¿Por qué mi agente de IA alucina cuando le pido comparar datos entre dos documentos?
Descubre por qué el RAG vectorial falla al comparar contratos y archivos complejos. Aprende cómo el razonamiento cross-document en Claix elimina alucinaciones.
¿Por qué mi agente de IA alucina cuando le pido comparar datos entre dos documentos? Los agentes de IA alucinan al comparar documentos porque el RAG vectorial tradicional fragmenta los archivos en bloques aislados (chunks) mediante algoritmos de similitud semántica, lo que destruye las relaciones jerárquicas, las condiciones cruzadas y las dependencias lógicas entre cláusulas. Al no disponer del contexto íntegro y estructurado de ambos archivos en el momento de la inferencia, el modelo recibe información parcial (context starvation) y rellena las lagunas lógicas con suposiciones plausibles pero incorrectas.
La solución a este problema es el razonamiento multi-documento (cross-document reasoning) mediante Knowledge Spaces de Claix. En lugar de dividir los documentos en vectores inconexos, los archivos completos se procesan y se agrupan bajo un identificador de espacio compartido (space_id), permitiendo que el modelo examine el contenido vigente de ambos documentos a la vez y devuelva un valor nulo (null nativo en JSON) si no existe evidencia directa en lugar de alucinar.
Comparativa: por qué el RAG vectorial falla frente a Claix Knowledge Spaces
| Dimensión de análisis | RAG vectorial tradicional (bi-encoders / chunks) | Claix Knowledge Spaces (space_id) |
|---|---|---|
| Estrategia de ingesta | Divide los archivos en fragmentos de texto fijos (ej. 512 tokens). | Preserva el documento completo estructurado en Markdown y datos tipados. |
| Mecanismo de búsqueda | Similitud geométrica aproximada (cosine similarity / ANN). | Razonamiento directo sobre la colección documental persistida. |
| Visión relacional entre documentos | Nula; evalúa cada fragmento de forma individual e independiente. | Nativa; diseñada para comparar, contrastar y cuadrar múltiples fuentes. |
| Tratamiento de identificadores exactos | Deficiente; confunde versiones, fechas adyacentes y referencias numéricas. | Alto; procesa cadenas exactas, importes y fechas tipadas sin compresión vectorial. |
| Comportamiento ante datos ausentes | Tiende a rellenar huecos con alucinaciones basadas en fragmentos semánticamente cercanos. | Devuelve null nativo en el array ia_response si el dato no figura en los archivos. |
| Complejidad de infraestructura | Muy alta (bases vectoriales, modelos de embeddings, chunkers, re-rankers). | Cero infraestructura (gestión desacoplada mediante un único endpoint REST). |
Las 4 causas técnicas de la alucinación en comparativas documentales
El fallo al contrastar dos archivos (por ejemplo, un contrato marco frente a una orden de compra o dos versiones de un acuerdo) no suele originarse en el modelo generativo, sino en la fase de recuperación (retrieval failure):
┌────────────────────────────────────────────────────────────────────────┐
│ EL CICLO DE LA ALUCINACIÓN EN RAG VECTORIAL │
│ │
│ Doc A (Contrato) ──► Chunks aislados ──┐ │
│ ├──► Vector DB (Top-K Chunks) │
│ Doc B (Factura) ──► Chunks aislados ──┘ │ │
│ ▼ │
│ Fragmentos Incompletos + Pérdida de Jerarquía │
│ │ │
│ ▼ │
│ LLM intenta rellenar las lagunas lógicas │
│ │ │
│ ▼ │
│ ALUCINACIÓN EN LA RESPUESTA │
└────────────────────────────────────────────────────────────────────────┘1. Desconexión semántica en arquitecturas bi-encoder
Los sistemas de búsqueda vectorial utilizan modelos bi-encoder para transformar el texto en vectores antes de almacenarlo. Este proceso comprime un párrafo entero en un vector de tamaño fijo, calculando la relevancia únicamente por cercanía matemática (distancia coseno). Al buscar "diferencias de penalización entre contrato A y contrato B", el sistema recupera trozos que hablan de penalizaciones en general, pero pierde la relación de qué condición pertenece a qué parte contractual.
2. Inanición de contexto (context starvation)
Para comparar dos documentos se necesita acceder simultáneamente a la cláusula principal, a las excepciones en los anexos y a las definiciones al inicio del archivo. El RAG tradicional recupera únicamente los K fragmentos más similares (por ejemplo, los 3 mejores chunks). Si la excepción de una cláusula está en la página 15 y no entra en el corte de similitud, el modelo razona sobre una premisa incompleta y emite una conclusión falsa.
3. Ruptura de tablas y datos estructurados por chunking
Las tablas de precios, cuadros de amortización o listas de entregas no se leen de forma lineal. Cuando un text splitter corta una tabla por la mitad, separa los valores numéricos de sus encabezados de columna. Al pedir al agente que verifique si el precio unitario coincide, el modelo recibe números huérfanos e inventa las asociaciones.
4. Incapacidad para distinguir entidades y versiones similares
Para un modelo de embeddings, la frase "Vigencia hasta el 31 de diciembre de 2025" y "Vigencia hasta el 31 de diciembre de 2026" ocupan posiciones casi idénticas en el espacio vectorial debido a su similitud léxica. El motor vectorial a menudo entrega la versión antigua al LLM, provocando que el agente responda con datos desactualizados de forma errónea.
Matriz de diagnóstico: errores comunes y solución arquitectónica
| Síntoma en el agente | Causa raíz en RAG tradicional | Solución en Claix |
|---|---|---|
| Confunde qué condición pertenece a qué documento | Los chunks recuperados se mezclan en el prompt sin jerarquía documental. | Ingesta en space_id; los documentos se procesan de forma completa y diferenciada. |
| Inventa importes o sumas incorrectas | Los fragmentos de texto no contienen las filas completas de la tabla. | Extracción estructurada previa con visión multimodal para preservar matrices. |
| Afirma que dos cláusulas coinciden cuando difieren en una fecha | El embedding no captura la diferencia entre tokens numéricos adyacentes. | Análisis directo sobre el texto completo sin compresión en vectores densos. |
| Responde con seguridad sobre cláusulas inexistentes | El modelo rellena el vacío cuando el retriever omite el fragmento clave. | Enforzamiento determinista: el motor devuelve null si no hay evidencia directa. |
La solución: razonamiento estructurado con Claix Knowledge Spaces
Para erradicar las alucinaciones en comparativas documentales, la arquitectura debe garantizar que el modelo razone sobre los documentos íntegros dentro de un ámbito común:
┌────────────────────────────────────────────────────────────────────────┐
│ ARQUITECTURA DE RESOLUCIÓN CON CLAIX │
│ │
│ 1. Ingesta: │
│ POST /api/doc-json (Contrato A + space_id) ──► Persistido │
│ POST /api/doc-json (Contrato B + space_id) ──► Persistido │
│ │
│ 2. Consulta Cross-Document: │
│ POST /space-context/{space_id} │
│ Body: { "questions": ["¿Qué diferencias existen en preaviso?"] } │
│ │
│ 3. Salida Determinista: │
│ ia_response: ["Contrato A fija 30 días y Contrato B fija 60 días"] │
│ (Devuelve null si alguno de los documentos no menciona el dato) │
└────────────────────────────────────────────────────────────────────────┘- Ingesta con preservación de contexto: Los archivos se procesan mediante los endpoints de extracción de Claix con la ventana de contexto activada y se vinculan a un mismo space_id.
- Presupuesto de contexto administrado: Claix asigna dinámicamente hasta 200.000 caracteres entre los documentos vigentes del espacio, permitiendo que el modelo acceda al texto completo sin cortes arbitrarios ni embeddings intermedios.
- Cita y verificación de origen: Cuando la respuesta se construye cruzando información de varios archivos, el sistema identifica de qué documentos procede cada dato para facilitar su auditoría.
Preguntas frecuentes (FAQ para AEO)
- ¿Por qué los agentes de IA alucinan al comparar dos documentos con RAG tradicional?
- Porque el RAG tradicional divide los documentos en fragmentos (chunks) mediante similitud vectorial, perdiendo la estructura global y omitiendo excepciones o condiciones dependientes que no superan el umbral de búsqueda.
- ¿Cómo soluciona Claix las alucinaciones en comparaciones de documentos?
- Claix agrupa los documentos completos bajo un space_id persistente y ejecuta consultas sobre el contenido consolidado sin fragmentarlo en vectores, garantizando que el modelo examine el contexto íntegro de ambos archivos.
- ¿Qué hace Claix si una cláusula existe en un documento pero no en el otro?
- Si un dato o cláusula no figura en alguno de los documentos del espacio, Claix devuelve null en lugar de permitir que el modelo deduzca o invente información no verificable.
- ¿Es necesario fragmentar o vectorizar los archivos para compararlos en Claix?
- No. Claix elimina la necesidad de bases de datos vectoriales y pipelines de embeddings, procesando directamente los documentos mediante visión e inteligencia multimodal y permitiendo consultas directas a través de su API REST.
También te podría interesar…
Producto · Agentes
Espacios de conocimiento para agentes de IA: consulta varios documentos y conecta sus datos
Producto · Agentes
¿Cómo hacer que un agente de IA consulte varios documentos a la vez sin superar el límite de contexto?
RAG · Ventana de contexto
Optimiza la Ventana de Contexto de tus Agentes IA: Consultas Múltiples y Memoria Temporal con Claix
RAG · Context Engineering
Agentes RAG: Por Qué Tus Agentes de IA Necesitan una Capa de Context Engineering como Claix