Arquitectura para el estudio temporal, comparativo y potencialmente predictivo de la visibilidad en sistemas de inteligencia artificial
Proyecto: AVM™ + PCI™
Documento: PCI™ Longitudinal Research Architecture 0.1
Estado: Arquitectura de investigación
Versión: 0.1
Idioma: Español
1. Propósito del documento
La PCI™ Longitudinal Research Architecture 0.1 establece la arquitectura metodológica para estudiar cómo evolucionan las respuestas de los sistemas de inteligencia artificial a lo largo del tiempo y qué relación puede existir entre determinados cambios observables y posteriores cambios en visibilidad, reconocimiento, atribución, recomendación u otras dimensiones estudiadas por AVM™
PCI™ no debe entenderse, en esta fase, como una metodología predictiva ya validada.
Su función inicial es mucho más fundamental:
construir una infraestructura de observación longitudinal capaz de detectar, registrar, comparar y validar cambios temporales antes de atribuirles capacidad predictiva.
Por tanto, PCI™ debe comenzar como una arquitectura de investigación longitudinal, no como un sistema de predicción.
2. Relación entre AVM™ y PCI™
AVM™ y PCI™ constituyen dos capas complementarias de una misma arquitectura de investigación.
AVM™
AVM™ se ocupa principalmente de responder:
¿Cuál es el estado observable de la visibilidad de una entidad en sistemas de IA bajo determinadas condiciones?
Su orientación es predominantemente transversal y comparativa.
Puede estudiar, por ejemplo:
reconocimiento;
identificación;
comprensión;
atribución;
mención;
recomendación;
prioridad de recomendación;
fuentes;
calidad de recomendación;
consistencia entre modelos;
dependencia contextual.
PCI™
PCI™ introduce la dimensión temporal:
¿Cómo cambia ese estado observable a lo largo del tiempo y qué patrones de cambio pueden detectarse antes, durante o después de determinadas modificaciones?
La relación conceptual puede expresarse así:
AVM™ → estado de visibilidad
PCI™ → evolución del estado de visibilidad
Por tanto:
AVM™ proporciona una fotografía estructurada; PCI™ construye la secuencia temporal de esas fotografías.
3. Problema de investigación
Una medición aislada puede determinar que una entidad es reconocida, mencionada, recomendada o atribuida en un determinado momento.
Pero una observación aislada no permite determinar:
si esa situación es estable;
si es transitoria;
si está aumentando;
si está disminuyendo;
si existe una tendencia;
si el cambio precede a otro cambio;
si una modificación externa coincide temporalmente con la variación;
si existe una relación reproducible;
o si una determinada variable puede utilizarse para anticipar otra.
Por ello PCI™ introduce explícitamente la dimensión:
T0 → T1 → T2 → T3 → … → Tn
La unidad fundamental deja de ser únicamente la respuesta individual y pasa a ser la observación situada dentro de una serie temporal.
4. Principio fundamental: observar antes de predecir
PCI™ debe adoptar una regla metodológica central:
No debe afirmarse capacidad predictiva hasta que exista evidencia longitudinal suficiente para demostrarla.
Esto implica una secuencia:
Observación → comparación temporal → patrón → hipótesis → prueba → validación → eventual capacidad predictiva
y no:
Observación → predicción
La diferencia es fundamental.
Un cambio observado entre dos momentos constituye:
EVIDENCIA DE CAMBIO
pero no necesariamente:
EVIDENCIA DE CAUSALIDAD
y mucho menos:
EVIDENCIA DE CAPACIDAD PREDICTIVA
5. Arquitectura conceptual
La arquitectura PCI™ 0.1 se organiza en siete capas:
Capa 1 — Temporalización
Define cuándo se realiza cada observación.
T0, T1, T2, T3…Tn
Capa 2 — Observación
Registra exactamente qué produjo el sistema de IA.
La respuesta original constituye el material primario.
Capa 3 — Evidencia
Extrae de la respuesta únicamente aquello que puede observarse y documentarse.
Capa 4 — Anotación
Transforma la evidencia observable en variables estructuradas.
La arquitectura ya desarrollada para la PCI™ Experimental Annotation Matrix 0.1 resulta fundamental aquí.
La cadena operativa establecida es:
RAW → Evidence → Variable → Value → Confidence → Notes → Anomaly / Adjudication
Capa 5 — Comparación longitudinal
Compara las mismas variables entre diferentes momentos.
Ejemplo conceptual:
P01 / T0 → P01 / T1 → P01 / T2
permitiendo observar:
aparición;
desaparición;
persistencia;
incremento;
reducción;
cambio de categoría;
cambio de intensidad;
cambio de atribución;
cambio de recomendación.
Capa 6 — Interpretación e hipótesis
Los patrones observados pueden generar hipótesis.
Pero deben mantenerse separados de la evidencia.
La cadena epistemológica completa queda:
RAW → EVIDENCIA → OBSERVACIÓN → ANOTACIÓN → INTERPRETACIÓN → HIPÓTESIS → MÉTRICA → VALIDACIÓN
Esta separación constituye uno de los principios estructurales de PCI™.
Capa 7 — Evaluación predictiva
Solo después de disponer de suficientes observaciones longitudinales podrá evaluarse si determinadas variables poseen capacidad predictiva.
Esta capa permanece, en PCI™ 0.1, abierta y no validada.
6. La unidad longitudinal de análisis
PCI™ no debería considerar únicamente la respuesta como unidad de análisis.
La unidad longitudinal mínima puede representarse como:
Entidad × Prompt × Modelo × Momento × Condiciones
Por ejemplo:
Entidad A × P01 × ChatGPT × T0 × condiciones C
posteriormente:
Entidad A × P01 × ChatGPT × T1 × condiciones C
y así sucesivamente.
Esto permite controlar una cuestión esencial:
un cambio solo puede interpretarse correctamente si sabemos qué permaneció constante y qué cambió entre observaciones.
7. El concepto de baseline
Toda investigación longitudinal necesita un punto de referencia.
PCI™ introduce el concepto de:
Baseline T0
T0 representa la primera observación válida de una determinada configuración experimental.
No significa necesariamente «situación verdadera».
Significa:
estado observable registrado antes de iniciar la secuencia longitudinal definida.
Por tanto:
T0 ≠ verdad absoluta
T0 = referencia experimental inicial
Esto evita convertir la primera medición en una supuesta condición normativa.
8. Continuidad experimental
Para que una comparación temporal tenga valor, PCI™ debe distinguir entre:
Variables controladas
Elementos que deberían permanecer constantes.
Por ejemplo:
prompt;
modelo;
configuración experimental;
entidad observada;
criterios de anotación;
procedimiento de registro.
Variables temporales
Elementos que necesariamente cambian:
fecha;
hora;
versión del modelo;
estado del entorno;
contexto externo;
corpus disponible para el sistema, cuando pueda determinarse.
Variables desconocidas
Elementos que no pueden observarse directamente.
Esto es especialmente importante porque una modificación en una respuesta de IA no demuestra por sí misma qué mecanismo produjo dicha modificación.
9. El problema de la deriva del modelo
Una arquitectura longitudinal de IA debe asumir que el sistema observado puede cambiar.
Por ello:
Modelo en T0 ≠ necesariamente mismo sistema en T1
aunque conserve el mismo nombre comercial.
Pueden producirse cambios en:
modelo subyacente;
versión;
instrucciones;
recuperación de información;
fuentes;
herramientas;
políticas;
contexto;
arquitectura de búsqueda;
datos disponibles.
Por ello PCI™ debe registrar, siempre que sea posible:
Model Identity / Version / Date / Environment / Tools / Retrieval Conditions
La ausencia de alguno de estos datos debe quedar registrada como limitación, no rellenarse mediante inferencia.
10. Longitudinalidad intra-modelo e inter-modelo
PCI™ debe contemplar dos tipos de análisis.
10.1. Longitudinal intra-modelo
Seguimiento de:
mismo modelo → mismo prompt → diferentes momentos
Ejemplo:
ChatGPT / P01 / T0 → T1 → T2 → T3
Es la configuración más limpia para estudiar evolución temporal dentro de un sistema.
10.2. Longitudinal inter-modelo
Seguimiento simultáneo de varios sistemas:
ChatGPT / Gemini / Claude / Perplexity
en diferentes momentos.
Esto permite estudiar:
convergencia;
divergencia;
persistencia;
aparición de patrones comunes;
comportamientos específicos de plataforma.
Pero también aumenta la complejidad experimental.
Por ello no deben mezclarse ambos análisis sin identificarlos explícitamente.
11. Repetición de prompts
Una de las piezas centrales de PCI™ será la conservación de prompts longitudinales.
Cuando el objetivo sea estudiar evolución temporal, el prompt debe permanecer idéntico siempre que el protocolo lo requiera.
Esto permite construir:
P01-T0
P01-T1
P01-T2
…
y comparar las observaciones.
Pero existe una advertencia importante:
la repetición del prompt no garantiza que el experimento sea idéntico.
El prompt puede ser constante mientras el sistema, el contexto o las fuentes disponibles cambian.
Por ello la arquitectura debe registrar ambos elementos:
Prompt Constancy + Environment Variability
12. Dimensiones longitudinales
PCI™ puede estudiar temporalmente las dimensiones desarrolladas dentro de AVM™.
Entre ellas:
| Dimensión | Pregunta longitudinal |
| Recognition | ¿aparece o desaparece el reconocimiento? |
| Identification | ¿cambia la capacidad de identificar la entidad? |
| Understanding | ¿cambia la comprensión atribuida? |
| Attribution | ¿cambia la atribución de información? |
| Mention | ¿aumenta o disminuye la aparición? |
| Recommendation | ¿cambia la recomendación? |
| Priority | ¿cambia la posición o prioridad? |
| Sources | ¿cambian las fuentes utilizadas? |
| Accuracy | ¿cambia la exactitud observable? |
| Consistency | ¿se estabiliza o fluctúa el comportamiento? |
Esto permite que PCI™ no cree inicialmente un universo independiente de variables.
Su función es añadir una dimensión:
TIME
sobre las variables observables ya estructuradas.
13. Persistencia
Una cuestión fundamental de PCI™ será distinguir:
aparición
de
persistencia.
Una entidad que aparece una única vez no presenta el mismo patrón que otra que aparece:
T0 → T1 → T2 → T3
La persistencia puede convertirse posteriormente en una variable de investigación.
Pero en PCI™ 0.1 no debe asumirse todavía que:
mayor persistencia = mayor visibilidad
La relación deberá ser investigada.
14. Cambio
PCI™ debe registrar el cambio antes de intentar valorarlo.
Tipos iniciales:
Cambio positivo
Una variable aumenta o aparece.
Cambio negativo
Una variable disminuye o desaparece.
Cambio neutro
La variable permanece estable.
Cambio cualitativo
La variable no simplemente aumenta o disminuye, sino que cambia de naturaleza.
Ejemplo conceptual:
mención → recomendación
o:
recomendación secundaria → recomendación prioritaria
Estos cambios pueden ser metodológicamente más importantes que una simple variación cuantitativa.
15. Persistencia, volatilidad y estabilidad
La arquitectura longitudinal permite formular tres conceptos de investigación.
Persistencia
La frecuencia con la que un estado permanece presente a través del tiempo.
Volatilidad
La frecuencia o magnitud con la que un estado cambia.
Estabilidad
El grado en que una variable mantiene un comportamiento consistente.
Estos conceptos son candidatos metodológicos.
En PCI™ 0.1 deben tratarse como:
VARIABLES / CONCEPTOS EN INVESTIGACIÓN
y no como métricas definitivamente validadas.
16. Evento temporal
PCI™ también debe permitir registrar acontecimientos relevantes.
Un Temporal Event puede ser cualquier acontecimiento potencialmente relacionado con una modificación observable.
Ejemplos conceptuales:
publicación de nuevo contenido;
modificación significativa de una página;
cambio de arquitectura;
actualización de información;
aparición de una nueva fuente;
cambio de versión del modelo;
modificación de un prompt experimental.
La existencia de un evento no demuestra que haya producido el cambio.
La relación debe registrarse inicialmente como:
EVENTO → OBSERVACIÓN TEMPORALMENTE RELACIONADA
y no como:
EVENTO → CAUSA
17. Separación entre correlación y causalidad
Esta separación debe formar parte del núcleo de PCI™.
Si:
Evento X ocurre en T1
y:
Variable Y cambia en T2
solo podemos afirmar inicialmente:
existe una proximidad temporal entre X e Y.
No podemos afirmar:
X causó Y.
Para aproximarnos a causalidad serían necesarios diseños experimentales adicionales, controles y replicación.
Por tanto:
Temporalidad ≠ causalidad
18. Arquitectura de evidencia
PCI™ hereda una regla fundamental del trabajo anterior:
La respuesta del modelo no equivale automáticamente a evidencia sobre el fenómeno investigado.
Debe mantenerse la separación:
RAW
Respuesta original.
↓
EVIDENCE
Elementos observables de la respuesta.
↓
OBSERVATION
Descripción estructurada de lo observado.
↓
ANNOTATION
Codificación mediante variables.
↓
INTERPRETATION
Significado analítico atribuido.
↓
HYPOTHESIS
Explicación o relación propuesta.
↓
VALIDATION
Comprobación mediante nueva evidencia.
19. Taxonomía epistemológica
Todo resultado PCI™ debe poder clasificarse, como mínimo, en tres estados.
REAL
Información procedente de observaciones efectivamente realizadas.
Incluye:
respuestas reales;
timestamps reales;
anotaciones realizadas sobre respuestas reales;
cambios observados;
incidencias registradas.
HIPÓTESIS
Proposiciones todavía no demostradas.
Ejemplo:
«La persistencia de una recomendación podría anticipar un aumento posterior de prioridad.»
Esto es una hipótesis.
No un hallazgo validado.
SINTÉTICO
Material creado para:
explicar;
ilustrar;
simular;
probar estructuras;
demostrar cómo funcionaría una métrica.
Nunca debe incorporarse al corpus empírico como evidencia real.
20. Registro longitudinal
Cada observación debería disponer de un identificador estable.
Una estructura conceptual podría ser:
PCI-Tx-Eyy-Pzz-Mww
donde:
PCI = proyecto;
Tx = momento temporal;
Eyy = experimento;
Pzz = prompt;
Mww = modelo.
La nomenclatura exacta podrá evolucionar.
Lo importante en 0.1 es establecer la necesidad de una identidad persistente de cada observación.
21. Estructura mínima de un registro
Cada observación longitudinal debería contener, como mínimo:
| Campo | Función |
| Observation ID | Identificación única |
| Experiment ID | Identificación del experimento |
| Prompt ID | Identificación del prompt |
| Model | Sistema observado |
| Model Version | Versión conocida |
| Timestamp | Momento de observación |
| Raw Response | Respuesta original |
| Evidence | Evidencia extraída |
| Variable | Variable observada |
| Value | Valor |
| Confidence | Confianza de anotación |
| Notes | Observaciones |
| Anomaly | Incidencias |
| Adjudication | Resolución de discrepancias |
| Provenance | Procedencia |
Esta estructura conecta directamente con la PCI™ Experimental Annotation Matrix 0.1.
22. La dimensión de procedencia
En investigación longitudinal, saber qué ocurrió no es suficiente.
También debemos saber:
de dónde procede cada afirmación.
Por ello cada dato debe poder rastrearse hacia atrás:
Resultado → anotación → evidencia → respuesta RAW → experimento → prompt → modelo → timestamp
Esto constituye una cadena de procedencia.
La trazabilidad será crítica cuando PCI™ empiece a producir datasets longitudinales de mayor tamaño.
23. Reproducibilidad
PCI™ debe aspirar a que una observación pueda ser auditada.
Una investigación longitudinal reproducible debería permitir reconstruir:
qué se preguntó;
cuándo;
a qué modelo;
bajo qué condiciones;
qué respondió;
qué evidencia se extrajo;
cómo se anotó;
qué cambió;
qué interpretación se realizó;
qué hipótesis se generó.
La reproducibilidad no implica necesariamente obtener una respuesta idéntica de un sistema de IA.
Implica poder reproducir el procedimiento de observación y evaluación.
24. Arquitectura de comparación
PCI™ debe comparar preferentemente:
same entity + same prompt + same model + different time
antes de realizar comparaciones más complejas.
Posteriormente:
same entity + same prompt + different models + different time
Esto establece una jerarquía de complejidad.
Nivel 1
Longitudinal intra-modelo.
Nivel 2
Longitudinal multi-modelo.
Nivel 3
Longitudinal multi-variable.
Nivel 4
Longitudinal con eventos externos.
Nivel 5
Investigación predictiva.
No debe saltarse directamente al nivel 5.
25. Hipótesis longitudinales
PCI™ puede comenzar a formular hipótesis como:
H1: determinados estados de visibilidad presentan mayor persistencia temporal que otros.
H2: determinados cambios observables pueden preceder temporalmente a cambios posteriores en otras dimensiones de visibilidad.
H3: la estabilidad de determinadas señales puede diferir entre modelos.
H4: algunos cambios de visibilidad presentan patrones repetibles a través de diferentes momentos.
Estas proposiciones son hipótesis de investigación, no resultados.
Su función es orientar la recogida futura de evidencia.
26. La hipótesis predictiva
La hipótesis más ambiciosa de PCI™ sería:
ciertas señales observables en Tn podrían permitir estimar con una precisión superior al azar determinados estados observables en Tn+1.
Esta formulación es deliberadamente prudente.
No afirma que PCI™ tenga actualmente capacidad predictiva.
Afirma únicamente que:
la capacidad predictiva constituye una pregunta empírica susceptible de ser investigada.
27. Qué no puede afirmarse todavía
Con la evidencia actualmente disponible no debe afirmarse que PCI™:
predice la visibilidad;
predice cambios de recomendación;
determina causalidad;
identifica factores causales;
puede anticipar el comportamiento de un modelo;
constituye un sistema predictivo validado.
Estas afirmaciones requerirían evidencia longitudinal adicional.
28. Relación con la PCI™ Annotation Calibration Report 0.1
El trabajo de calibración realizado sobre las respuestas reales tiene una función específica dentro de esta arquitectura.
No constituye todavía evidencia longitudinal.
Su valor está en demostrar que antes de medir evolución temporal necesitamos resolver:
cómo se observa y cómo se anota de forma consistente aquello que posteriormente queremos comparar en el tiempo.
Por tanto, la secuencia metodológica queda:
Annotation Calibration
↓
Measurement Reliability
↓
Longitudinal Observation
↓
Temporal Comparison
↓
Pattern Detection
↓
Hypothesis
↓
Predictive Validation
La calibración de anotación es, por tanto, una infraestructura previa a la longitudinalidad.
29. Arquitectura de madurez
PCI™ 0.1 puede visualizarse como una progresión:
PCI™ Stage 0 — Calibration
¿Podemos identificar y anotar correctamente las variables?
PCI™ Stage 1 — Observation
¿Podemos registrar las mismas variables repetidamente?
PCI™ Stage 2 — Longitudinal Comparison
¿Podemos detectar cambios?
PCI™ Stage 3 — Pattern Detection
¿Existen patrones repetibles?
PCI™ Stage 4 — Predictive Testing
¿Un patrón en Tn anticipa un resultado en Tn+1?
PCI™ Stage 5 — Predictive Validation
¿La capacidad predictiva se mantiene bajo validación independiente?
PCI™ 0.1 se sitúa principalmente entre Stage 0 y Stage 2.
30. Arquitectura de control epistemológico
PCI™ debe incorporar controles explícitos contra tres riesgos:
Riesgo 1 — Overinterpretation
Convertir una observación en una explicación.
Riesgo 2 — Retrospective bias
Descubrir un patrón después de observar el resultado y presentarlo como si hubiera sido predicho previamente.
Riesgo 3 — Synthetic contamination
Introducir ejemplos generados artificialmente dentro del corpus real.
Para evitarlo, cada afirmación debe conservar su estado:
REAL / HIPÓTESIS / SINTÉTICO
31. Principio de separación temporal
Una hipótesis predictiva debe formularse antes de observar el resultado que pretende anticipar.
Esta regla será esencial cuando PCI™ evolucione hacia validación predictiva.
La arquitectura deberá distinguir entre:
Prediction Window
y
Observation Window
Ejemplo conceptual:
T0 → información disponible
T1 → predicción
T2 → resultado observado
La información de T2 no puede utilizarse retroactivamente para construir la predicción de T1.
32. Dataset longitudinal
El objetivo final de esta arquitectura no es únicamente producir documentos.
Es construir un:
PCI™ Longitudinal Evidence Dataset
compuesto por observaciones estructuradas y trazables.
Cada fila representaría una observación en un momento determinado.
La dimensión temporal permitiría construir posteriormente:
series;
trayectorias;
transiciones;
persistencias;
volatilidades;
cambios;
eventos;
hipótesis;
pruebas predictivas.
33. Arquitectura general
La arquitectura completa puede representarse así:
OBSERVACIÓN REAL
↓
RAW RESPONSE
↓
EVIDENCE EXTRACTION
↓
ANNOTATION
↓
BASELINE T0
↓
REPEATED OBSERVATIONS
↓
T1 → T2 → T3 → Tn
↓
LONGITUDINAL COMPARISON
↓
CHANGE / PERSISTENCE / VOLATILITY
↓
PATTERN DETECTION
↓
HYPOTHESIS
↓
PREDICTIVE TEST
↓
VALIDATION
↓
PCI™ KNOWLEDGE
La última etapa solo puede alcanzarse cuando las anteriores hayan sido suficientemente demostradas.
34. Relación con AVM™ Knowledge & Evidence Boundary
La PCI™ Longitudinal Research Architecture debe operar dentro del límite epistemológico definido conjuntamente para AVM™ + PCI™.
AVM™ determina qué podemos afirmar sobre un estado observable de visibilidad.
PCI™ añade:
qué podemos afirmar sobre su evolución temporal.
Por tanto:
AVM™ Boundary
→ ¿Qué sabemos sobre la visibilidad?
PCI™ Boundary
→ ¿Qué sabemos sobre su evolución?
Predictive Boundary
→ ¿Qué podemos afirmar sobre su posible comportamiento futuro?
Esta última frontera debe ser especialmente estricta.
35. Decisión metodológica de 0.1
La arquitectura adopta las siguientes decisiones:
| Elemento | Decisión PCI™ 0.1 |
| Orientación | Longitudinal |
| Unidad temporal | T0…Tn |
| Baseline | Necesario |
| Repetición | Fundamental |
| Evidencia RAW | Obligatoria |
| Anotación | Estructurada |
| Procedencia | Obligatoria |
| Comparación | Temporal |
| Hipótesis | Permitidas |
| Predicción | No validada |
| Causalidad | No asumida |
| Material sintético | Separado |
| Evidencia real | Separada |
| Validación | Futura |
| Dataset longitudinal | Objetivo |
36. Principios normativos
PCI™ Longitudinal Research Architecture 0.1 establece los siguientes principios:
P1 — Temporalidad
Toda afirmación longitudinal debe estar vinculada a uno o más momentos observables.
P2 — Trazabilidad
Toda observación debe poder rastrearse hasta su fuente RAW.
P3 — Comparabilidad
Las observaciones comparadas deben especificar qué condiciones permanecieron constantes y cuáles cambiaron.
P4 — Separación epistemológica
Evidencia, interpretación, hipótesis y material sintético deben mantenerse separados.
P5 — No causalidad automática
La precedencia temporal no demuestra causalidad.
P6 — No predicción automática
La existencia de un patrón no demuestra capacidad predictiva.
P7 — Validación
Toda capacidad predictiva debe demostrar rendimiento mediante evidencia independiente.
P8 — Reproducibilidad
El procedimiento de observación debe poder reconstruirse.
P9 — Conservación RAW
La respuesta original debe preservarse siempre que sea posible.
P10 — Auditabilidad
Toda transformación desde RAW hasta conclusión debe poder revisarse.
37. Qué aporta realmente PCI™ a la arquitectura AVM™ + PCI™
Con AVM™ podemos establecer:
«En T0, bajo estas condiciones, observamos este estado de visibilidad.»
Con PCI™ podemos comenzar a establecer:
«Entre T0 y Tn, observamos esta trayectoria de cambio.»
Y solo después de suficiente investigación:
«Determinadas señales observadas antes de Tn presentan capacidad para anticipar determinados estados posteriores.»
Estas tres afirmaciones pertenecen a niveles epistemológicos diferentes.
Ese orden debe preservarse.
Conclusión
La PCI™ Longitudinal Research Architecture 0.1 no debe considerarse todavía un modelo predictivo.
Es la infraestructura necesaria para descubrir si un modelo predictivo puede llegar a existir.
Su función fundamental es transformar:
observaciones aisladas
en:
secuencias temporales trazables
y posteriormente transformar:
secuencias temporales
en:
patrones investigables
sin confundir nunca:
patrón → causalidad
ni:
patrón → predicción
ni:
predicción → validación.
La arquitectura queda, por tanto, definida mediante la siguiente cadena:
REAL OBSERVATION → STRUCTURED EVIDENCE → ANNOTATION → T0 BASELINE → LONGITUDINAL OBSERVATION → TEMPORAL CHANGE → PATTERN → HYPOTHESIS → PREDICTIVE TEST → VALIDATION
Y la posición epistemológica de PCI™ 0.1 queda deliberadamente establecida en una fase anterior:
PCI™ todavía no demuestra que pueda predecir la evolución de la visibilidad en IA. PCI™ establece la arquitectura experimental necesaria para investigar si determinadas señales temporales pueden llegar a hacerlo.
Esta distinción es esencial para que PCI™ pueda evolucionar desde una hipótesis metodológica hacia una metodología científica reproducible sin contaminar el corpus con conclusiones prematuras.
