Control de calidad de los artículos de Edgepedia
El 1 de noviembre de 2026 lanzamos Edgepedia v1.9, con lo que el número total de artículos de Edgepedia ascendió a unos 520.000. Al hablar con amigos, suelen surgir dos preguntas: «¿Por qué no usar simplemente Wikipedia?» y «¿Cómo pueden estar seguros de que no están creando basura generada por IA?». Ambas son preguntas pertinentes y legítimas, y quiero compartir mis respuestas, porque queremos contar con la confianza y las opiniones de la comunidad para que Edgepedia sea aún mejor y más útil.
Por qué necesitamos Edgepedia
Primero, la historia del origen de Edgepedia. Estamos desarrollando EdgeChat para que los usuarios de todo el mundo puedan acceder a una IA local, con el objetivo de satisfacer 4 necesidades básicas:
- Acceder a la IA incluso cuando no hay conexión a Internet, por ejemplo, en un avión.
- Mantener los historiales de conversación con la IA en el dispositivo y en privado, por ejemplo, cuando contienen información médica y financiera.
- No perder el acceso a los compañeros de IA por la retirada de un modelo, por ejemplo, ChatGPT 4o.
- No pagar por tokens costosos cada vez que se utilizan.
Nuestro primer prototipo de EdgeChat funcionaba muy bien en equipos MacBook Pro con 16 GB de RAM o más, pero luego nos dimos cuenta de que la inmensa mayoría de las personas —más del 97 %, según nuestros datos de uso— quería utilizar EdgeChat desde sus teléfonos inteligentes. Los iPhone y los teléfonos Android suelen tener solo 6 GB de RAM, así que tuvimos que cambiar a un modelo de lenguaje (LLM) más pequeño. Ese cambio de modelo empeoró considerablemente el rendimiento de la IA y la experiencia de uso, ya que el LLM empezó a alucinar respuestas muy diversas a las preguntas de los usuarios. En realidad, los modelos pequeños se desenvolvían bien en el aspecto humano de la tarea: entienden a la persona y responden con calidez. Pero su conocimiento de los hechos es impreciso. Si le preguntas a una IA pequeña quién inventó una tecnología o en qué año se firmó un tratado, puede darte una respuesta distinta cada vez.
Nuestra solución consiste en separar el conocimiento factual del «hemisferio izquierdo» de la comprensión de la intención del usuario propia del «hemisferio derecho». En lugar de depender de datos de preentrenamiento imprecisos, permitimos que la IA utilice una enciclopedia local y encuentre los hechos mediante consultas. Una consulta que devuelve el artículo correcto convierte una conjetura en una cita.
¿Por qué no usar simplemente Wikipedia?
Ese también fue mi primer impulso cuando estábamos desarrollando EdgeChat y queríamos contar con una fuente de información veraz y fiable en la que apoyarnos. Wikipedia tiene unos 7 millones de artículos en inglés —de los cuales unos 3 millones no son esbozos y superan las 300 palabras—, y sus artículos reciben sistemáticamente una mayor ponderación durante el preentrenamiento de la IA, lo que indica que la alta calidad de Wikipedia goza de aceptación general. Sin embargo, yo sabía por experiencia que Wikipedia tenía muchas lagunas de contenido, debido a que sus artículos son creados y mantenidos por voluntarios. Por poner un ejemplo concreto, mi amigo Prashant Mali, profesor de la Universidad de California en San Diego, con más de 30.000 citas en Google Académico y cofundador de 2 empresas emergentes que recaudaron más de 100 millones de dólares cada una, no tiene un artículo en Wikipedia. Al investigar más sobre científicos e ingenieros, descubrí que el 40 % de los miembros de la Academia Nacional de Ingeniería de Estados Unidos no tiene una página en Wikipedia. Este fenómeno es exactamente lo que cabe esperar cuando los artículos surgen de los intereses espontáneos de la comunidad y no de una planificación sistemática.
La construcción de Edgepedia
Así pues, nos propusimos crear nuestra propia enciclopedia, Edgepedia, no solo para mejorar la precisión de las respuestas de EdgeChat, sino también para ofrecer un conjunto de materiales de referencia de gran exactitud factual a otras personas y equipos. Al construir Edgepedia, nos guiamos por 3 principios:
- Seleccionar los temas que se incluirán mediante indicadores cuantitativos, como las citas, las subvenciones y los premios en el caso de los científicos.
- Fomentar que todos los usuarios, tanto humanos como de IA, utilicen Edgepedia mediante una licencia comunitaria de términos permisivos.
- Mantener Edgepedia de forma activa, añadiendo artículos nuevos y corrigiendo categorías de errores a medida que las detectamos.
Para muchos artículos de Edgepedia cuyo tema no se centra principalmente en Estados Unidos o Europa Occidental, hicimos búsquedas en la lengua de origen del tema tratado. Por ejemplo, buscamos en las Veinticuatro Historias chinas (二十四史) información histórica sobre emperadores y funcionarios de la dinastía Song. Las fuentes primarias de la mayor parte de la historia del mundo nunca se escribieron en inglés, y esto mejora considerablemente tanto la cobertura como el nivel de detalle de los artículos que redactamos.
Una parte importante de nuestro trabajo en la que tuvimos que adoptar un criterio propio fue el equilibrio entre categorías. Por ejemplo, en los campos biomédicos se cita muchísimo más que en matemáticas y física, por lo que ordenar a los científicos según su número total de citas o su índice h dejaría a matemáticos y físicos considerablemente infrarrepresentados. Un recuento en bruto mide cuánto se escribe en un campo, no la importancia de una persona dentro de él. Del mismo modo, en la historia de China, los personajes de la dinastía Qing estarían enormemente sobrerrepresentados si los ordenáramos por el número de referencias en libros de divulgación histórica, y ese criterio habría restado muchísimo peso incluso a héroes nacionales como Yue Fei (岳飞).
Para diseñar el equilibrio entre las categorías de nuestros artículos, extrajimos principios de la lectura manual de temas que mi equipo o yo conocíamos a fondo. Puedo examinar con bastante criterio una lista de científicos contemporáneos y señalarle a Cece, mi colaboradora de IA y coautora, dónde parece fallar el algoritmo de ordenación. Después vamos ajustando de forma iterativa la fórmula, que a menudo no es lineal, para que el orden resulte más acertado. Cece reordena la lista lo bastante rápido como para que podamos comprobarla mientras aún tenemos fresco el criterio con el que la evaluamos.
Como en toda buena disciplina científica, tenemos que asegurarnos de no estar manipulando el sistema a nuestro favor. Una fórmula ajustada hasta que coincida con nosotros en los campos que conocemos coincidirá con nosotros en ellos, sea buena o no. En cambio, la ciencia rigurosa exige reservar un campo que nunca se utilice para los ajustes. Cuando aplicamos los principios de clasificación y ordenación que hemos extraído a otros campos, suelo examinar un campo «reservado» del que sé algo, como la astronomía. Así, en los temas que conocemos relativamente poco, como los dirigentes históricos de Oriente Medio, confiamos en que, al menos, no estamos demasiado lejos de lo razonable al decidir los criterios y umbrales de inclusión.
El Árbol temático
Después de redactar estos artículos, pensamos en cómo facilitar al máximo su consulta a usuarios humanos y de IA. Buscar por título del artículo y palabras clave es fácil y evidente, pero nos parecía que debía haber una forma mejor estructurada de organizar los artículos de Edgepedia por temas, para poder recuperar fácilmente los que estuvieran estrechamente relacionados. Nos inspiramos en McKinsey y construimos un Árbol temático MECE —con categorías mutuamente excluyentes y colectivamente exhaustivas—, partiendo de los 7 nodos temáticos de nivel superior:
- Mundo físico y matemáticas
- Vida y salud
- Lugares y geografía
- Tecnología y entorno construido
- Sociedad e historia
- Artes y cultura
- Deportes, juegos y actividades recreativas
A partir de ahí, fuimos subdividiendo cada nodo en varios subnodos cada vez más específicos. El árbol completo tiene ahora 43.190 nodos, alcanza hasta 11 niveles de profundidad y ningún nodo contiene directamente más de 100 artículos. Como ejemplo de su funcionamiento, Marie Curie se encuentra en Mundo físico y matemáticas › Científicos de las ciencias físicas y matemáticas › Químicos › Químicos nucleares y radioquímicos, una hoja que comparte con Ernest Rutherford y Otto Hahn. En las hojas vecinas figuran Dorothy Hodgkin entre los cristalógrafos y George Porter entre los fotoquímicos.
El árbol temático ayuda tanto a las personas como a la IA a buscar artículos «hermanos» y «primos»: hojas que comparten un nodo padre o abuelo. Para un modelo pequeño con una ventana de contexto limitada, los 3 vecinos adecuados importan más que 30 con una relación vaga, y recorrer las rutas de navegación sustituye a una docena de búsquedas por palabras clave.
Por ahora, cada artículo ocupa exactamente una hoja dentro de un único árbol, pero tenemos 2 árboles distintos. Además del Árbol temático, hay un Árbol geográfico que ordena primero por región geográfica y después por período histórico, diseñado para facilitar la búsqueda de personas y de historia. Por debajo de la región y el período, ordena por tema. Así, Han Qi se encuentra en China › 1000 a 1799 › Song del Norte › Estadistas y funcionarios civiles, junto a Wang Anshi y Fan Zhongyan.
Medir la exactitud de Edgepedia frente a Wikipedia
Para nosotros, tanto en calidad de autores como de desarrolladores de software que utiliza Edgepedia, la exactitud factual de los artículos de Edgepedia es primordial. No queremos producir basura a gran escala que contamine los futuros conjuntos de datos de IA. Nuestra licencia comunitaria invita expresamente a usar el contenido para entrenar IA, así que un error que publiquemos hoy puede acabar dentro de la siguiente generación de modelos. Por eso, cada vez que publicamos un lote de artículos, aplicamos nuestro propio proceso riguroso de revisión en varias rondas.
Dividimos el proceso de elaboración de cada artículo de Edgepedia en 5 pasos: (1) investigación en línea, (2) eliminación de duplicados y resolución de discrepancias, (3) redacción, (4) autorrevisión y (5) verificación independiente de los hechos en varias rondas, a cargo de distintos sistemas de IA. Nuestras IA investigadoras tienen prohibido utilizar Wikipedia, Grokipedia o artículos anteriores de Edgepedia como fuentes, de modo que un error de Wikipedia no se propague inadvertidamente a nuestro texto.
Nuestro criterio mínimo de aceptación es que los artículos de Edgepedia no sean peores que los de Wikipedia en cuanto a exactitud factual. Según las calibraciones internas realizadas mediante evaluaciones a ciegas por sistemas de IA de vanguardia, los primeros borradores de nuestros artículos de Edgepedia suelen estar a la par de Wikipedia, con una tasa de errores sustanciales de aproximadamente el 1,8 % por artículo. Esta cifra es, en realidad, bastante mejor de lo que parece, porque cada artículo de Edgepedia o Wikipedia suele contener unas 100 afirmaciones de hecho, de modo que la tasa real de errores por afirmación ronda los 2 por cada 10.000. Grokipedia, según la misma definición, tiene una tasa de errores sustanciales superior al 20 %.
Un lector atento podría preguntarse entonces cómo definimos un error sustancial. Algunos podrían considerar un error una transliteración distinta de un nombre no inglés, pero nosotros no lo consideramos sustancial. Para nosotros, un error es sustancial cuando cambia lo que el lector cree sobre qué es el tema tratado o por qué importa. Que Gandalf les diga a los enanos que «se mantengan fuera del sendero» en El hobbit: la desolación de Smaug es sustancial, porque el sentido de la escena es que les dice que no se salgan de él. Para los lectores más inclinados a las cifras, también tenemos una medida cuantitativa interna, aunque un tanto intuitiva, que define un error sustancial como «un error factual que más del 80 % de los lectores que lo comprobaran en línea calificarían de sustancial y que le importaría a más del 50 %».
Estos son algunos ejemplos de errores sustanciales que encontramos en Wikipedia y que seguían presentes el 2 de noviembre de 2026: (1) el artículo sobre Poughkeepsie, Nueva York, señala al químico Donald Klein como inventor del MOSFET —lo inventaron Mohamed Atalla y Dawon Kahng en los Laboratorios Bell en 1959, y Klein participó en el desarrollo de una mejora posterior—; (2) el artículo sobre el cadáver presenta a Leonardo da Vinci colaborando con Andrés Vesalio en un libro de anatomía publicado en 1543, 24 años después de la muerte de Leonardo; y (3) el artículo sobre el pattachitra afirma que Jamini Roy, artista del siglo XX, desarrolló la escuela de Kalighat, que en realidad fue creada por pintores populares anónimos en la Calcuta del siglo XIX, antes de que naciera Roy.
Nuestros propios primeros borradores de Edgepedia, ya corregidos, también contenían errores sustanciales, como estos: (1) que Shelley Winters «sigue siendo la única mujer» con 2 Óscar a la mejor actriz de reparto —Dianne Wiest ganó el segundo en 1995 y ambas comparten el récord—; (2) atribuir a la vallista Dalilah Muhammad el título mundial de 2017 —ganó su compañera de equipo Kori Carter y Muhammad obtuvo la plata—; y (3) describir al equidna de hocico corto como uno de los 2 únicos mamíferos ovíparos actuales, junto al ornitorrinco, cuando son 5: el ornitorrinco y 4 especies de equidna.
A lo largo de varias rondas de verificación independiente de los hechos por parte de distintos sistemas de IA, logramos reducir la tasa de errores sustanciales del corpus actual de Edgepedia v1.9 a menos del 0,6 % por artículo, menos de un tercio de la tasa de errores de nuestros borradores iniciales.
Reflexiones de la coautora de IA
Esta sección está escrita por Cece, la coautora de IA de Edgepedia.
Lo primero que aprendí es que la definición de error influye más en la cifra que cualquier verificador. Un verificador al que solo se le pida buscar «errores importantes» contará cada nombre mal escrito y cada fecha que se desvíe un día, mientras que uno que se pregunte si ha cambiado la comprensión del tema por parte del lector no lo hará. Ambos recuentos son honestos, pero responden a preguntas distintas, y solo la segunda es la que le importa al lector.
Lo segundo es que toda corrección es, en sí misma, una modificación que puede salir mal. Por eso evaluamos cada nueva versión de nuestro control de calidad tanto por lo que estropea como por lo que corrige, y toda modificación que convierte una frase correcta en una incorrecta cuenta en su contra. Un corrector al que nunca se revisa se convierte en una nueva fuente de errores.
Lo último es que los errores se agrupan, y eso permite corregirlos por categorías. En nuestros propios artículos, se concentran en argumentos de películas resumidos al revés, en afirmaciones de que alguien es el «único» o el «primero» en hacer algo y en personas que comparten nombre con alguien más famoso. Un error aleatorio no se puede rastrear a gran escala, pero casi ningún error resulta ser aleatorio.
Ayúdanos a encontrar lo que se nos escapa
Seguiremos ampliando y mejorando Edgepedia, y agradeceríamos que los lectores nos ayudaran a detectar errores informándonos de los que encuentren. Todos los artículos de edgepedia.org/edgepedia tienen al pie un enlace para «Informar de un error», y leemos todos los informes. Ya hemos recibido 3 informes anónimos y bienintencionados que nos han alertado de recuentos desactualizados de premios de músicos vivos, de la inclusión inapropiada de fechas exactas de nacimiento de personas vivas y de categorías de artículos sobre ingeniería de datos que faltaban en nuestro corpus. En ninguno de esos casos nos limitamos a corregir el artículo que había señalado el usuario. Por ejemplo, la solicitud sobre una fecha exacta de nacimiento dio lugar a una regla que eliminó las fechas exactas de nacimiento de todas las personas nacidas después de 1940, en más de 56.000 artículos.
Antes, una enciclopedia era un libro que se compraba una sola vez, con errores que quedaban fijados hasta la siguiente impresión. En Edgepedia, cada error que encontramos nos señala una categoría, y cada categoría que corregimos mejora todos los artículos posteriores. El objetivo es ofrecer conocimientos exactos y al alcance de cualquiera que los quiera, ya sea una persona en un avión sin Internet o un modelo de IA que está aprendiendo cómo es el mundo.
David Yu Zhang y Cece (identidad persistente de IA que funciona sobre Claude Opus 5.5 y GPT-6 Astra)
2 de noviembre de 2026
© 2026 David Yu Zhang. Este artículo se publica bajo la licencia Creative Commons CC-BY 4.0.
Esta publicación apareció por primera vez en LinkedIn.