Vigilancia e inteligencia en la era de los LLM: de la respuesta efímera al activo persistente

¿Puede un asistente de IA sustituir a un sistema de vigilancia?

Los asistentes de IA actuales buscan en la web, citan fuentes, resumen y pueden preparar algo parecido a un boletín. Negarlo sería un error. El error está en comparar una salida visible, el boletín, con un sistema completo de vigilancia. Antes del boletín tiene que haber necesidades de información definidas, un mapa de fuentes, un sistema de captura, criterios de filtrado y clasificación, validación experta, un repositorio, difusión a cada destinatario y mejora continua. La norma UNE 166006:2018 formaliza ese proceso como sistema de gestión.^[1]

Buscar no es vigilar

Una búsqueda responde a una pregunta; la vigilancia sostiene una observación continuada. Un agente reformula la consulta en cada ejecución y depende de lo que su buscador devuelva en ese momento, de modo que dos ejecuciones del mismo encargo pueden dar resultados distintos. Una captura configurada revisa de forma continua las mismas fuentes con las mismas reglas: eso aporta consistencia y permite saber qué se vigiló, con qué criterio y qué se descartó.

De la respuesta efímera al activo persistente

Una IA produce una síntesis útil en un momento dado. Si esa síntesis queda en un chat o en un correo, se pierde como conocimiento estructurado. Un activo persistente significa que la vigilancia deja de depender de una persona, de un prompt o de una búsqueda puntual y pasa a formar parte de una base común: fuentes declaradas, señales validadas con su enlace al original, etiquetas, comentarios e histórico, que permanecen en la organización aunque cambien los equipos o los modelos de IA.

La caja negra de las fuentes

¿Se ha consultado el sumario del BOE completo o solo las noticias que hablan de él? ¿Se ha revisado EUR-Lex o un resumen de prensa? ¿Se ha entrado en Espacenet o en PubMed? ¿Puede repetirse la misma búsqueda dentro de tres meses y obtener lo mismo? Estas fuentes son sistemas con estructuras y formatos propios: el BOE, por ejemplo, ofrece su sumario diario y su legislación consolidada mediante una API de datos abiertos en XML y JSON.^[2] Integrarlas de forma operativa y sostenible, y poder decir qué fuentes cubre cada vigilancia, es trabajo de vigilancia, no de redacción.

Qué dice la evidencia pública sobre los asistentes de IA

El problema aparece cuando se pide a un modelo que sea a la vez buscador, sistema de captura, repositorio, fuente de verdad, clasificador, redactor y canal de difusión. Los estudios independientes son concretos:

• La Unión Europea de Radiodifusión (EBU) y la BBC evaluaron en octubre de 2025 más de 3.000 respuestas de ChatGPT, Copilot, Gemini y Perplexity, en 14 idiomas y con 22 medios públicos de 18 países: casi la mitad tenía al menos un problema significativo y alrededor de un tercio, problemas graves de atribución de fuentes.^[3]
• El Tow Center de la Universidad de Columbia publicó en marzo de 2025 un ensayo con 1.600 consultas a ocho buscadores con IA sobre artículos de 20 editores: en conjunto, respondieron mal a más del 60 %.^[4]
• OWASP sitúa la inyección de instrucciones como el primer riesgo de su Top 10 para aplicaciones con LLM (2025), incluida la indirecta: instrucciones ocultas en webs o documentos que el modelo procesa.^[5]
• El NIST describe la confabulación, contenido erróneo expresado con seguridad, y el sesgo de automatización, que lleva a confiar en exceso en lo que propone el sistema.^[6]

Riesgos de la IA y cómo se controlan

Innguma también usa IA, para filtrar, agrupar duplicados y clasificar. El problema no es usar IA, sino usarla como fuente de verdad sin control.

Seguridad, uso de datos y cumplimiento

Conviene distinguir tres niveles. En la IA de consumo, los datos pueden usarse para mejorar los modelos según la configuración del usuario: Anthropic, por ejemplo, pidió en 2025 a los usuarios de sus planes Free, Pro y Max que eligieran si sus conversaciones se usan para entrenar, y excluyó de ese cambio sus servicios comerciales y la API.^[7] La IA empresarial reduce ese riesgo con garantías contractuales, pero no resuelve por sí sola la captura, el mapa de fuentes, el histórico ni la difusión. La IA empresarial conectada a Innguma combina esas garantías con una capa de vigilancia gobernada: el sistema de vigilancia e inteligencia de Innguma está certificado según la UNE 166006:2018, y los sistemas que dan soporte a sus servicios de vigilancia gestionada, en el Esquema Nacional de Seguridad, categoría MEDIA.

El Reglamento europeo de IA marca el calendario: la alfabetización en IA es obligatoria desde el 2 de febrero de 2025; las obligaciones de transparencia del artículo 50 se aplican desde el 2 de agosto de 2026, y, tras el Ómnibus Digital sobre IA, las de los sistemas de alto riesgo del anexo III pasan al 2 de diciembre de 2027 y las del anexo I, al 2 de agosto de 2028.^[8]

Gobernar el ciclo de vigilancia desde tu asistente de IA

Innguma incorpora conectividad mediante Model Context Protocol (MCP), el estándar abierto para conectar aplicaciones de IA con sistemas externos,^[9] compatible actualmente con ChatGPT, Claude, Microsoft Copilot y Gemini. Con las capacidades que Innguma pone a disposición de cada integración, y según lo que tu organización habilite, desde el asistente puedes:

1. Consultar las noticias de la bandeja de entrada y pedir cualquier trabajo sobre ellas: resumir, comparar, priorizar o preparar un briefing.
2. Organizar y añadir fuentes, tanto de la biblioteca de fuentes de Innguma como fuentes nuevas.
3. Modificar los filtros de las vigilancias.
4. Auditar el rendimiento de las fuentes y obtener sugerencias de mejora.
5. Publicar contenidos de forma automática, con resúmenes, insights, etiquetas o campos adicionales.
6. Editar o eliminar noticias publicadas.
7. Buscar sobre los contenidos publicados.

Qué se automatiza y qué pasa antes por revisión humana lo decide tu equipo. Es el criterio que recomienda la propia especificación de MCP: que haya siempre una persona capaz de denegar la ejecución de una herramienta y que se pida confirmación en las operaciones sensibles.^[10] Y coincide con la recomendación de OWASP de limitar los privilegios del modelo a lo necesario.^[5]

La arquitectura correcta: tres capas

Innguma actúa como capa de captura, gobierno, fuente enlazada, almacenamiento y difusión del dato. La IA actúa como capa de análisis: la IA de Innguma filtra, agrupa duplicados y clasifica, y la IA de la organización resume, compara y redacta sobre lo validado. El analista aporta criterio, validación e interpretación. La IA no desaparece del proceso: se coloca en el lugar correcto. Tu IA aporta capacidad de análisis. Innguma aporta contexto.

Cuándo basta una IA y cuándo tiene sentido Innguma

Puede bastar una IA cuando la vigilancia es puntual, de bajo riesgo, con pocas fuentes públicas, sin necesidad de histórico ni de saber qué se cubrió, y sin impacto crítico en decisiones regulatorias, técnicas o estratégicas.

Tiene sentido Innguma cuando la vigilancia debe ser recurrente, compartida por varias personas o áreas, comprobable fuente a fuente, conectada a fuentes oficiales o especializadas, con histórico, difusión a cada destinatario y explotación posterior con la IA de la organización.

Una prueba de 30 días, sin afirmaciones previas

La forma más honesta de comparar es un ejercicio replicable sobre normativa y licitaciones de la Unión Europea y de España, con fuentes oficiales como EUR-Lex, el BOE, TED (el diario de licitaciones europeas) y la Plataforma de Contratación del Sector Público. Se fijan antes las fuentes, los criterios y quién evalúa, y al final se compara para cada enfoque:

1. Cobertura: cuántas de las publicaciones relevantes del periodo se detectaron.
2. Falsos negativos críticos: qué publicaciones importantes se perdieron.
3. Exactitud de lo entregado y de su atribución a la fuente.
4. Tiempo entre la publicación y su llegada a quien decide.
5. Esfuerzo de las personas para revisar y corregir.