Grounding
El grounding (anclaje en fuentes) consiste en vincular la respuesta de un modelo de lenguaje a fuentes concretas y comprobables, como resultados de búsqueda, documentos o una base de datos, para que sus afirmaciones se apoyen en pruebas aportadas y no solo en los datos de entrenamiento.
También llamado: grounded generation
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Un modelo por sí solo responde a partir de patrones aprendidos durante el entrenamiento. Ese conocimiento se detiene en una fecha de corte de conocimiento y puede ser erróneo o inventado. El grounding da al modelo material de fuentes relevante en el momento de responder y le pide que base su respuesta en ese material, a menudo con citas.
Por qué importa
La documentación de Google Cloud define el grounding como la capacidad de conectar la salida del modelo con fuentes verificables, y cita entre sus ventajas reducir la alucinación y permitir la auditoría. Para quien construye, el grounding es lo que permite a un usuario hacer clic y comprobar de dónde salió una afirmación.
Cómo se hace
- Búsqueda web: la aplicación hace una búsqueda y pasa los resultados al modelo. - Tus propios datos: se extraen pasajes de una base de conocimiento o de una base de datos vectorial, como en la generación aumentada por recuperación. - Fuentes estructuradas: una consulta a una base de datos o una llamada a una API aporta cifras exactas.
Después, el prompt indica al modelo que responda solo a partir de las fuentes aportadas y que diga cuándo no contienen la respuesta.
En qué se diferencia de RAG
RAG es una forma de hacer grounding de un modelo: recuperar y después generar. El grounding es el objetivo más amplio de que las salidas se puedan rastrear hasta pruebas, sea cual sea el método de recuperación.
Límites
El grounding reduce los errores, pero no los elimina. Si la recuperación devuelve el pasaje equivocado, el modelo puede repetirlo fielmente. Los modelos también pueden mezclar los datos aportados con sus propias suposiciones, o citar una fuente que no dice lo que afirma la respuesta. Revisar las citas y probar las respuestas con un golden dataset ayuda a detectar ambas cosas.
Términos relacionados
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- Alucinación (IA)
- Una alucinación es una salida de un modelo de IA que suena fluida y segura, pero que es falsa, no está respaldada por sus fuentes o es inventada, como una cita bibliográfica, una frase, una estadística o una función de API que no existen.
- Base de conocimiento (IA)
- En las aplicaciones de IA, una base de conocimiento (knowledge base) es la colección de documentos y datos en la que busca un asistente o un agente para responder preguntas, como artículos de ayuda, políticas o documentación de producto, separada del propio modelo.
- Fecha de corte de conocimiento
- La fecha de corte de conocimiento (knowledge cutoff) es la fecha a partir de la cual un modelo tiene poca o ninguna información, porque sus datos de entrenamiento se recopilaron hasta más o menos entonces. Los hechos posteriores le son desconocidos salvo que se le den en el prompt.
- Buscador con IA
- Un buscador con IA (AI search engine) es un servicio de búsqueda que hace búsquedas web para una consulta, lee los resultados con un modelo de lenguaje y devuelve una respuesta redactada con enlaces a sus fuentes, en lugar de solo una lista de enlaces.