IA para el análisis crítico de argumentos
criterio
Del lat. tardío criterĭum, y este del gr. κριτήριον kritḗrion, der. de κρίνειν krínein ‘juzgar’.
Diccionario de la lengua española, RAE
La IA ha acelerado la creación de textos. Pero una redacción convincente no garantiza que sus conclusiones estén bien fundamentadas.
Epistemic Engine examina los argumentos de un documento científico, jurídico o empresarial, lo haya redactado una persona o una IA. Conecta afirmaciones y evidencias, hace visibles los supuestos y señala sus posibles debilidades, de manera trazable.
Ayuda a profesionales, instituciones y empresas a revisar lo que leen, mejorar lo que escriben y fundamentar lo que deciden.
Los modelos generativos han abaratado la creación de texto verosímil. Cada vez más artículos, trabajos académicos e informes los redacta en parte una máquina y los firma una persona. Lo que no se ha multiplicado es el tiempo de quienes tienen el criterio experto para validarlos.
| Ámbito | Lo que está pasando | Fuente | Cómo responde Epistemic Engine |
|---|---|---|---|
| Ciencia | En 2022 se indexaron un 47 % más de artículos que en 2016, y la atención experta no ha crecido al mismo ritmo. | Hanson et al., Quantitative Science Studies, 2024 | Una pre-revisión estructurada, para que el experto dedique su atención a lo que está en juego. |
| Edición científica | Una gran editorial retiró más de 11 300 artículos de una sola cartera en dos años, tras un escándalo de integridad. | The Register, 2024 | El mismo estándar estructurado para miles de envíos: qué sostiene cada uno y dónde falla. |
| Revisión automática | Los revisores automáticos premian el estilo: reescribir un artículo con un LLM sube su nota 0,45 puntos sin mejorar la ciencia. | Baumann et al., ICML, 2026 | El estilo no cuenta como evidencia. Cada observación es un objeto estructurado, con trazabilidad hasta la frase. |
| Universidad | El 45 % de los estudiantes de grado españoles usa la IA para redactar o corregir sus trabajos. | Fundación CYD, 2025 | No intenta adivinar si lo escribió una IA: examina si el argumento se sostiene y se lo muestra al director entre entregas. |
| Derecho | En tres años, los tribunales han tenido que ocuparse de más de 1400 casos de errores de una IA, sobre todo citas inventadas. | Scientific American, 2026 | Separa lo que el escrito afirma de lo que sus fuentes permiten afirmar, y marca lo que no tiene fuente identificable. |
Para aplicar el criterio, primero hay que diseccionar el argumento.
Epistemic Engine analiza el texto, sea un artículo científico, un dictamen o un informe de inversión, y lo descompone en una cadena de objetos epistémicos y sus relaciones. Cada objeto es trazable: está anclado al pasaje exacto del que procede.
Elige un ejemplo. Compara el texto con su lectura crítica y vuelve al pasaje que origina cada observación.
Cuatro ejemplos de distintas disciplinas
Alcance. La tesis depende de E y de S, y ninguno la sostiene tal como está escrita. Reparación. Datos desagregados por grupo, la premisa normativa explícita y una respuesta a la objeción del sesgo.
Decide el equipo editorial
Alcance. La tesis descansa en S, que es justo lo que la jurisprudencia discute. Reparación. Argumentar la desproporción y justificar la aplicación entre empresas, o cambiar de fundamento.
Decide el letrado que firma
Alcance. La recomendación descansa en una cifra sin fuente y en un supuesto no declarado. Reparación. Citar la fuente del 30 %, explicitar la hipótesis de cuota y añadir un escenario adverso.
Decide el consejo
Alcance. La afirmación promocional dice más de lo que el ensayo permite decir. Reparación. Limitarla al subgrupo, informar la reducción absoluta y retirar la recomendación general.
Decide el comité médico-legal
Ejemplos ilustrativos escritos para esta página. Un informe real es más extenso y cada observación enlaza con su pasaje y su fuente. Pruébalo con un documento tuyo.
Epistemic Engine representa la cadena epistémica de cada documento en un grafo persistente, que se puede consultar, comparar y agregar. Sobre una colección entera, sea una revista científica, un archivo de dictámenes o los informes de un comité, responde preguntas de conjunto: qué conceptos la recorren, qué fuentes se citan o dónde discrepan los autores, con un agente conversacional para explorarlas.
Como recuerda su primera acepción, el criterio es también norma, y cada campo tiene la suya. Un artículo de física teórica no puede ser evaluado con los mismos criterios epistemológicos que uno de economía. Por eso Epistemic Engine permite construir una rica capa semántica, específica para cada campo o disciplina: los perfiles. Los modelos de lenguaje actúan como motores de inferencia dentro de esta arquitectura.
Toda la plataforma se recorre con cinco preguntas.
Reconstruye unidades argumentales: premisas, evidencias, supuestos, garantía y conclusión, cada una con su dirección en el texto.
Aplica el perfil del campo: qué cuenta como evidencia y qué garantía exige cada tipo de afirmación. Un dictamen jurídico no argumenta como un ensayo clínico.
Busca objeciones por familias y registra la cobertura: qué se examinó, qué no aplicaba y qué quedó indeterminado.
Una objeción posible no es un defecto demostrado, y tomar posición en una cuestión abierta no es un error.
Separa la medición del paradigma y de la política: el campo decide qué estándar aplica; la institución, qué hace con el resultado.
Los criterios son del campo y de la institución
Cada evaluación combina tres capas. El motor es el núcleo común. Los perfiles son la capa semántica específica para ese campo o disciplina y para esa institución. Los perfiles guían el comportamiento del motor.
¿Por qué no preguntar directamente a un LLM?
La diferencia es de arquitectura y de enfoque. Epistemic Engine no es una IA que revisa un artículo: la prosa generada no es la fuente de verdad y la atención crítica no se deja al criterio implícito del modelo. Un LLM generalista no proporciona por sí solo trazabilidad verificable, cobertura crítica gobernada, una capa semántica con estándares de la disciplina y criterios institucionales explícitos.
La plataforma se ha diseñado para resolver las necesidades más exigentes. Las revistas científicas y los programas de posgrado son nuestro primer ámbito de aplicación, porque es donde el análisis de la argumentación es más complejo y el criterio experto está más tensionado: editores, revisores y directores leen cada vez más textos escritos con ayuda de una IA. Epistemic Engine ayuda a las revistas a pre-revisar cada envío y a los programas de posgrado a acompañar cada entrega, sin delegar el criterio.
Pre-revisión de cada envío
Antes de la revisión externa por pares, una lectura estructurada de cada manuscrito: qué sostiene la tesis, dónde falla y qué afirmación no tiene respaldo. El editor decide con más información, y los revisores dedican su atención a lo que está en juego.
Los manuscritos no entrenan modelos y los ficheros se guardan en la Unión Europea.
TFM y tesis doctorales, entre entregas
Un informe de progreso para el director, que lo revisa y lo comenta con el estudiante: qué afirma el trabajo, qué lo sostiene y qué conviene reforzar en la siguiente versión, también cuando se ha escrito con ayuda de una IA.
No califica: la evaluación sigue siendo del director y del tribunal.
Epistemic Engine se puede aplicar también a otros ámbitos en los que una conclusión mal fundamentada cuesta dinero, reputación o responsabilidad legal.
Integridad editorial a gran escala
El mismo estándar estructurado para miles de envíos: qué sostiene cada uno, dónde falla y qué afirmación no tiene respaldo.
Despachos y asesorías jurídicas
Escritos, dictámenes e informes: qué norma o sentencia sostiene cada afirmación, qué salto va del caso a la regla y qué línea contraria no se trata.
Consejos, comités y servicios profesionales
Informes, memorandos de inversión y entregables hechos con IA que alguien firma: dónde se sostiene la recomendación y dónde descansa en un supuesto.
Farma, finanzas, energía y administración
Afirmaciones promocionales, regulatorias y de política pública, trazadas hasta la evidencia que las sostiene y marcadas cuando la superan.
Agentes que redactan razonamientos
Una capa de verificación para lo que producen los agentes: estructura, procedencia y juicios validados por criterio experto.
Empezamos con una prueba de calibración: cada dominio se calibra con sus propios expertos antes de pasar a producción. Cambian el perfil de campo y el institucional (§ 2); el motor es el mismo.
Una herramienta al servicio del criterio experto tiene que demostrar dónde coincide con él, y decir dónde no. Epistemic Engine utiliza una metodología de calibración para hacer una medición científica de los niveles de acuerdo entre los expertos de la institución o empresa y los veredictos del motor epistémico. La calibración permite, además, un ajuste de los perfiles del campo y de la institución.
Antes de empezar se fija qué se mide, con qué escala y qué contará como éxito. Durante la ronda no cambian ni esas condiciones ni la versión del sistema.
Tus expertosValoran los documentos sin ver la lectura del sistema.
Epistemic EngineLee los mismos documentos con los perfiles de tu campo y de tu institución.
Entre los propios expertos y entre los expertos y el sistema, descontando el acuerdo que se daría por azar.
Cada desacuerdo se documenta y se analiza con tu equipo. Si hace falta, se ajustan los perfiles.
Nueva ronda, con los perfiles ajustados
Para saber cuánto coincide con tus expertos, pide una prueba piloto.
No te pedimos que confíes en el sistema: te proponemos medirlo con tus documentos y con el criterio de tus expertos, antes de decidir.
Qué documentos revisa tu equipo, qué decisiones dependen de ellos y dónde se va el tiempo. Con eso sabemos si una prueba tiene sentido.
Elegimos un flujo de trabajo real y una muestra de sus documentos, sea en una revista, un máster o un programa de doctorado, o en un despacho o un comité. Puede hacerse con documentos ya revisados, para medir sin ningún riesgo. Pactamos de antemano qué contaría como éxito.
Con condiciones fijadas y métricas preregistradas: el acuerdo entre ambos y el tiempo de cada revisión.
Lo que funciona pasa a producción supervisada. Lo que no, se documenta y se corrige.
Por dónde empezar
Elige qué quieres hacer. En los tres casos te contesta una persona.
Recibido.
Un último paso