Página conceptual. Toda la IA de ingestia.io funciona mejor — y de forma más segura — cuando está anclada (grounded) en tu modelo semántico. Aquí explicamos lo que recibe la IA para responder, por qué eso la mantiene atada a tus números, y cómo explica una medida sin inventar.
Nota
La lógica de grounding y los controles de egress están cubiertos por pruebas automáticas. Ver la visión general de la IA.
El problema que resuelve el grounding#
Un LLM "en bruto" sabe el idioma, pero no sabe qué es el ingreso en tu empresa, ni
que valor excluye las devoluciones. Sin contexto, adivina. Grounding es darle
lo mínimo necesario — la estructura y las definiciones de tu modelo — para
que hable tu idioma y pueda ser verificado.
Lo que recibe la IA (y lo que nunca recibe)#
Depende de la capacidad, y todo entra dentro de un fence <dados> (tratado como
dato, nunca como instrucción):
| Capacidad | Recibe | No recibe |
|---|---|---|
| Text-to-SQL, Generación asistida | Estructura: modelo semántico (ids de tablas/relaciones/medidas) o el schema del catálogo | Filas de datos — solo estructura |
| Q&A, Insights | Snapshot del panel (filas), sujeto a la política de egress | Más de lo que ve quien pregunta |
| Narrativa | Resultados del informe (período actual y anterior) | — |
Nunca sale, en ninguna capacidad:
- Columnas marcadas como PII — excluidas en el origen, antes de armar el prompt. La IA ni siquiera sabe que existen.
- Datos de otro workspace — una guarda de prefijo descarta cualquier tabla fuera de tu workspace.
- En las capacidades que leen filas, la IA ve la vista segura: RLS del miembro + PII enmascarada. Nunca ve más de lo que tú ves.
Detalles e interruptores de apagado en Privacidad, envío externo, presupuesto y apagado.
Grounding en el modelo semántico central#
Cuando hay un modelo semántico publicado, el text-to-SQL y la generación usan los ids del modelo (tablas, relaciones, medidas) en lugar de las columnas crudas. Eso trae dos beneficios:
- Menos ambigüedad: si un término coincide con ≥2 medidas/columnas, la IA se niega antes de gastar tokens y pregunta "¿cuál quisiste decir?".
- Verificabilidad: si la respuesta cita un id que no existe en el modelo publicado, la salida se descarta — un SQL sin fundamento no sale.
Por eso un modelo bien definido (ver Modelo semántico y Conceptos de modelado) mejora directamente la calidad y la seguridad de la IA.
Explicación de medidas#
"¿Qué es el Ticket promedio aquí?" tiene dos respuestas posibles, y vale la pena conocer las dos:
- Descripción de la medida (determinista, sin LLM): cada medida central puede tener una
descripción escrita por ti (campo de texto en el modelo, hasta ~300 caracteres),
además de carpetas y del sello
certified. Esa descripción aparece en la interfaz y no involucra ninguna IA — es la fuente de verdad humana. Ver Medidas, fórmulas y KPIs. - Explicación por la IA (LLM): en el Q&A, la IA puede explicar lo que hace una medida porque el modelo y la descripción están en el grounding — y cada afirmación sobre números necesita una cita verificable. Describe el cálculo; no afirma causa y efecto.
Nota
Escribe descripciones claras en las medidas centrales. Ayudan a los humanos y le dan a la IA una base firme para explicar — reduciendo la probabilidad de una respuesta vaga.
Por qué esto te importa#
- Menos alucinación: la IA atada al modelo tiene menos espacio para inventar — ver Alucinaciones y validación.
- Privacidad desde el diseño: la PII y los datos de otro workspace no entran; filas solo cuando la capacidad las necesita, y siempre en la vista segura.
- Mejor con un buen modelo: invertir en el modelo semántico se paga en calidad de IA.
Límites y salvedades#
- El grounding reduce, pero no elimina, el error del LLM — revisa siempre (SQL solo
SELECT, artefactos como borrador, citas comprobadas).
Relacionados#
- Visión general de la IA
- Privacidad, envío externo, presupuesto y apagado
- Buenas prácticas de prompt
- Alucinaciones y validación
- Modelo semántico
Última revisión: 2026-09-08.