Evidence Chain Evaluation: así se le permitió a un verificador de datos con IA responder «no estoy seguro» en lugar de emitir veredictos falsos

El 23 de julio de 2026, un grupo de investigadores publicó en arXiv el marco Evidence Chain Evaluation (ECE), un sistema de verificación de datos que puede responder «no estoy seguro» en lugar de un «verdadero/falso» forzado y que mantiene un 97,8% de precisión en las afirmaciones sobre las que sí emite un veredicto.

Qué es Evidence Chain Evaluation

Evidence Chain Evaluation es un marco de verificación selectiva de datos: permite que un agente de IA se abstenga de decidir cuando las pruebas son débiles, dispersas o se contradicen. El sistema evaluado es un agente con herramientas que reúne pruebas mediante búsqueda web, búsqueda científica y comprobaciones ejecutables, y después devuelve un veredicto estructurado con una puntuación de confianza y metadatos sobre las fuentes.

• Precisión sobre las afirmaciones respondidas (selective accuracy): 97,8% en el benchmark ECE-Bench
• Precisión estándar: 91,6%; cobertura: 93,7%
• El sistema aplazó 6 de 95 afirmaciones en lugar de adivinar
• 5 de los 6 casos aplazados correspondieron a fuentes de la fiabilidad más baja (nivel L4)
• Herramientas del agente: búsqueda web, búsqueda científica y comprobaciones ejecutables; el código está abierto en GitHub

Por qué importa el derecho a callar

Los grandes modelos de lenguaje pueden mostrar una alta precisión en la verificación de datos, pero la elección binaria forzada oculta un problema de fiabilidad: el sistema emite un veredicto seguro incluso donde apenas hay pruebas o estas son contradictorias. ECE lo aborda mediante el veredicto «uncertain», una abstención que se activa precisamente en las zonas de pruebas débiles, en lugar de repartirse entre todas las afirmaciones.

La concentración de las abstenciones en las zonas poco fiables es el argumento central de los autores. Según el artículo, 5 de los 6 casos aplazados correspondieron a fuentes del nivel de fiabilidad más bajo (L4). Esto confirma que la abstención funciona como un mecanismo de seguridad y no como una forma de esquivar las preguntas difíciles.

«La abstención funciona como un mecanismo orientado a la seguridad

para tratar pruebas epistémicamente débiles», señala el artículo en arXiv.

Dónde ECE queda por debajo de los métodos de referencia

ECE no supera al baseline de búsqueda más sólido en las métricas agregadas de calibración: Expected Calibration Error, Brier score y AURC. Los autores lo reconocen abiertamente. La ventaja de ECE está en otro lado: el sistema ofrece un compromiso nítido de predicción selectiva, con una precisión muy alta sobre las afirmaciones respondidas a cambio de abstenerse en solo 6 casos de 95.

En otras palabras, ECE sacrifica exhaustividad en favor de la fiabilidad allí donde importa. En la verificación de datos, donde un veredicto falso pero seguro es más peligroso que un «no lo sé» honesto, ese intercambio suele estar justificado.

Qué significa

Que un sistema de IA reconozca con honestidad la falta de pruebas es un paso práctico hacia la confianza en la verificación automática de datos. ECE demuestra que es posible integrar en el agente una abstención calibrada y dirigirla justo a donde las fuentes son más débiles, sin hundir la precisión global.

Preguntas frecuentes

¿Qué es Evidence Chain Evaluation?

Es un marco de verificación selectiva de datos en el que un agente de IA puede devolver el veredicto «no estoy seguro» en lugar de un «verdadero/falso» forzado. El sistema reúne pruebas mediante búsqueda web, búsqueda científica y comprobaciones ejecutables, y adjunta al veredicto una puntuación de confianza y metadatos sobre las fuentes.

¿Qué precisión tiene ECE?

En el benchmark ECE-Bench, el sistema logró un 97,8% de precisión sobre las afirmaciones respondidas, un 91,6% de precisión estándar y un 93,7% de cobertura, tras aplazar 6 de 95 afirmaciones.

¿Dónde se puede conseguir el código de ECE?

El código del marco es abierto: los autores lo publicaron en el repositorio cheshireyang/ECE de GitHub.