Arquitectura de investigación común — Punto ③
Proyecto: AVM™ + PCI™
Versión: 0.1
Estado: Documento de arquitectura metodológica
Idioma: Español
1.Propósito
El presente documento establece el límite epistemológico y metodológico de la investigación conjunta AVM™ + PCI™.
Su función es determinar qué puede considerarse conocimiento, qué puede considerarse evidencia, qué debe permanecer como hipótesis y qué material puede utilizarse únicamente como construcción sintética o ilustrativa.
Este límite es necesario porque el proyecto trabaja simultáneamente con:
observaciones obtenidas de sistemas reales de IA;
respuestas producidas por diferentes modelos;
anotaciones e interpretaciones humanas;
variables y métricas todavía en desarrollo;
hipótesis metodológicas;
ejemplos construidos;
modelos conceptuales;
y resultados derivados de análisis posteriores.
Sin una frontera explícita entre estas categorías, existe el riesgo de que una interpretación termine presentándose como observación, que una hipótesis termine tratándose como resultado o que material sintético termine adquiriendo apariencia de evidencia empírica.
La separación entre estos niveles constituye una condición de validez del proyecto.
2. Principio rector
AVM™ + PCI™ adopta el siguiente principio:
Ninguna afirmación debe tener un nivel de certeza superior al de la evidencia que permite sostenerla.
De este principio se derivan cinco reglas fundamentales:
La evidencia precede a la interpretación.
La interpretación no debe convertirse automáticamente en hecho.
Una hipótesis no se convierte en conocimiento por repetición.
El material sintético no puede presentarse como observación real.
Toda conclusión debe conservar trazabilidad hacia los datos que la originaron.
3. La arquitectura de conocimiento
La investigación debe distinguir, como mínimo, seis niveles.
| Nivel | Categoría | Definición | Ejemplo AVM™ / PCI™ |
| E0 | Observación primaria | Hecho directamente registrado | Respuesta real de ChatGPT a P01 |
| E1 | Evidencia anotada | Observación clasificada mediante un protocolo | La respuesta contiene una recomendación explícita |
| E2 | Resultado derivado | Patrón obtenido mediante análisis de observaciones | Diferentes modelos muestran comportamientos distintos |
| H1 | Hipótesis | Explicación o proposición todavía no validada | La visibilidad podría depender del contexto |
| S1 | Material sintético | Contenido generado para probar, explicar o ilustrar | Respuesta artificial creada para demostrar una categoría |
| C1 | Conocimiento consolidado | Afirmación suficientemente respaldada dentro del alcance definido | Distinción operacional entre mención y recomendación |
La existencia de estos niveles implica que no todo lo que aparece dentro de la investigación tiene el mismo estatus epistemológico.
4. E0 — Evidencia primaria real
La evidencia primaria constituye el nivel más próximo al fenómeno observado.
En el trabajo actual incluye, entre otros elementos:
prompts realmente ejecutados;
respuestas realmente obtenidas;
modelo utilizado;
fecha y hora de ejecución cuando estén disponibles;
plataforma utilizada;
configuración relevante;
corpus original;
capturas o registros originales;
anotaciones realizadas sobre respuestas reales.
Ejemplo:
P01 → ChatGPT → respuesta obtenida durante el experimento.
La respuesta original constituye evidencia primaria.
La afirmación:
“ChatGPT respondió X”
puede considerarse descriptiva si existe el registro correspondiente.
Sin embargo:
“ChatGPT entiende correctamente X”
ya no es una simple observación. Es una interpretación.
Regla
La evidencia primaria debe conservarse sin transformarla para permitir su auditoría posterior.
5. E1 — Evidencia anotada
La anotación transforma una observación en un dato estructurado.
Aquí se sitúa especialmente el trabajo realizado mediante:
AVM™ Experimental Annotation Matrix;
PCI™ Experimental Annotation Matrix;
protocolos de reconocimiento;
clasificación;
atribución;
autoridad;
metodología;
accuracy;
sources;
recommendation;
y otras dimensiones que puedan incorporarse posteriormente.
La anotación no modifica la respuesta original.
Añade una interpretación operacional controlada.
Por ejemplo:
Respuesta real:
“AVM puede referirse a diferentes conceptos…”
Anotación:
Recognition: sí
Identification: parcial
Attribution: no
Recommendation: no
La respuesta sigue siendo evidencia primaria.
La clasificación es evidencia anotada.
Regla
Una anotación nunca debe sustituir al dato original del que procede.
6. E2 — Resultados derivados
El tercer nivel aparece cuando se comparan múltiples observaciones.
Por ejemplo, el experimento Cross-Model de AVM™ utiliza el mismo conjunto de prompts frente a diferentes sistemas.
Esto permite observar fenómenos como:
diferencias entre modelos;
variaciones de reconocimiento;
diferencias de atribución;
diferencias en recomendación;
inconsistencias;
dependencia del contexto;
divergencia entre modelos.
Estos resultados son derivados del corpus.
No constituyen respuestas individuales.
Por tanto, debe distinguirse:
“En P01, ChatGPT produjo X.”
de:
“En el conjunto analizado, se observa un patrón de divergencia entre modelos.”
La segunda afirmación depende de un proceso analítico.
Regla
Todo resultado derivado debe poder reconstruirse a partir de las observaciones que lo sustentan.
7. H1 — Hipótesis
Las hipótesis representan explicaciones o proposiciones que todavía no poseen evidencia suficiente para ser consideradas conocimiento consolidado.
Dentro del desarrollo de AVM™ + PCI™ pueden aparecer hipótesis como:
La visibilidad de una entidad podría depender significativamente de la formulación de la consulta.
o:
La recomendación podría constituir una dimensión diferente de la mera presencia de una entidad en una respuesta.
Estas proposiciones pueden ser metodológicamente muy importantes.
Pero mientras no exista evidencia suficiente deben permanecer etiquetadas como:
HIPÓTESIS
y no como:
RESULTADO
Regla crítica
Una hipótesis interesante no adquiere estatus de evidencia por ser conceptualmente convincente.
8. S1 — Material sintético
El proyecto puede necesitar construir respuestas, ejemplos, escenarios, datasets artificiales, casos extremos o simulaciones.
Estos materiales pueden ser extremadamente útiles.
Pero no son evidencia empírica.
Debe distinguirse claramente entre:
Material real
Respuesta realmente producida por un modelo durante el experimento.
Material sintético
Respuesta construida posteriormente para explicar cómo funcionaría una determinada categoría.
Ambos pueden ser textualmente parecidos.
Su estatus epistemológico, sin embargo, es completamente diferente.
Por ello, todo material sintético debe estar marcado explícitamente.
Por ejemplo:
[SINTÉTICO — NO EVIDENCIA EMPÍRICA]
9. C1 — Conocimiento consolidado
El nivel superior no debe alcanzarse simplemente porque una afirmación aparezca repetidamente en documentos del proyecto.
Para considerar una afirmación como conocimiento consolidado dentro del marco AVM™ + PCI™ debería existir:
evidencia identificable;
trazabilidad;
definición operacional;
procedimiento reproducible;
consistencia suficiente;
ausencia de contradicciones relevantes no resueltas;
delimitación explícita del alcance.
Por tanto:
Conocimiento consolidado ≠ afirmación repetida.
Es una categoría que debe ganarse mediante evidencia y proceso.
10. La frontera fundamental: dato → interpretación
Una de las fronteras más importantes del proyecto es la que separa:
lo observado
de
lo interpretado.
Ejemplo:
Observación
El modelo menciona AVM.
Interpretación
El modelo reconoce AVM.
Interpretación superior
El modelo comprende qué es AVM.
Estas tres afirmaciones no son equivalentes.
Precisamente uno de los aprendizajes obtenidos en el trabajo experimental de AVM™ ha sido la necesidad de distinguir conceptos que inicialmente podían parecer equivalentes:
Recognition ≠ Identification ≠ Understanding
y, de forma paralela:
Mention ≠ Recommendation ≠ Priority Recommendation
La arquitectura de evidencia debe impedir que estas diferencias desaparezcan durante el análisis.
11. La frontera entre observación y causalidad
El proyecto debe ser especialmente prudente con las afirmaciones causales.
Observar:
“El modelo recomienda A.”
no demuestra:
“A recomienda mejor porque posee determinada arquitectura.”
Del mismo modo:
“Una marca aparece con mayor frecuencia.”
no demuestra necesariamente:
“La estrategia X provoca mayor visibilidad.”
La primera afirmación puede ser observacional.
La segunda requiere investigación causal adicional.
Regla
AVM™ + PCI™ no debe convertir correlaciones observadas en explicaciones causales sin evidencia específica.
12. La frontera entre modelo conceptual y realidad
AVM™ y PCI™ contienen necesariamente elementos conceptuales:
constructos;
dimensiones;
taxonomías;
modelos;
variables;
métricas candidatas;
protocolos;
arquitecturas.
Un modelo conceptual no demuestra que el fenómeno descrito exista exactamente en la forma propuesta.
Por ejemplo:
“Recommendation es una dimensión independiente de Mention.”
puede ser inicialmente una hipótesis de modelización.
Para convertirse en componente metodológico consolidado necesita evidencia operacional.
Por ello:
Modelo conceptual → hipótesis → operacionalización → observación → validación
no debe invertirse.
13. La frontera entre métrica y fenómeno
Esta cuestión es especialmente importante para AVM™.
Una métrica no es el fenómeno.
Una métrica es una forma de representarlo.
Por ejemplo:
AI Visibility Score
no demuestra por sí mismo que exista una propiedad natural denominada “visibilidad IA” perfectamente medible.
Primero deben definirse:
el constructo;
sus dimensiones;
sus variables observables;
el procedimiento de medición;
las unidades;
los límites;
las fuentes de error.
Por eso el trabajo realizado en:
AVM™ Metrics Architecture Review
debe entenderse como arquitectura de medición, no como demostración definitiva de las métricas.
14. La frontera entre corpus y universo
El corpus experimental no equivale automáticamente al universo completo de sistemas de IA.
Si el corpus contiene:
determinados modelos;
determinados prompts;
determinadas fechas;
determinadas configuraciones;
determinado número de ejecuciones;
las conclusiones deben limitarse a ese ámbito.
Por tanto:
“En el corpus analizado…”
es metodológicamente diferente de:
“Los sistemas de IA…”
La segunda formulación tiene un alcance mucho mayor y exige evidencia proporcionalmente mayor.
15. La dimensión temporal
La evidencia de IA es especialmente susceptible al cambio.
Una respuesta obtenida en:
agosto de 2026
es una observación correspondiente a ese momento.
No debe convertirse automáticamente en una afirmación atemporal.
Por ello, AVM™ + PCI™ debe tratar la fecha como una dimensión potencialmente relevante de la evidencia.
Una afirmación puede ser:
válida para una ejecución;
válida para una versión del modelo;
válida para un periodo;
potencialmente replicable;
o históricamente documentada.
Estas categorías no son equivalentes.
16. La dimensión de reproducibilidad
Una observación puede ser real y, al mismo tiempo, difícil de reproducir.
Esto no invalida necesariamente el dato original.
Pero sí limita el grado de generalización que puede otorgársele.
La arquitectura debe distinguir entre:
| Situación | Estatus |
| Observación registrada | Evidencia |
| Observación registrada y reproducida | Evidencia reforzada |
| Patrón observado en múltiples casos | Resultado derivado |
| Patrón replicado bajo condiciones controladas | Resultado con mayor robustez |
| Resultado generalizado fuera del corpus | Requiere evidencia adicional |
17. Evidencia negativa y ausencia de evidencia
Una ausencia debe tratarse con especial cuidado.
Que un modelo:
no mencione una entidad
no demuestra necesariamente que:
no conozca la entidad.
Del mismo modo:
que no cite una fuente
no demuestra que:
no haya utilizado información procedente de ella.
Por tanto:
absence of evidence ≠ evidence of absence
salvo cuando el diseño experimental permita realizar esa inferencia.
Este principio resulta especialmente importante para PCI™, donde una respuesta puede no revelar directamente procesos internos del modelo.
18. La frontera específica de PCI™
PCI™ debe mantener una separación particularmente estricta entre:
Observable
Lo que aparece en la respuesta.
Inferido
Lo que podemos deducir razonablemente de esa respuesta.
No observable
Procesos internos del modelo que no podemos inspeccionar directamente.
Por ejemplo, podemos observar:
una recomendación.
Podemos inferir determinadas características de esa recomendación.
Pero no debemos afirmar como hecho:
“el modelo utilizó exactamente este proceso interno de razonamiento”
si no existe evidencia accesible que lo demuestre.
Principio PCI™
PCI™ mide y analiza comportamiento observable; no debe atribuir estados internos no observables como hechos.
19. Jerarquía de afirmaciones
Para mantener disciplina metodológica, las afirmaciones del proyecto pueden clasificarse mediante una jerarquía:
Nivel A — Descriptivo
“La respuesta contiene X.”
Máxima proximidad al dato.
Nivel B — Interpretativo
“La respuesta puede clasificarse como X.”
Requiere criterio de anotación.
Nivel C — Comparativo
“El modelo A presenta X con mayor frecuencia que B.”
Requiere corpus comparable.
Nivel D — Explicativo
“X ocurre debido a Y.”
Requiere evidencia causal o explicativa.
Nivel E — Predictivo
“Si modificamos Y, X aumentará.”
Requiere validación experimental.
Nivel F — Normativo
“Debe utilizarse Y para conseguir X.”
Requiere evidencia práctica adicional y no debe derivarse únicamente de observaciones descriptivas.
Cuanto más alto sea el nivel, mayor debe ser la carga de evidencia.
20. Registro de procedencia
Todo elemento importante de la investigación debería poder responder a cuatro preguntas:
¿De dónde procede?
¿Qué transformación ha sufrido?
¿Quién o qué lo interpretó?
¿Qué nivel de evidencia posee?
Una cadena ideal sería:
Prompt → Respuesta original → Anotación → Dataset → Análisis → Resultado → Hipótesis → Validación
Esta cadena constituye la provenance chain de la investigación.
Si una afirmación no puede remontarse razonablemente hacia su origen, debe reducirse su nivel de confianza o marcarse como no trazable.
21. Etiquetado obligatorio
Se propone adoptar las siguientes etiquetas internas:
| Etiqueta | Significado |
| [REAL] | Evidencia obtenida de una ejecución/observación real |
| [ANOTADO] | Evidencia real sometida a clasificación |
| [DERIVADO] | Resultado calculado o inferido del corpus |
| [HIPÓTESIS] | Proposición pendiente de validación |
| [SINTÉTICO] | Material creado artificialmente |
| [CONCEPTUAL] | Modelo o arquitectura teórica |
| [VALIDADO] | Elemento que ha superado el procedimiento de validación definido |
| [NO DETERMINADO] | Evidencia insuficiente para establecer una conclusión |
Estas etiquetas no son decorativas.
Forman parte del sistema de control epistemológico del proyecto.
22. Regla de no contaminación
Debe evitarse la siguiente secuencia:
hipótesis → ejemplo sintético → repetición del ejemplo → aparente evidencia → conclusión
Este es uno de los principales riesgos metodológicos del proyecto.
Un ejemplo construido para explicar una hipótesis puede terminar pareciendo una observación real si posteriormente se reutiliza sin etiqueta.
Por ello:
El material sintético nunca debe entrar en el corpus empírico como si fuera una observación real.
23. Evidencia real frente a material sintético
La distinción puede representarse así:
| Característica | Evidencia real | Material sintético |
| Procede de una ejecución real | Sí | No necesariamente |
| Puede formar parte del corpus | Sí | No |
| Puede utilizarse para ilustrar | Sí | Sí |
| Puede utilizarse para demostrar un resultado empírico | Sí | No |
| Puede utilizarse para desarrollar una hipótesis | Sí | Sí |
| Requiere etiqueta | Sí | Sí |
| Tiene valor metodológico | Sí | Sí |
| Tiene valor probatorio empírico | Sí | No |
La última distinción es fundamental:
“No ser evidencia” no significa “no ser útil”.
El material sintético puede servir para desarrollar el método sin contaminar los resultados.
24. Evidencia, hipótesis y diseño experimental
La arquitectura propuesta establece un ciclo:
OBSERVACIÓN
↓
ANOTACIÓN
↓
PATRÓN
↓
HIPÓTESIS
↓
DISEÑO DE VALIDACIÓN
↓
NUEVA EVIDENCIA
↓
EVALUACIÓN
↓
ACEPTACIÓN / REVISIÓN / FALSACIÓN
Este ciclo es preferible a:
idea → modelo → conclusión
porque obliga a regresar al fenómeno observable.
25. Qué puede afirmarse actualmente
Con el trabajo realizado hasta este punto, existen elementos que pueden tratarse como observaciones empíricas documentadas, especialmente las respuestas reales del corpus experimental AVM™ / PCI™.
También existen hallazgos derivados y distinciones metodológicas emergentes, como:
Recognition ≠ Identification;
Identification ≠ Understanding;
Recognition ≠ Attribution;
Mention ≠ Recommendation;
Recommendation ≠ Priority Recommendation;
la visibilidad puede depender del contexto de consulta;
distintos sistemas pueden producir respuestas diferentes ante una misma consulta.
Estas afirmaciones deben conservar su conexión con el corpus que las originó.
No deben convertirse automáticamente en leyes generales sobre todos los sistemas de IA.
26. Qué todavía no debe considerarse demostrado
Mientras no exista evidencia adicional suficiente, deben mantenerse como cuestiones abiertas:
una teoría causal completa de la visibilidad IA;
una métrica universal de AI Visibility;
una relación causal entre determinadas prácticas SEO/contenido y las respuestas de los modelos;
una equivalencia entre reconocimiento y comprensión;
una equivalencia entre recomendación y autoridad real;
una explicación interna del razonamiento de los modelos;
una generalización universal a todos los LLM;
una estabilidad temporal permanente de los resultados.
Estas cuestiones pueden formar parte del programa de investigación, pero no deben presentarse como resultados establecidos.
27. Regla de generalización
Toda conclusión debe incorporar implícitamente tres dimensiones:
Corpus + condiciones + alcance
Por ejemplo:
“En el corpus experimental analizado, bajo las condiciones de ejecución documentadas, se observa…”
es metodológicamente preferible a:
“Los modelos de IA hacen…”
La primera conserva el límite de evidencia.
La segunda elimina el límite.
28. Gobernanza de la evidencia
Se propone que cualquier futuro documento AVM™ / PCI™ incluya, cuando corresponda, una sección de:
Evidence Status
con cinco elementos:
Origen
Tipo de evidencia
Nivel de transformación
Grado de confianza
Alcance de la conclusión
Esto permitirá que un lector externo pueda distinguir inmediatamente entre:
dato → análisis → interpretación → hipótesis → conclusión.
29. Criterio de admisión al corpus
Un elemento solo debe entrar en el corpus empírico principal cuando:
procede de una observación real;
puede identificarse su origen;
existe suficiente información contextual;
no ha sido generado retrospectivamente para apoyar una hipótesis;
y puede distinguirse de material sintético.
Los ejemplos construidos deben permanecer fuera del corpus.
30. Criterio de promoción epistemológica
Una afirmación puede avanzar de una categoría a otra únicamente mediante evidencia adicional.
Ejemplo:
[HIPÓTESIS]
↓
evidencia experimental
↓
[DERIVADO]
↓
replicación
↓
[VALIDADO]
↓
generalización controlada
↓
[CONOCIMIENTO CONSOLIDADO]
No existe promoción automática.
31. Arquitectura final de frontera
La arquitectura AVM™ / PCI™ Knowledge & Evidence Boundary 0.1 queda definida de la siguiente manera:
REALIDAD OBSERVADA
│
▼
E0 — EVIDENCIA REAL
│
▼
E1 — EVIDENCIA ANOTADA
│
▼
E2 — RESULTADO DERIVADO
│
▼ ▼
HIPÓTESIS CONCLUSIÓN
│
▼
NUEVO EXPERIMENTO
│
▼
NUEVA EVIDENCIA
FRONTERA DE EVIDENCIA EMPÍRICA
│
▼
S1 — MATERIAL SINTÉTICO
C1 — MODELO CONCEPTUAL
Útiles para desarrollar el método,
pero NO equivalentes a evidencia real.
32. Decisión metodológica
Se establece como decisión de arquitectura:
AVM™ + PCI™ adoptará una separación explícita entre evidencia primaria, evidencia anotada, resultados derivados, hipótesis, modelos conceptuales y material sintético.
Esta separación será obligatoria para los documentos posteriores que pretendan utilizar resultados del proyecto como soporte metodológico.
Asimismo:
Ningún material sintético podrá incorporarse al corpus empírico sin ser explícitamente identificado y tratado como tal.
Y:
Ninguna hipótesis podrá presentarse como hallazgo empírico sin un vínculo documentado con evidencia que la sustente.
33. Relación con los documentos anteriores
Este documento no sustituye los trabajos realizados anteriormente.
Establece la frontera que permite interpretarlos correctamente.
AVM™ Research Architecture Review 0.1
Define la arquitectura general de investigación.
AVM™ Metrics Architecture Review 0.1
Define el espacio de posibles variables y métricas.
AVM™ Experimental Annotation Matrix 0.1
Estructura la evidencia experimental real mediante anotación.
PCI™ Experimental Annotation Matrix 0.1
Estructura la observación y clasificación de las respuestas desde la perspectiva PCI™
PCI™ Annotation Calibration Report 0.1
Analiza la consistencia y calibración de las anotaciones.
Knowledge & Evidence Boundary 0.1
Define qué estatus epistemológico puede otorgarse a cada uno de esos materiales y cómo pueden utilizarse posteriormente.
Por tanto, este documento actúa como una capa de control transversal.
34. Posición dentro de la arquitectura común
La arquitectura de investigación queda ahora:
① Research Architecture Review 0.1
↓
Define cómo investigamos
② Evidence Map 0.1
↓
Define qué evidencia tenemos y dónde está
③ Knowledge & Evidence Boundary 0.1
↓
Define qué podemos afirmar legítimamente a partir de ella
④ [siguiente componente]
↓
Podrá definir cómo transformamos esa evidencia en conocimiento reproducible / validable
Esta posición convierte el punto ③ en una pieza especialmente importante.
No añade simplemente más contenido al proyecto.
Controla el estatus de todo el contenido que vendrá después.
35. Principio final
El proyecto AVM™ + PCI™ no debe intentar demostrar más de lo que sus datos permiten.
Su fortaleza metodológica debe proceder precisamente de lo contrario:
saber exactamente qué se ha observado, qué se ha inferido, qué se ha propuesto y qué todavía no se sabe.
La frontera de conocimiento no constituye una limitación del proyecto.
Constituye una de sus garantías de rigor.
AVM™ + PCI™ Knowledge & Evidence Boundary 0.1 queda, por tanto, establecido como el marco epistemológico de separación, trazabilidad y control de evidencia de la arquitectura de investigación común.
