Common Research Architecture for AI Visibility and Predictive Cognitive Intelligence
Proyecto: AVM™ + PCI™
Documento: Research Architecture Review
Versión: 0.1
Estado: Research Architecture / Working Specification
Fecha: 22 de agosto de 2026
Naturaleza: Arquitectura metodológica previa al desarrollo experimental
DATA_STATUS: OBSERVED / HYPOTHESIS / SYNTHETIC / FUTURE
0. Executive Summary
AVM™ y PCI™ han evolucionado a partir de una misma necesidad de investigación: comprender, observar y medir cómo los sistemas de inteligencia artificial representan, interpretan, recuperan, atribuyen y utilizan información sobre entidades, marcas, conceptos o metodologías.
Ambos proyectos responden a preguntas diferentes.
AVM™ estudia principalmente la visibilidad observable de una entidad dentro de sistemas de IA.
PCI™ explora una cuestión posterior y potencialmente complementaria: qué patrones cognitivos, representacionales o predictivos pueden observarse en las respuestas de los sistemas de IA y si esos patrones pueden ser identificados y medidos de forma reproducible.
Por tanto, no deben fusionarse prematuramente en una única métrica ni tratar PCI™ como una extensión ya validada de AVM™.
La arquitectura común propuesta en este documento establece una separación estricta entre:
fenómeno observado;
variable observable;
anotación;
medición;
interpretación;
hipótesis;
predicción;
material sintético;
validación futura.
La función de este documento no es demostrar ninguna hipótesis.
Su función es definir cómo deberá organizarse la investigación para que las hipótesis puedan ser sometidas a prueba sin contaminar la evidencia observada.
1. Research Problem
La investigación AVM™ + PCI™ parte de una observación fundamental:
Una respuesta generada por un sistema de IA contiene información observable, pero la existencia de esa información no implica automáticamente que pueda interpretarse como una variable válida, medirse con fiabilidad o utilizarse para realizar predicciones.
Esta distinción es especialmente importante porque el trabajo previo ha mostrado diferentes niveles que inicialmente podían parecer equivalentes:
Recognition ≠ Identification
Identification ≠ Understanding
Recognition ≠ Attribution
Mention ≠ Recommendation
Recommendation ≠ Priority Recommendation
Visibility ≠ Context-independent property
Estas observaciones obligan a evitar una arquitectura lineal demasiado simple.
La investigación debe tratar el fenómeno como una cadena de estados y transformaciones.
2. Common Research Object
La arquitectura común adopta como unidad conceptual básica:
Entity → Query → AI System → Response → Observable Representation → Annotation → Measurement → Interpretation
Donde:
Entity
Entidad sobre la que se realiza la investigación.
Puede ser:
una marca;
una persona;
una empresa;
una metodología;
un producto;
una categoría;
un concepto;
una propiedad intelectual.
Query
Entrada utilizada para provocar una respuesta.
La query no constituye únicamente un mecanismo de recuperación.
También funciona como condición experimental.
AI System
Sistema generativo evaluado.
Debe registrarse como una condición experimental concreta y no simplemente como «IA».
Ejemplo conceptual:
ChatGPT / modelo X / configuración Y / fecha Z.
Response
Salida textual generada por el sistema.
La respuesta constituye el principal objeto de observación directa.
Observable Representation
Elementos de la respuesta que pueden ser identificados sin necesidad de inferir procesos internos del modelo.
Ejemplos:
aparición de una entidad;
identificación;
categorización;
atribución;
recomendación;
posición relativa;
fuentes;
justificación;
características atribuidas;
relaciones entre entidades.
Annotation
Proceso mediante el cual observadores o reglas formalizadas transforman una respuesta en variables codificadas.
Measurement
Transformación de variables anotadas en indicadores cuantificables.
Interpretation
Proceso posterior mediante el cual se determina qué puede significar razonablemente una medición.
3. Two Research Layers
La arquitectura común debe mantener dos capas diferenciadas.
Layer A — AVM™
Research question
¿Cómo puede observarse y medirse de forma reproducible la visibilidad de una entidad dentro de sistemas de inteligencia artificial?
AVM™ se ocupa principalmente de:
presencia;
reconocimiento;
identificación;
atribución;
recomendación;
prioridad;
contexto;
consistencia;
cobertura;
fuentes;
calidad de representación.
Su orientación es fundamentalmente descriptiva y metrológica.
Layer B — PCI™
Research question
¿Qué patrones observables en las respuestas de los sistemas de IA pueden ser identificados, anotados y eventualmente utilizados como variables para estudiar comportamiento representacional o predictivo?
PCI™ introduce una dimensión experimental adicional.
No debe asumirse todavía que las variables PCI™ sean:
causalmente explicativas;
predictivas;
cognitivas en sentido fuerte;
generalizables;
independientes del modelo;
estables temporalmente.
Estas propiedades deben ser investigadas.
4. Relationship Between AVM™ and PCI™
La relación provisional puede representarse así:
AVM™
→ observa la representación y visibilidad
PCI™
→ estudia patrones dentro de esa representación
Por tanto:
AVM™ proporciona parte del objeto observable sobre el que PCI™ puede investigar.
Pero la relación inversa no debe asumirse.
Una variable que resulte interesante para PCI™ no se convierte automáticamente en una variable AVM™.
Del mismo modo:
una correlación potencialmente predictiva no constituye por sí misma una variable de visibilidad.
Esta separación es metodológicamente crítica.
5. Research Architecture
La arquitectura común se estructura en ocho niveles.
| Nivel | Función | Pregunta |
| R0 | Phenomenon | ¿Qué fenómeno queremos estudiar? |
| R1 | Observation | ¿Qué podemos observar directamente? |
| R2 | Annotation | ¿Cómo codificamos lo observado? |
| R3 | Measurement | ¿Cómo lo cuantificamos? |
| R4 | Validation | ¿La medición es reproducible y válida? |
| R5 | Interpretation | ¿Qué significa el resultado? |
| R6 | Hypothesis | ¿Qué explicación o relación proponemos? |
| R7 | Prediction | ¿Puede anticipar resultados futuros? |
La regla fundamental es:
Ningún nivel superior debe convertirse automáticamente en evidencia de un nivel inferior.
Por ejemplo:
Prediction → no valida Measurement.
Interpretation → no constituye Observation.
Hypothesis → no constituye Finding.
Synthetic data → no constituye Observed evidence.
6. Evidence Architecture
Toda evidencia del proyecto deberá clasificarse según su estado.
6.1 OBSERVED
Datos obtenidos directamente de una ejecución real.
Ejemplos:
respuestas reales de ChatGPT;
respuestas reales de Gemini;
respuestas reales de Claude;
respuestas reales de Perplexity;
anotaciones realizadas sobre esas respuestas;
fecha y condiciones de ejecución registradas.
Este material constituye evidencia empírica.
6.2 HYPOTHESIS
Proposición todavía no demostrada.
Ejemplos:
Una determinada configuración de representación podría estar asociada con una mayor probabilidad de recomendación.
Ciertas estructuras de respuesta podrían anticipar determinados resultados posteriores.
Mientras no hayan sido sometidas a validación, permanecen como hipótesis.
6.3 SYNTHETIC
Material creado artificialmente para:
probar reglas;
probar anotadores;
detectar ambigüedades;
comprobar pipelines;
realizar pruebas de consistencia;
desarrollar ejemplos.
El material sintético no puede utilizarse como evidencia empírica del fenómeno real.
6.4 FUTURE
Resultados o experimentos todavía no realizados.
Ejemplos:
nuevas rondas T1;
validación prospectiva;
pruebas de generalización;
replicaciones;
estudios predictivos.
7. DATA_STATUS Protocol
Todo artefacto de investigación AVM™ + PCI™ debería llevar un estado explícito:
DATA_STATUS = OBSERVED
DATA_STATUS = SYNTHETIC
DATA_STATUS = HYPOTHESIS
DATA_STATUS = FUTURE
Este campo no es meramente administrativo.
Funciona como control de contaminación epistemológica.
Un documento puede contener simultáneamente:
evidencia OBSERVED;
interpretación;
hipótesis;
material SYNTHETIC.
Pero cada elemento debe conservar su estado.
No debe existir una transición implícita:
SYNTHETIC → OBSERVED
ni:
HYPOTHESIS → FINDING
ni:
PREDICTIVE SIGNAL → VISIBILITY VARIABLE
sin una etapa formal de validación.
8. Empirical Evidence Chain
La cadena metodológica común queda definida provisionalmente como:
Real Response
↓
Raw Evidence
↓
Annotation
↓
Variable
↓
Measurement
↓
Validation
↓
Interpretation
↓
Hypothesis
↓
Prospective Test
↓
Replication
↓
Potential Finding
Cada salto representa una decisión metodológica.
No se deben saltar niveles.
9. PCI™ Annotation Architecture
El trabajo experimental realizado con las cuatro respuestas reales P01 constituye un punto especialmente importante.
Esas respuestas no deben mezclarse con ejemplos posteriores creados para desarrollar la metodología.
El flujo correcto es:
P01 × 4 real responses
↓
Observed annotation
↓
Annotation Calibration
↓
Ambiguity Register
↓
Rule Amendments
↓
Data Dictionary Freeze 0.1
↓
Synthetic Pipeline Testing
↓
Real T0 Collection
↓
Discovery
↓
Validation
↓
Future Test
Esta secuencia permite que el material sintético sirva para probar el sistema de anotación, pero no para demostrar el fenómeno investigado.
10. Annotation as a Measurement Layer
La anotación no debe considerarse equivalente al fenómeno.
Una respuesta puede ser anotada como:
Recommendation = Yes
pero esa anotación requiere una definición operacional que determine qué cuenta como recomendación.
Por tanto:
Response ≠ Annotation
y:
Annotation ≠ Truth
La anotación constituye una representación metodológica de una observación.
Esto introduce la necesidad de evaluar:
claridad de las categorías;
exclusividad;
exhaustividad;
ambigüedad;
consistencia;
reproducibilidad;
acuerdo entre anotadores;
estabilidad de las reglas.
11. AVM™ Measurement Architecture
El trabajo previo de AVM™ ha establecido una orientación importante:
primero arquitectura de variables; después métricas.
Por tanto, la secuencia recomendada continúa siendo:
Observable Variable
→ Evidence
→ Measurement Problem
→ Variable Type
→ Unit
→ External Evaluation?
→ Candidate Metric
→ Risk
→ Decision
No deben introducirse fórmulas antes de determinar si la variable es conceptualmente medible.
La pregunta inicial no es:
«¿Qué fórmula utilizamos?»
Sino:
«¿Qué estamos midiendo realmente?»
12. Cross-Model Architecture
El experimento AVM™ realizado sobre P01–P20 aporta una segunda dimensión fundamental:
Cross-Model Comparison.
El mismo prompt puede producir representaciones diferentes en:
ChatGPT;
Gemini;
Claude;
Perplexity.
Por ello, el sistema debe registrar al menos:
Prompt × Model × Configuration × Date × Response
Esto permite distinguir:
Entity-level effect
Características asociadas a la entidad.
Query-level effect
Características producidas por la pregunta.
Model-level effect
Características asociadas al sistema.
Temporal effect
Cambios producidos por el tiempo.
Interaction effect
Cambios derivados de la combinación:
Entity × Query × Model × Time
Esta estructura constituye una base más robusta que comparar simplemente «qué IA responde mejor».
13. Research Units
Se propone trabajar con cuatro unidades principales.
U1 — Response Unit
Una respuesta individual.
U2 — Query-Entity Unit
Una entidad evaluada mediante una query concreta.
U3 — Cross-Model Unit
La misma condición experimental comparada entre modelos.
U4 — Experimental Wave
Conjunto de ejecuciones realizadas bajo un protocolo común.
Esto permitirá separar:
respuesta individual
de:
patrón experimental.
14. Discovery vs Validation
Una distinción fundamental para AVM™ + PCI™ es:
Discovery
Objetivo:
encontrar patrones potencialmente relevantes.
Puede tolerar mayor exploración.
Puede utilizar:
análisis exploratorio;
nuevas categorías;
hipótesis;
variables candidatas;
patrones inesperados.
Pero sus resultados deben considerarse generadores de hipótesis.
Validation
Objetivo:
comprobar si un patrón descubierto permanece bajo condiciones definidas.
Debe utilizar:
protocolo congelado;
variables previamente definidas;
criterios explícitos;
datos independientes;
replicación.
Un patrón descubierto en el mismo dataset utilizado para formularlo no debe presentarse automáticamente como validado.
15. Predictive Research Layer
PCI™ puede eventualmente investigar relaciones predictivas.
Pero la arquitectura establece una separación explícita:
Predictive signal ≠ validated predictive variable.
Y:
Predictive variable ≠ visibility variable.
Para que una señal pueda convertirse en candidato predictivo deberá pasar, como mínimo, por:
Discovery;
Definition;
Calibration;
Holdout / prospective testing;
Replication;
Robustness assessment.
Hasta entonces debe denominarse:
candidate predictive signal
y no:
validated predictor.
16. Epistemic Status of Results
Se propone una taxonomía común:
| Estado | Significado |
| OBSERVATION | Hecho directamente observado |
| ANNOTATED OBSERVATION | Observación codificada |
| MEASUREMENT | Resultado de una medición |
| PATTERN | Regularidad observada |
| HYPOTHESIS | Explicación propuesta |
| CANDIDATE SIGNAL | Variable potencialmente relevante |
| VALIDATED RELATION | Relación reproducida bajo protocolo |
| PREDICTIVE RESULT | Resultado predictivo validado |
| SYNTHETIC EXAMPLE | Material artificial |
| FUTURE TEST | Investigación pendiente |
Esta taxonomía deberá impedir que una categoría inferior sea presentada como una superior.
17. Common Research Registry
La arquitectura común debería disponer de un registro central.
AVM™ + PCI™ Research Registry
El registro deberá poder identificar:
variables;
definiciones;
categorías;
anotaciones;
métricas;
hipótesis;
experimentos;
datasets;
versiones;
reglas;
decisiones metodológicas;
resultados;
estado epistemológico.
La finalidad es evitar que una definición utilizada en un experimento quede posteriormente modificada sin trazabilidad.
18. Version Control
La metodología deberá distinguir entre:
Protocol version
Versión del protocolo experimental.
Annotation version
Versión de las reglas de anotación.
Data version
Versión del dataset.
Metric version
Versión de la métrica.
Model version
Versión del sistema evaluado cuando sea identificable.
Research conclusion version
Estado de la conclusión.
Esto permite reconstruir:
qué se sabía, con qué datos, mediante qué reglas y bajo qué versión del protocolo.
19. Separation of Three Knowledge Domains
La arquitectura común establece tres dominios.
DOMAIN A — Empirical
Lo que realmente se observó.
DOMAIN B — Methodological
Cómo se decidió observar, anotar y medir.
DOMAIN C — Theoretical
Qué hipótesis o modelos pueden construirse a partir de los resultados.
La regla fundamental es:
La teoría no puede reescribir retrospectivamente la evidencia.
Si una hipótesis posterior explica aparentemente una observación anterior, la observación debe permanecer registrada exactamente como fue obtenida.
20. Research Contamination Risks
La arquitectura identifica cinco riesgos principales.
R1 — Synthetic contamination
Ejemplos sintéticos terminan tratados como respuestas reales.
R2 — Annotation contamination
Las reglas se modifican después de observar los resultados y se aplican retrospectivamente sin registro.
R3 — Interpretation contamination
Una interpretación posterior se presenta como si hubiera sido evidente en la observación original.
R4 — Model contamination
Se comparan respuestas de modelos bajo condiciones no equivalentes.
R5 — Predictive contamination
Una variable descubierta en un conjunto de datos se presenta como predictor validado sobre ese mismo conjunto.
21. Architectural Principle: Observation Before Explanation
El principio rector de la arquitectura es:
Observe → Annotate → Measure → Validate → Interpret → Hypothesize → Predict
Nunca:
Hypothesize → Search for supporting observations → Declare finding
La primera secuencia protege la investigación frente al sesgo de confirmación.
22. What AVM™ Can Provide to PCI™
AVM™ puede aportar a PCI™:
corpus de respuestas;
condiciones experimentales;
taxonomía de representación;
variables observables;
anotaciones;
cross-model comparisons;
temporal observations;
source attribution;
recommendation states.
Pero PCI™ deberá determinar independientemente si esas variables poseen utilidad predictiva.
23. What PCI™ Can Potentially Provide to AVM™
PCI™ podría eventualmente aportar:
nuevas variables observables;
patrones de transición;
señales tempranas;
indicadores de cambio;
relaciones entre representación y resultado;
modelos predictivos.
Pero ninguna de estas aportaciones debe incorporarse automáticamente al estándar AVM™.
Deberá superar primero un proceso de:
Definition → Evidence → Validation → Reproducibility → Standardization
24. Current Empirical Base
El punto de partida empírico conocido de esta arquitectura incluye:
AVM™
Experimento Cross-Model con los mismos 20 prompts P01–P20 en:
ChatGPT;
Gemini;
Claude;
Perplexity.
Con disponibilidad desigual de respuestas en Perplexity.
PCI™
Primera calibración basada en:
P01 × 4 respuestas reales
Estas evidencias deben permanecer identificadas como material real y separado de cualquier desarrollo sintético posterior.
La arquitectura no debe convertir estos primeros experimentos en una afirmación de generalización.
25. Current Status
A fecha de esta revisión, la arquitectura debe considerarse:
RESEARCH ARCHITECTURE 0.1
No constituye todavía:
un estándar científico validado;
una teoría cognitiva validada;
un modelo predictivo validado;
una métrica universal;
una demostración de causalidad;
una prueba de generalización entre todos los modelos de IA.
Su función es proporcionar un sistema de organización y control de la investigación.
26. Decisions Recorded in Review 0.1
Decision D01
AVM™ y PCI™ compartirán arquitectura de investigación, pero no se fusionarán conceptualmente.
Decision D02
La respuesta real constituye la unidad primaria de evidencia observable.
Decision D03
La anotación constituye una capa metodológica intermedia.
Decision D04
Las métricas no se diseñarán antes de definir adecuadamente las variables observables.
Decision D05
OBSERVED, SYNTHETIC, HYPOTHESIS y FUTURE deberán permanecer explícitamente separados.
Decision D06
El material sintético podrá utilizarse para probar metodología, pero no para demostrar fenómenos reales.
Decision D07
Discovery y Validation serán fases diferentes.
Decision D08
Una señal predictiva potencial no será considerada automáticamente variable de visibilidad.
Decision D09
Las conclusiones deberán conservar trazabilidad hasta la evidencia primaria.
Decision D10
Los cambios de definición, anotación y protocolo deberán versionarse.
27. Proposed Master Architecture
La arquitectura común queda resumida de la siguiente manera:
AVM™ + PCI™
│
RESEARCH OBJECT
│
Entity × Query × Model
│
Response
│
Observable Raw Evidence
Representation
│
Annotation
│
Variable Definition
│
Measurement
│
AVM™ Layer PCI™ Layer
│ │
Visibility Pattern
Measurement Signal Research
│
Validation
│
Interpretation
│
Hypothesis
│
Prospective Test
│
Replication
│
Validated Finding
28. Core Research Rule
La regla central de AVM™ + PCI™ Research Architecture 0.1 es:
No convertir una observación en explicación, una explicación en métrica, una métrica en predictor ni un predictor en estándar sin atravesar las etapas metodológicas correspondientes.
Esta regla debe funcionar como principio de control transversal para todo el proyecto.
29. Position of Research Architecture Review 0.1
Dentro de la arquitectura global del proyecto, este documento ocupa una posición anterior al desarrollo específico de nuevas variables, métricas o modelos.
Su función es actuar como capa de coordinación entre:
Evidence
→ Annotation
→ Measurement
→ Validation
→ Research
→ Standardization
Por ello, el Research Architecture Review 0.1 debe considerarse un documento fundacional de procedimiento, pero no una especificación normativa definitiva.
La siguiente evolución deberá convertir las decisiones aquí recogidas en protocolos operativos independientes para AVM™ y PCI™.
30. Final Status Statement
Research Architecture Review 0.1 establece la arquitectura común de investigación AVM™ + PCI™.
Su principal aportación no es una nueva métrica ni una nueva hipótesis.
Es establecer una frontera metodológica clara entre:
lo que realmente observamos, lo que anotamos, lo que medimos, lo que creemos que significa, lo que hipotetizamos y lo que todavía tenemos que demostrar.
Esa frontera constituye la condición necesaria para que el trabajo posterior pueda evolucionar desde una colección de experimentos hacia una investigación reproducible y, eventualmente, hacia un estándar.
Status: FOUNDATIONAL / PRE-NORMATIVE / VERSION 0.1
DATA_STATUS:
OBSERVED — evidencia experimental previamente obtenida
HYPOTHESIS — relaciones y explicaciones aún no validadas
SYNTHETIC — material utilizado exclusivamente para desarrollo/calibración metodológica
FUTURE — experimentos y validaciones pendientes
