Ir al contenido principal
Español— Elegir un idioma
Menú

Anclaje: fundamentar las respuestas en hechos

Lección 8 de 16 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Anclaje: fundamentar las respuestas en hechos
  2. Por qué el anclaje es esencial
  3. Técnica 1: Contexto explícito
  4. Técnica 2: Citas obligatorias
  5. Técnica 3: Verificación posterior a la generación
  6. Técnica 4: Prompting defensivo anti-alucinaciones
  7. Combinación con herramientas de la API
  8. Puntos clave

Lección actualizada el 3 de noviembre de 2026 según la documentación de OpenAI: temperature y top_p solo se aceptan con un esfuerzo de razonamiento de none, mientras que los modelos GPT-5.6 razonan por defecto (medium). Por tanto, las llamadas que establezcan estos parámetros deben especificar reasoning={"effort": "none"} (API de Responses) o reasoning_effort="none" (Chat Completions). Fuentes: Uso de GPT-6 · GPT-5.6 Terra.

Anclaje: fundamentar las respuestas en hechos

El anclaje obliga al modelo a basar sus respuestas exclusivamente en los datos que tú proporcionas, en lugar de recurrir a su conocimiento interno. Es tu primera línea de defensa contra las alucinaciones y un requisito innegociable en cuanto una aplicación sale de la fase de prototipo. Un asistente de soporte que se invente una cláusula contractual no comete un error simpático: vincula legalmente a tu empresa con el cliente que la haya leído.

Por qué el anclaje es esencial

Los LLM generan texto estadísticamente probable, lo cual no necesariamente coincide con texto factualmente correcto. Sin anclaje, un modelo puede fabricar citas, estadísticas o referencias técnicas que suenen perfectamente plausibles: un número de versión que nunca existió, un periodo de desistimiento creíble pero falso, o un nombre de parámetro inventado de la nada. Nada en la redacción delata la fabricación, y precisamente eso hace que el fenómeno sea peligroso en producción. Cuanto mejor redactada esté la respuesta, menos probable es que el usuario la verifique y mayor será el riesgo legal y reputacional.

Técnica 1: Contexto explícito

El método más sencillo es también el más robusto: inyecta el texto fuente en el prompt y prohíbe al modelo ir más allá. Tus instrucciones deben incluir tres elementos: una restricción al documento proporcionado, la frase de reserva exacta que debe usarse cuando falte información y la obligación de citar el pasaje utilizado. Prueba el resultado con un caso límite: una solicitud de reembolso a los 45 días debe activar la regla de reembolso parcial del 50 %, no la respuesta complaciente que el cliente espera oír.

from openai import OpenAI

client = OpenAI()

document = """
Política de reembolsos de Acme Corp (v3.2, enero de 2026):
- Reembolso completo dentro de los 30 días posteriores a la compra
- Reembolso parcial (50 %) entre 30 y 60 días
- Sin reembolso después de 60 días
- Los productos personalizados no son reembolsables
- Los reembolsos se procesan en 5 días hábiles
"""

system = """Eres un asistente de atención al cliente de Acme Corp.

REGLAS ESTRICTAS:
- Responde ÚNICAMENTE basándote en el documento proporcionado a continuación
- Si la respuesta no está en el documento, di «No tengo esta información en nuestra política actual»
- NUNCA hagas suposiciones más allá del documento
- Cita el pasaje relevante entre comillas

DOCUMENTO DE REFERENCIA:
""" + document

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={"effort": "none"},  # temperature requiere effort none
    instructions=system,
    input="Quisiera un reembolso de un artículo comprado hace 45 días.",
    temperature=0.1
)

Técnica 2: Citas obligatorias

El siguiente nivel exige una referencia para cada afirmación que se haga. Esto tiene un doble efecto. La respuesta se vuelve verificable por el usuario, que puede rastrearla hasta el pasaje original en lugar de fiarse de tu palabra. Además, el modelo se autocensura en aquellas afirmaciones que no pueda vincular a ninguna fuente, ya que la instrucción le indica explícitamente que las omita en lugar de entregarlas sin referencia. Numerar los documentos en el contexto, como hace la función siguiente, también permite que las citas sean utilizables en tu interfaz: «[Documento 2]» puede convertirse en un enlace clicable al archivo correcto.

system_with_citations = """Eres un asistente de investigación.

Para cada afirmación de tu respuesta, añade una referencia
al pasaje fuente entre corchetes, por ejemplo: [Fuente: párrafo 3].

Si no puedes citar un pasaje fuente, no incluyas la afirmación.

Formato de respuesta:
1. Respuesta con citas en línea
2. Sección «Fuentes utilizadas» con extractos exactos"""

def reponse_grounded(question: str, documents: list[str]) -> str:
    """Genera una respuesta anclada con citas."""
    context = "\n\n---\n\n".join(
        f"[Documento {i+1}]\n{doc}"
        for i, doc in enumerate(documents)
    )

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requiere effort none
        instructions=system_with_citations + f"\n\nDOCUMENTOS:\n{context}",
        input=question,
        temperature=0.1
    )
    return response.output_text

Técnica 3: Verificación posterior a la generación

Las dos primeras técnicas reducen el riesgo sin llegar a eliminarlo por completo. Para casos críticos, añade una segunda pasada: una llamada dedicada que descomponga la respuesta en afirmaciones elementales y verifique cada una contra las fuentes. El principio es el mismo que en una revisión de código: el autor lee mal su propio trabajo, mientras que unos ojos nuevos lo leen mucho mejor; y aquí funciona por la misma razón, ya que el verificador no ha producido el texto que examina. Fijar temperature en 0,0 no es un detalle: un verificador debe ser lo más reproducible posible; de lo contrario, no sabrás si un veredicto cambiante proviene de la respuesta o del estado de ánimo del modelo.

def verifier_grounding(reponse: str, sources: str) -> dict:
    """Verifica si una respuesta está correctamente anclada en las fuentes."""
    verification_prompt = f"""Analiza si esta respuesta es fiel a las fuentes.

RESPUESTA A VERIFICAR:
{reponse}

FUENTES:
{sources}

Para cada afirmación de la respuesta, indica:
- La afirmación
- Si está respaldada por las fuentes (SÍ/NO)
- El pasaje fuente correspondiente (o «Ninguno»)

Termina con una puntuación de anclaje: X afirmaciones respaldadas / Y totales."""

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature requiere effort none
        input=verification_prompt,
        temperature=0.0
    )
    return {"verification": response.output_text}

Técnica 4: Prompting defensivo anti-alucinaciones

Ciertas formulaciones reducen significativamente las alucinaciones y no son intercambiables: cada una aborda un síntoma distinto. La formulación explícita simplemente permite al modelo admitir ignorancia, lo cual a menudo basta. El enfoque penalizador jerarquiza los errores, útil cuando te enfrentas a un modelo que prefiere espontáneamente decir cualquier cosa antes que nada. El enfoque estructural hace explícita la incertidumbre en la propia salida, valioso cuando tu interfaz necesita distinguir visualmente lo cierto de lo inferido. Por último, el enfoque de restricción delimita la fuente con etiquetas, lo que funciona especialmente bien cuando el contexto inyectado es voluminoso y el límite entre documento e instrucción corre el riesgo de difuminarse.

defensive_prompts = {
    "explicit": "Si no sabes la respuesta, di «No lo sé».",

    "penalizing": "Está PROHIBIDO inventar información. "
                  "Una respuesta «No lo sé» es siempre preferible "
                  "a información incorrecta.",

    "structural": "Para cada punto de tu respuesta, indica tu nivel de confianza: "
                  "[SEGURO] basado en el documento, "
                  "[PROBABLE] inferido del contexto, [INSEGURO] no verificado.",

    "constrained": "Responde usando EXCLUSIVAMENTE la información "
                   "entre las etiquetas <source> y </source>. "
                   "Cualquier información externa está prohibida."
}

Cuando se usan correctamente, estas formulaciones reducen las alucinaciones entre un 60 % y un 80 %. Sin embargo, debes observarlo en tu propio entorno en lugar de confiar en un promedio: la tasa de anclaje se calcula repitiendo la verificación sobre un lote de respuestas y agregando las puntuaciones obtenidas.

def taux_grounding(reponses: list[dict]) -> float:
    """Calcula la tasa de anclaje en un conjunto de respuestas.

    Cada respuesta es un dict con 'reponse' y 'sources'.
    """
    scores = []
    for item in reponses:
        verif = verifier_grounding(item["reponse"], item["sources"])
        # Extraer la puntuación (adaptar al formato de salida)
        scores.append(verif)
    return scores

Combinación con herramientas de la API

La API de OpenAI ofrece dos herramientas nativas que te evitan construir tu propia capa de recuperación. File Search examina los documentos que hayas subido e inyecta automáticamente los extractos relevantes en el contexto. Web Search fundamenta las respuestas en resultados web recientes, lo cual ayuda cuando el tema evoluciona más rápido que tu base documental. En ambos casos, las instrucciones de restricción siguen siendo esenciales: la herramienta se encarga de traer el material, pero es tu prompt —y solo tu prompt— el que prohíbe al modelo desviarse de él.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Responde basándote únicamente en los documentos proporcionados.",
    input="¿Cuáles son las condiciones de garantía?",
    tools=[{"type": "file_search"}]
)

Ahora pon a prueba la cadena completa con un documento interno de la empresa —unas FAQ, unas condiciones de servicio, documentación técnica; da igual mientras sea real—. Construye el asistente anclado usando contexto explícito, consúltalo con diez preguntas de las cuales tres cubran deliberadamente puntos ausentes del documento y verifica que rechace esas tres en lugar de embellecerlas. A continuación, añade la verificación posterior a la generación y mide tu tasa de anclaje real: es esta cifra, y no la confianza que deposites en tu prompt, la que decide si el asistente está listo para producción.

Puntos clave

  • El anclaje es esencial para cualquier aplicación profesional
  • Inyecta el contexto fuente directamente en el prompt y exige citas
  • Verifica el anclaje después de la generación en casos críticos
  • Las formulaciones defensivas reducen las alucinaciones entre un 60 % y un 80 %
  • Usa temperature=0,0-0,1 para maximizar la fidelidad a las fuentes