Cifras que no están en los datos
Todo número del texto debe estar presente en la proyección agregada, o derivarse de ella por redondeo. Si no, la lectura se rechaza.
Lectura IA
Una inteligencia artificial que no inventa cifras.
La pregunta útil sobre una IA en gestión escolar no es qué modelo usa. Es qué pasa cuando se equivoca.
Un modelo de lenguaje escribe siempre algo plausible. Ése es exactamente el riesgo cuando el texto va a un consejo directivo: un párrafo bien redactado que cita un porcentaje que nadie midió es más peligroso que no tener el párrafo, porque se lee como un hallazgo.
Por eso la Lectura IA de Accurate no se muestra hasta que pasa una revisión automática.
Cada lectura se genera a partir de la proyección agregada del colegio y luego se somete a comprobaciones programáticas. Si falla cualquiera de ellas, la lectura queda registrada como rechazada y el panel no la muestra. El equipo directivo ve que la lectura no está disponible; nunca ve contenido inventado.
Las comprobaciones que corren antes de mostrarse.
Personas nombradas
Nombres de funcionarios, correos, identificadores y cadenas con forma de token no pueden aparecer en el texto.
Datos suprimidos
Si una celda fue suprimida por umbral mínimo, la lectura no puede cuantificarla. Puede decir que no está disponible; no puede estimarla.
Causalidad sin matiz
Afirmar que una cosa causa otra a partir de datos que sólo muestran asociación se marca y se corrige.
El modelo se eligió midiendo, no por reputación. Cada candidato recibió el mismo prompt de producción sobre la misma proyección agregada real y debió devolver el contrato estricto de salida, tres veces seguidas, sin una sola violación y bajo un límite de latencia. La mayoría de los modelos evaluados no pasó: unos fabricaron cifras derivadas, otros devolvieron JSON truncado, otros simplemente no alcanzaron a responder.
La evaluación completa, con sus resultados por modelo, está documentada internamente y se puede revisar en una demostración.
Lo que la Lectura IA no hace.
El límite importa tanto como la capacidad.
No predice
No estima qué va a pasar. Resume y prioriza lo que los datos agregados ya muestran.
No diagnostica
No emite juicios clínicos ni de salud mental sobre personas ni sobre equipos.
No evalúa personas
No produce una lectura por funcionario y no alimenta ningún proceso de evaluación individual.
No decide
Ordena y explica para que decida un equipo directivo. La decisión sigue siendo humana.
Preguntas frecuentes.
¿Qué pasa si la IA se equivoca?
Las comprobaciones automáticas se ejecutan antes de que la lectura se almacene. Si detectan una cifra sin respaldo, un nombre propio, la cuantificación de un dato suprimido o una afirmación causal sin matiz, la lectura se rechaza y no se muestra.
¿Los datos del colegio se usan para entrenar modelos?
No. La inferencia se ejecuta sobre la proyección agregada del panel para producir esa lectura, y los datos del establecimiento no se destinan a entrenamiento.
¿La IA ve respuestas individuales?
No. Recibe la proyección agregada, que ya tiene aplicadas las reglas de supresión por umbral mínimo.
¿Puede nombrar a un docente?
No. Los nombres del establecimiento se pasan como lista prohibida y una lectura que incluya cualquiera de ellos se rechaza.
¿Reemplaza el criterio del equipo directivo?
No. Ordena y prioriza evidencia agregada para una conversación directiva. La decisión, el contexto y la acción siguen siendo del colegio.
¿Se puede desactivar?
Sí. La Lectura IA es una capa sobre el panel; los indicadores, el mapa relacional y los informes funcionan igual sin ella.
Seguir leyendo.
Evidencia, no verosimilitud.
Agenda una demostración y pide ver una Lectura IA real sobre un panel de colegio, con sus advertencias incluidas.