes sin historial.
Una KB densa reduce tokens consumidos por queries futuras. Más knowledge base significa menos costo marginal de inferencia, no más. El unit economics mejora con escala.
El mismo sistema que verifica claims externos verifica el output de agentes internos. Centro de Verdad es la infraestructura de confianza de la propia fábrica de software.
Los agentes que actúan — no solo responden — son el siguiente vector de riesgo. MCP y A2A estandarizan la conectividad entre agentes, no la verdad de los datos que transportan. La pregunta no es si los agentes adoptarán estos protocolos: es si el substrate de claims que consumen puede ser auditado.
Centro de Verdad se alinea con C2PA y W3C Verifiable Credentials para provenance interoperable, y aporta la capa de evidencia que el EU AI Act Art. 26 exige al deployer: trazabilidad de las decisiones tomadas con apoyo de sistemas de IA de alto riesgo. La ventana regulatoria tiene fechas de cumplimiento, no indicativas.
El sistema no afirma: calibra.