EIDAI™ — Matriz de Conocimiento y Aplicación a AI Visibility
Transformación de los resultados experimentales en variables, indicadores y criterios de evaluación de entidades en inteligencia artificial
Versión: 1.0
Autor e investigador: Manu Duque
Marco metodológico: MEIA™ — Modelo de Evidencia e Investigación en Inteligencia Artificial
Procedencia: EIDAI-P01 · EIDAI-P02 · EIDAI-P03
Estado: Documento de consolidación y aplicación metodológica
1. Objeto y finalidad
El presente documento establece la transformación del conocimiento obtenido durante la primera etapa de investigación EIDAI™ en una estructura de análisis aplicable a la visibilidad de entidades en sistemas de inteligencia artificial.
Su finalidad es identificar qué conocimientos se han obtenido, cuáles pueden reutilizarse y cómo convertirlos en variables, indicadores y criterios que permitan examinar la identificación y representación de una entidad por parte de los sistemas de IA.
La matriz constituye un instrumento de conexión entre la investigación experimental y su aplicación práctica a AI Visibility.
No introduce nuevos resultados experimentales ni modifica los expedientes originales.
Pregunta central:
¿Cómo podemos determinar si un sistema de inteligencia artificial identifica, distingue, describe, relaciona y atribuye correctamente la información correspondiente a una entidad?
2. Conocimiento consolidado de EIDAI™
La primera etapa ha permitido establecer cinco dimensiones de investigación.
| Dimensión | Expediente | Conocimiento obtenido |
| Reference Recognition | P01.1 | Reconocimiento de apariciones y referencias |
| Entity Identification & Disambiguation | P01.2 y P02 | Diferenciación e identificación de entidades |
| Entity Relationship Resolution | P01.3 | Identificación y justificación de relaciones |
| Entity Attribute Attribution | P03 | Diseño para examinar la atribución de atributos |
| Entity Representation | Integración | Evaluación transversal de la fidelidad de la representación |
2.1. Hallazgos reutilizables
H01 — Reconocimiento de referencias
P01.1 documentó la identificación de las ocho apariciones incluidas en el inventario de referencia.
Conocimiento reutilizable: evaluar la correspondencia entre menciones y referencias de entidades, distinguiendo las menciones inequívocas de las ambiguas.
H02 — Diferenciación de entidades
P02 documentó tres identificaciones justificadas, una abstención justificada y ninguna confusión entre las dos entidades examinadas.
Conocimiento reutilizable: comprobar si una IA diferencia entidades con denominaciones similares y utiliza el contexto para resolver referencias.
H03 — Resolución de relaciones
P01.3 documentó el cotejo de siete relaciones previstas, dos relaciones adicionales respaldadas y cuatro abstenciones.
Conocimiento reutilizable: examinar las relaciones entre entidades, su dirección, naturaleza y respaldo documental.
H04 — Atribución de atributos
P03 estableció un diseño específico para examinar atributos directos, información mezclada e información ausente.
Conocimiento reutilizable: disponer de un procedimiento de evaluación de asociaciones entre entidades y atributos.
Limitación: P03 no cuenta todavía con resultados experimentales ejecutados.
H05 — Abstención e incertidumbre
P01.3 y P02 incorporaron abstenciones como resultados evaluables.
Conocimiento reutilizable: distinguir entre una respuesta incorrecta y una respuesta que reconoce justificadamente la insuficiencia de información.
3. Matriz de variables de análisis
Las siguientes variables traducen las dimensiones investigadas en elementos observables aplicables a una auditoría de AI Visibility.
| Código | Variable | Qué se examina |
| V01 | Entity Recognition | Reconocimiento de referencias |
| V02 | Entity Identification | Identificación de la entidad correcta |
| V03 | Entity Disambiguation | Resolución de referencias ambiguas |
| V04 | Attribute Attribution | Asociación correcta de atributos |
| V05 | Relationship Resolution | Identificación de relaciones |
| V06 | Representation Accuracy | Fidelidad de la representación |
| V07 | Unsupported Attribution | Atribuciones sin respaldo |
| V08 | Justified Abstention | Reconocimiento de insuficiencia informativa |
3.1. Definición operativa
V01 — Entity Recognition
Determina si el sistema reconoce una referencia a la entidad examinada.
V02 — Entity Identification
Determina si identifica correctamente la entidad a la que corresponde la referencia.
V03 — Entity Disambiguation
Determina si distingue la entidad examinada de otras entidades que pueden compartir denominaciones o características.
V04 — Attribute Attribution
Determina si asigna correctamente a la entidad sus atributos: actividad, productos, servicios, ubicación, personas responsables y características.
V05 — Relationship Resolution
Determina si identifica correctamente las relaciones entre la entidad y otras entidades, evitando asociaciones inventadas o incorrectas.
V06 — Representation Accuracy
Evalúa conjuntamente la fidelidad de la representación de la entidad considerando identidad, atributos y relaciones.
V07 — Unsupported Attribution
Identifica información atribuida a una entidad sin respaldo suficiente en el registro de referencia.
V08 — Justified Abstention
Evalúa si el sistema reconoce adecuadamente cuándo la información disponible no permite resolver una cuestión.
4. Indicadores propuestos
Se establecen ocho indicadores para convertir las variables anteriores en resultados cuantificables.
Son propuestas de operacionalización derivadas de la investigación, pendientes de validación mediante auditorías aplicadas.
| Indicador | Dimensión | Finalidad |
| ERR | Reconocimiento | Medir referencias reconocidas correctamente |
| EIA | Identificación | Medir identificaciones correctas |
| EDA | Desambiguación | Medir resoluciones correctas de ambigüedad |
| AAA | Atribución | Medir atribuciones correctas |
| RRA | Relaciones | Medir relaciones correctamente establecidas |
| UAR | Atribuciones no respaldadas | Medir afirmaciones sin respaldo |
| JAR | Abstención | Medir abstenciones justificadas |
| ERA | Representación | Evaluar la fidelidad conjunta de la entidad |
4.1. Fórmulas de cálculo
- Entity Recognition Rate (ERR)
ERR=\frac{\text{Referencias reconocidas correctamente}}
{\text{Referencias evaluables}}\times100
]
- Entity Identification Accuracy (EIA)
EIA=\frac{\text{Identificaciones correctas}}
{\text{Identificaciones evaluables}}\times100
]
- Entity Disambiguation Accuracy (EDA)
EDA=\frac{\text{Desambiguaciones correctas}}
{\text{Casos de desambiguación evaluables}}\times100
]
- Attribute Attribution Accuracy (AAA)
AAA=\frac{\text{Atribuciones correctas}}
{\text{Atribuciones evaluables}}\times100
]
- Relationship Resolution Accuracy (RRA)
RRA=\frac{\text{Relaciones correctamente identificadas}}
{\text{Relaciones evaluadas}}\times100
]
- Unsupported Attribution Rate (UAR)
UAR=\frac{\text{Atribuciones afirmadas sin respaldo}}
{\text{Atribuciones afirmadas evaluables}}\times100
]
- Justified Abstention Rate (JAR)
JAR=\frac{\text{Abstenciones justificadas}}
{\text{Casos que requieren abstención}}\times100
]
- Entity Representation Accuracy (ERA)
Indicador transversal que integra los resultados de identificación, desambiguación, atribución y relaciones.
En su primera versión se presentará como un perfil de resultados por dimensión, no como una puntuación agregada.
No se establecen ponderaciones arbitrarias ni un porcentaje global sin validación previa.
4.2. Reglas de cálculo
Cada indicador debe disponer de un denominador explícito.
Los casos no evaluables deben identificarse y excluirse del denominador correspondiente.
Las abstenciones justificadas no deben contabilizarse automáticamente como errores.
Una atribución incorrecta y una atribución sin respaldo son categorías que pueden solaparse, pero no deben sumarse como errores independientes.
Los resultados deben presentarse por modelo, dimensión y periodo.
Los porcentajes deben acompañarse del número de casos examinados.
La falta de respuesta no debe confundirse con una respuesta negativa.
5. Criterios de evaluación para una auditoría real
La aplicación de EIDAI™ a una marca o entidad real requiere disponer de un registro de referencia independiente de las respuestas que se van a evaluar.
5.1. Registro de referencia de la entidad
Antes de consultar a los sistemas de IA se establece una ficha de referencia.
| Campo | Información |
| Identidad | Nombre oficial y denominaciones reconocidas |
| Identificación | Datos que distinguen a la entidad |
| Actividad | Actividad principal y especialización |
| Productos | Productos y servicios verificables |
| Atributos | Características documentadas |
| Relaciones | Personas, organizaciones y entidades vinculadas |
| Fuentes | Documentos que respaldan cada dato |
| Incertidumbre | Información desconocida o no confirmada |
Este registro constituye la referencia para el cotejo.
No debe construirse a partir de las respuestas de la IA que posteriormente serán evaluadas.
5.2. Criterios de clasificación
Cada resultado se clasificará mediante cinco categorías:
| Categoría | Significado |
| Correcto | Coincide con el registro de referencia |
| Incorrecto | Contradice el registro |
| No respaldado | No dispone de evidencia suficiente |
| No concluyente | No puede determinarse la correspondencia |
| Abstención justificada | Reconoce correctamente la insuficiencia de información |
Se añadirá una distinción entre información ausente y desactualizada cuando resulte relevante.
5.3. Criterio de evidencia
Toda afirmación relevante debe poder vincularse con:
La respuesta original del sistema.
La entidad y variable evaluadas.
El dato de referencia correspondiente.
La fuente que respalda el dato, cuando proceda.
La clasificación de la evaluación.
La identificación de cualquier limitación.
La auditoría no debe confundir la seguridad con la que responde un modelo con la veracidad de su respuesta.
6. Aplicación: estructura de una auditoría EIDAI™
La matriz permite establecer un procedimiento sencillo y reutilizable.
Fase 1. Delimitación
Identificar la entidad, su objeto de estudio y las preguntas que se van a examinar.
Fase 2. Registro de referencia
Construir y documentar la información verificable de la entidad.
Fase 3. Consulta
Aplicar un conjunto definido de prompts a los sistemas de IA seleccionados, conservando las respuestas originales.
Fase 4. Evaluación
Cotejar las respuestas con el registro de referencia y clasificar cada resultado.
Fase 5. Medición
Calcular los indicadores aplicables y documentar los casos no evaluables.
Fase 6. Diagnóstico
Identificar errores, confusiones, atribuciones no respaldadas, relaciones incorrectas y carencias de información.
Fase 7. Informe
Presentar los resultados, sus evidencias, las limitaciones y las oportunidades de mejora.
7. Conexión con AI Vidibility
EIDAI™ aporta una dimensión de análisis que complementa las mediciones tradicionales de visibilidad en inteligencia artificial.
Su aplicación debe integrarse con AVM™ y PCI™ manteniendo separados sus objetos de investigación.
| Sistema | Objeto de análisis | Utilidad |
| MEIA™ | Evidencia y verificación | Respaldar las conclusiones |
| EIDAI™ | Identidad y representación | Examinar qué entiende la IA sobre la entidad |
| AVM™ | Visibilidad y recomendación | Medir cómo aparece y recomienda a la entidad |
| PCI™ | Evolución y predicción | Examinar cambios y señales temporales |
La conexión permite construir un diagnóstico más completo.
Una entidad puede presentar:
Alta visibilidad y baja precisión de representación.
Baja visibilidad y representación correcta cuando aparece.
Buena identificación, pero atribución incorrecta de atributos.
Representación correcta, pero escasa recomendación.
Representación y recomendación variables entre modelos o periodos.
Estas situaciones deben diferenciarse para evitar diagnósticos simplificados.
EIDAI™ examina la calidad de la identidad y representación. AVM™ examina la visibilidad. PCI™ estudia su evolución.
8. Resultado aplicado: informe de representación de una entidad
La aplicación práctica de esta matriz permitirá generar un informe con los siguientes apartados:
Identificación de la entidad por los sistemas de IA.
Reconocimiento de denominaciones y referencias.
Diferenciación respecto a entidades similares.
Descripción de actividad, productos y servicios.
Atribución de atributos.
Relaciones con otras entidades.
Errores, confusiones y atribuciones no respaldadas.
Información desconocida o insuficientemente identificada.
Comparación entre sistemas de IA.
Diagnóstico y oportunidades de mejora.
El resultado será un documento que permita conocer qué información reproduce la IA sobre una entidad y hasta qué punto esa información coincide con su identidad y realidad documentada.
Su aplicación puede resultar útil para empresas, marcas, profesionales, productos, instituciones y organizaciones.
9. Limitaciones y garantías metodológicas
La matriz no constituye por sí misma una validación estadística de las capacidades de los sistemas de IA.
Se establecen las siguientes condiciones:
Los hallazgos experimentales de P01 y P02 no deben extrapolarse a todos los modelos.
P01.2 permanece como diseño no ejecutado.
P03 permanece como diseño experimental pendiente de ejecución.
Los indicadores propuestos requieren definición operativa y validación en auditorías aplicadas.
Los resultados de cada modelo deben conservarse por separado.
Las respuestas deben examinarse en relación con un registro de referencia independiente.
Las conclusiones deben diferenciar evidencia, evaluación e interpretación.
Una auditoría puntual no demuestra estabilidad longitudinal.
Las fuentes utilizadas por los modelos deben distinguirse de las fuentes verificadas por el investigador.
La metodología no presupone que la representación de una entidad sea completa ni que todos los datos públicos disponibles sean correctos.
10. Conclusión y estado del documento
La investigación EIDAI™ ha permitido establecer una estructura diferenciada para estudiar cómo los sistemas de inteligencia artificial reconocen, identifican, desambiguan, relacionan y atribuyen información a entidades.
La presente matriz transforma ese conocimiento en ocho variables de análisis, ocho indicadores propuestos y un procedimiento de aplicación a auditorías de AI Visibility.
Su principal aportación consiste en incorporar la identidad y la fidelidad de la representación como elementos diferenciados dentro del análisis de visibilidad IA.
De esta forma, la evaluación deja de centrarse exclusivamente en la presencia de una marca en las respuestas de los modelos y permite examinar también qué información se reproduce, a quién se atribuye y con qué grado de correspondencia respecto a la entidad real.
Declaración de estado
EIDAI™ — Matriz de conocimiento y aplicación a AI Visibility
Primera etapa experimental: consolidada documentalmente.
Conocimiento de P01 y P02: incorporado.
Diseño de P03: incorporado, sin atribuirle resultados experimentales.
Variables de análisis: definidas.
Indicadores: propuestos, pendientes de validación.
Criterios de auditoría: establecidos como marco operativo.
Integración con AVM™, PCI™ y MEIA™: delimitada.
Aplicación a entidades reales: habilitada como propuesta metodológica, pendiente de validación práctica.
Principio fundamental:
La visibilidad de una entidad en inteligencia artificial no debe evaluarse únicamente por su presencia en las respuestas, sino también por la capacidad del sistema para identificarla, distinguirla, representarla y atribuirle correctamente la información que le corresponde.
Autor e investigador: Manu Duque
EIDAI™ — Entity Identification and Disambiguation in Artificial Intelligence.
MEIA™ — Modelo de Evidencia e Investigación en Inteligencia Artificial.
Versión documental: 1.0
