El Pulso de Ingeniería & Negocios

En la ingeniería de fiabilidad para microservicios, los benchmarks de análisis de causa raíz (RCA) suelen jerarquizar algoritmos mediante métricas agregadas (*pooled scores*) calculadas sobre múltiples aplicaciones. Esta práctica introduce un sesgo metodológico fundamental: oculta tanto la dispersión del rendimiento en subsistemas individuales como las discrepancias en el preprocesamiento de datos.

Al reproducir 16 métodos publicados sobre tres familias de benchmarks abiertos (OpenRCA, RCAEval y PetShop), los investigadores observaron que cuando el margen de ventaja es menor que la varianza entre subsistemas, en 6 de cada 8 casos el ranking se invierte por completo. De hecho, en varias arquitecturas evaluadas, un sondeo determinista elemental o una línea base estándar superó a todos los métodos complejos reportados en la literatura.

Asimismo, la auditoría reveló fallas severas de reproducibilidad en los pipelines de ingesta: dependencias sin fijar (*unpinned*), cabeceras de columnas duplicadas y tablas de métricas no documentadas provocaban que ciertos algoritmos devolvieran el orden original de entrada sin lanzar excepciones. Se recomienda exigir tablas de resultados desglosadas por subsistema, especificación rigurosa de entradas y publicación de trazas completas por escenario.

Los modelos de lenguaje contemporáneos se despliegan frecuentemente en configuraciones colectivas: debates entre agentes, enrutamiento semántico, ensambles o cadenas de razonamiento multi-paso. Sin embargo, evaluar modelos de forma aislada ignora la fuerza composicional, definida matemáticamente a través de juegos cooperativos y valores de Shapley sobre coaliciones de modelos.

En evaluaciones sobre doce métodos de colaboración y cinco familias de modelos, se comprobó que el rendimiento individual y la contribución composicional no están correlacionados en el 80% de los escenarios. Los modelos de propósito general más populares a menudo interfieren o redundan en lugar de complementar las capacidades del equipo.

Para subsanar esta limitación, se propone Compositional Reinforcement Learning (C-RL). Este esquema entrena políticas dentro del flujo de interacción multi-modelo en vivo, premiando el logro del sistema completo en vez de la corrección aislada del nodo. C-RL reduce la complejidad de evaluación de O(2^n) a O(n+1) mediante aproximaciones *leave-one-out* integradas al gradiente de política, incrementando el desempeño colaborativo entre 4 y 13.1 puntos en tareas de razonamiento, código y descubrimiento científico.

En la depuración de agentes autónomos para desarrollo de software, la práctica común consiste en delegar en un juez humano o LLM la identificación del paso donde ocurrió la falla. No obstante, una evaluación empírica sobre SWE-bench Verified revela que estos jueces no distinguen entre fallos estructurales decisivos y desviaciones operativas inocuas, discrepando en el 63% de los casos analizados.

El estudio formaliza la noción de valor de prefijo V(h_t), calculando la probabilidad real de éxito al reiniciar la ejecución del agente desde estados intermedios reconstruidos. Este método identifica de manera certificada el verdadero Punto de No Retorno (PNR), demostrando que en el 66% de las etiquetas emitidas por jueces tradicionales, la probabilidad de éxito de la tarea no experimentó caída alguna en el paso señalado.

Al instrumentar reinicios automáticos en el punto de fallo certificado matemáticamente, la tasa de resolución efectiva se elevó de 0.44 a 0.57, mientras que los reinicios guiados por sugerencias de jueces LLM produjeron una degradación neta del rendimiento. Esta evidencia resalta la urgencia de abandonar la supervisión discursiva y reemplazarla por diagnósticos basados en estados ejecutables y bifurcación determinista.

Muchos proveedores de APIs de inferencia de modelos de lenguaje permiten a los desarrolladores suministrar sesgos por token (*logit biases*) mientras ocultan los logits y probabilidades crudas por motivos de seguridad comercial. Sin embargo, un análisis riguroso de la implementación aritmética IEEE 754 demostró la existencia de una fuga por canal lateral generada por las fronteras de los exponentes binarios.

Dado que el espaciado representable cambia abruptamente en los límites de cada potencia de dos, vectores de puntaje idénticos producen identificadores de tokens diferenciados tras sumar sesgos específicos. Esta propiedad permite que un atacante reconstruya exactamente un par de logits y la prioridad de desempate en un máximo de 52 consultas por token.

El ataque fue validado de punta a punta en motores de inferencia ampliamente desplegados como vLLM, SGLang y llama.cpp sobre modelos de la familia Qwen3. Como contramedida definitiva, los autores demuestran que restar el valor máximo del vector de logits antes de aplicar la adición de sesgos elimina el canal lateral sin alterar la distribución resultante ni perjudicar la latencia de servicio.

En dominios críticos de toma de decisiones donde cada hipótesis debe contrastarse con evidencia fáctica, el cuello de botella de los agentes LLM no radica en la capacidad cognitiva bruta, sino en la falta de disciplina en el formato de salida y la terminación del razonamiento. Benchmarks especializados confirman que años de escalado de parámetros apenas mejoraron las tasas de acierto sin reducir la variabilidad entre ejecuciones.

Para subsanar esto, se desarrolló un protocolo formal de decisión en cinco etapas basado en una matriz de falsación candidato x evidencia. Bajo este esquema, toda hipótesis debe ser evaluada individualmente frente a cada ítem de prueba, exigiéndose la falsación explícita de al menos la mitad de los candidatos antes de emitir una conclusión verificable por máquina.

La aplicación del protocolo estabilizó la desviación estándar entre ejecuciones de modelos volátiles de 0.218 a 0.007 y rescató modelos propensos a ciclos infinitos, incrementando su precisión en más de 26 puntos. Además, el método mostró alta resiliencia contra premisas falsas inyectadas, detectando desinformación con un 89.8% de exhaustividad sin requerir ajuste fino de pesos.

Los agentes basados en plugins suelen ejecutarse en un único proceso anfitrión, lo que confina herramientas, sesiones y registros de recuperación a un dominio de fallo compartido. Si un plugin colapsa o el proceso anfitrión se interrumpe, todas las sesiones activas perecen de forma irrecuperable.

El sistema Logos relaja esta restricción demostrando formalmente que las garantías de componibilidad y reversibilidad se mantienen al distribuir componentes entre procesos pares mediante enrutamiento por nombre (estilo ROS). La tabla de enrutamiento se vuelve completamente reconstruible y el estado de la sesión reside en una bitácora inmutable independiente de los procesos ejecutores.

En pruebas de inyección de fallos sobre 200 tareas complejas, las configuraciones tradicionales de proceso único perdieron el 100% de las sesiones, mientras que Logos mantuvo intactas todas las sesiones y completó 120 tareas con cero desperdicio de llamadas. El costo de comunicación inter-proceso representó menos del 0.12% de la latencia del primer token del modelo.

Las defensas tradicionales de privacidad basadas en etiquetas de sensibilidad fallan en sistemas multi-agente (MALS), ya que un dato legítimamente entregado a un agente intermediario se propaga de manera inadvertida hacia agentes secundarios durante la coordinación de rutina, sin que medie una vulneración intencional.

Tras evaluar 485 escenarios en topologías jerárquicas, descentralizadas y de coordinador-trabajador, se descubrió que la divulgación a agentes introducidos por la topología trepa del 0% hasta un 52.2%, a pesar de que la fuga superficial parece controlada. La elección del framework de orquestación puede inducir variaciones de hasta 150 veces en los niveles de exposición.

Para solucionar este dilema sin recurrir a censuras totales que paralicen el sistema, se introdujo RECONS, un pipeline de sanitización (Detectar -> Decidir -> Transformar) que condiciona la redacción al contexto de ejecución y al destinatario específico. RECONS preserva el 94.1% de las revelaciones autorizadas mientras disminuye la exposición residual a solo el 29.25%.

La anonimización que preserva estructura sustituye identificadores reales por valores sintéticos del mismo tipo (por ejemplo, 'Carlos M.' por 'Javier R.') en lugar de etiquetas estáticas como [NOMBRE]. Sin embargo, existía la incertidumbre técnica de si esta práctica debilitaba las capas secundarias de auditoría y detección de PHI al ocultar la presencia de datos personales.

Mediante un protocolo de pruebas de equivalencia por bootstrap en múltiples detectores sobre 1,750 documentos clínicos y corporativos en siete idiomas, los autores demostraron que la tasa de recuperación de spans anonimizados apenas varió de 75.8% a 74.6%, situándose firmemente dentro del margen de equivalencia estadística.

El estudio advierte que la sustitución por subrogados tiende a ser más fácil de detectar en textos densos que los datos originales no reemplazados, lo que confirma su efectividad como mecanismo de seguridad en profundidad. No obstante, en sectores específicos como finanzas y legal, los detectores basados en reglas perdieron hasta 4 puntos de precisión, exigiendo calibraciones contextuales.

En la evaluación automatizada y a escala de agentes conversacionales, emplear un LLM para emular al usuario humano es el estándar de la industria. Sin embargo, esta práctica adolece de un fallo recurrente: el usuario simulado responde a cualquier consulta con excesiva complacencia, permitiendo que agentes deficientes obtengan puntajes altos simplemente incrementando el volumen de preguntas.

Para restaurar el rigor en el benchmark, se implementó una compuerta de divulgación estructurada como una jerarquía de cinco niveles, proyectada en tres capas de profundidad observable. Bajo este esquema, el usuario simulado únicamente libera detalles o clarificaciones si el agente evaluado demuestra empatía, formulación precisa o acciones contextuales pertinentes.

La inclusión de esta compuerta demostró ser indispensable: al removerla en experimentos de control, los rankings de doce sistemas evaluados colapsaron y se desordenaron por completo fuera de la banda de ruido admitida. El simulador calibrado alcanzó una correlación de 0.993 con las tablas de clasificación publicadas, evitando la inflación artificial de puntajes provocada por modelos de frontera estándar.

En modelos multimodales de lenguaje y visión (LVLMs), la incorporación de Reinforcement Learning with Verifiable Rewards (RLVR) ha mejorado sustancialmente el razonamiento cuantitativo. No obstante, premiar exclusivamente la respuesta final genera un efecto colateral nocivo: el 27.8% de las respuestas correctas previas al entrenamiento contienen afirmaciones visuales directas no sustentadas por la imagen, las cuales heredan crédito positivo injustificado.

A través de diagnósticos contrafácticos con intervenciones en la imagen, los autores identificaron una disociación entre la sensibilidad a la evidencia (EFS) y la retractabilidad de afirmaciones. Con métodos comunes como DAPO y VPPO, el modelo incrementa su sensibilidad global, pero las afirmaciones erróneas se vuelven significativamente más persistentes y tercas ante perturbaciones visuales.

Como solución, se diseñó Persistence-Aware Credit Gating (PACG), un mecanismo que atenúa selectivamente el crédito otorgado a afirmaciones que persisten anómalamente cuando se interviene la imagen. PACG opera sin necesidad de etiquetas de fundamentación y sin costos en tiempo de inferencia, elevando la precisión promedio y la resiliencia factual en benchmarks rigurosos.

La evaluación de agentes de búsqueda en la web abierta se ha centrado históricamente en la respuesta final y el recuento superficial de citas. Sin embargo, contar con citas no garantiza que las fuentes sean independientes ni que el agente haya resuelto adecuadamente contradicciones entre múltiples documentos.

Para abordar este problema, se formuló el marco Cross-Source Evidence Grounding (CSEG), que estructura la validación de la trayectoria en un árbol de decisión jerárquico de seis niveles. Este árbol cubre aspectos críticos habitualmente ignorados por trayectorias sintéticas estándar, como el arbitraje ante fuentes en conflicto y la verificación cruzada de hechos.

A partir de este diseño, se entrenó CSEG-RM, un modelo de recompensa especializado que alcanza un 83.9% de precisión exacta en la frontera de eficiencia de tokens. El uso de esta recompensa para guiar políticas de respuesta fijas elevó las calificaciones independientes de calidad de 2.83 a 4.19 puntos, ofreciendo una alternativa altamente escalable frente al empleo masivo de jueces LLM comerciales.

El uso de LLMs como jueces para calificar el contenido generado por otros modelos se ha extendido ampliamente. No obstante, persisten interrogantes sobre el impacto de la cantidad, formato y selección de contexto que se le proporciona al evaluador.

En un estudio experimental sobre siete benchmarks públicos donde se manipuló estrictamente la información expuesta a tres familias de jueces LLM (con diferencias de costo de hasta 17 veces), se determinó que el diseño del contexto domina por completo sobre la potencia del modelo evaluador. Cuando un sistema iteró basándose en el feedback de un juez al que se le ocultaron las restricciones originales del usuario, el rendimiento terminó por debajo del punto de partida.

Curiosamente, en tareas de resumen de noticias, incluir un resumen de referencia junto al texto fuente neutralizó gran parte del aporte de la fuente original, mientras que en respuestas fácticas simples la referencia resultó provechosa. Además, grafos de implicación lógica compactos lograron igualar la precisión de jueces LLM gigantes en la detección de fallas factuales, sugiriendo arquitecturas híbridas más eficientes.

Los modelos de lenguaje de vanguardia han demostrado capacidad para actuar sobre robots: escriben código de control (*code-as-policy*), actúan en el bucle en tiempo real (*agent-as-policy*) o investigan hiperparámetros de modelos VLA (*auto-research*). Sin embargo, existía la duda metodológica de si los agentes están verdaderamente aprendiendo o si sus mejoras obedecen a meros reintentos aleatorios.

El marco SEAR (Self-Evolving Agentic Robotics) introdujo controles experimentales rigurosos sobre 330 tareas simuladas y cinco plataformas físicas, acumulando más de cuatro años de tiempo de ejecución agéntico. Las conclusiones demuestran que las rutinas abstractas y el código de control depurado transfieren exitosamente entre simuladores disímiles y robots físicos, a diferencia de las soluciones específicas sobreajustadas a un entorno.

Asimismo, el estudio reveló que en tareas complejas de horizonte largo, extender el presupuesto de ejecución y permitir razonamiento simbólico rinde mayores frutos que la simple percepción multimodal bruta, cerrando la brecha entre la generación de código y la manipulación precisa en el mundo físico.

Las plataformas de analítica conversacional basadas en Text-to-SQL permiten consultar almacenes de datos complejos en lenguaje natural, pero requieren puntajes de confianza rigurosos para decidir cuándo mostrar un resultado, emitir advertencias o retener la respuesta. Frecuentemente, estos puntajes se calibran con pesos manuales y heurísticas arbitrarias que degradan la experiencia del usuario.

Al auditar un sistema de producción sobre los benchmarks BIRD y Spider dev, se constató que la métrica de confianza diseñada discriminaba pobremente entre consultas correctas e incorrectas (AUROC de 0.624), provocando que un 35.7% de las respuestas perfectamente válidas fueran suprimidas innecesariamente debido a penalizaciones menores en el texto del comentario explicativo.

Los investigadores reformularon el cálculo de confianza: la concordancia semántica entre múltiples consultas muestreadas pasó a ser el puntaje base principal, mientras que las reglas deterministas (como detección de conjuntos vacíos o sintaxis inválida) pasaron a actuar únicamente como vetos absolutos. En confirmación pre-registrada sobre Spider, el AUROC aumentó a 0.725 y la retención indebida de aciertos cayó drásticamente a solo el 8.8% con 95.7% de precisión.

En arquitecturas de datos empresariales, la información suele residir en silos bajo la custodia de distintos departamentos u organizaciones que administran sus propias bases de datos y rehúsan ceder el control de sus tablas. Ante una consulta compleja, un coordinador agéntico enfrenta la disyuntiva de enviar la petición en paralelo a todos (*fan-out*) o consultar secuencialmente a cada propietario reutilizando filas intermedias (*relay*).

El estudio demuestra empíricamente que la efectividad de cada enfoque depende estrictamente del mapa de propiedad de los datos y no de la sintaxis del query: fan-out es superior cuando una sola entidad puede resolver la duda, pero colapsa a menos del 4.3% de éxito cuando se requiere un join entre tablas de dos custodios distintos. Por el contrario, el esquema relay triunfa al condicionar el filtrado en las filas devueltas previamente.

Aprovechando que la titularidad de los esquemas es pública, se propone Ownership-Aware Routing (OAR). OAR redacta un borrador SQL a nivel de esquema, contabiliza las entidades involucradas y selecciona de forma proactiva la estrategia óptima antes de acceder a cualquier registro sensible, batiendo a todos los protocolos fijos con mejoras de hasta 9.3 puntos porcentuales.

Los benchmarks de atribución de errores evalúan la competencia de un juez LLM para determinar qué agente o paso operativo provocó el fracaso de una tarea distribuida. No obstante, un puntaje alto en estas pruebas puede ser engañoso si el modelo simplemente aprovecha pistas discursivas superficiales en lugar de corroborar la coherencia de la trayectoria completa.

Los autores diseñaron cuatro pruebas metodológicas esenciales: restricción de entrada (evaluar si un fragmento mínimo predice la falla), seguimiento de indicios (verificar si mover una pista altera la respuesta), precisión residual (evaluar instancias donde los atajos fallan) y agregación métrica (analizar si la mezcla de errores afecta los rankings).

En experimentos reales, clasificadores elementales que leían una sola línea de razonamiento acertaron entre el 95% y el 100% de los pasos defectuosos en benchmarks consagrados, superando a GPT-4.1. Además, se comprobó que modelos ajustados con estos datos pierden hasta 99 puntos de precisión cuando se les altera la estructura del log, evidenciando una sobreestimación masiva de sus capacidades analíticas.

El cierre temporal post-ruteo en diseños FPGA es una disciplina sumamente costosa que requiere intervención experta y múltiples horas de síntesis iterativa. El framework LATCH (LLM-Assisted Timing Closure Harness) aborda este desafío separando de forma estricta la orquestación semántica del LLM respecto a los motores deterministas de automatización de diseño electrónico (EDA).

El estudio analizó tres niveles de control: recetas de expertos, operaciones EDA directas y procedimientos generados libremente por el LLM. Aunque las operaciones directas ofrecieron picos marginales de mejora de frecuencia de reloj (Fmax), solo alcanzaron un 71.4% de validez funcional, frente al 98.2% de éxito garantizado por el enfoque de recetas estructuradas.

Al fijar el espacio de acción en recetas validadas e incorporar exploración basada en bases de conocimiento y ramificación iterativa, LATCH logró elevar la mejora promedio de frecuencia de 10.5% a 20.3%, optimizando exitosamente 15 de 16 diseños de circuitos complejos. El reposicionamiento de bloques duros emergió como la transformación con mayor ganancia acumulada, promediando 41.4 MHz.

Modificar el comportamiento de agentes autónomos ya desplegados —como endurecer compuertas de seguridad o actualizar el modelo base— entraña serios riesgos operacionales que tradicionalmente requerían costosas pruebas en vivo o simulaciones exhaustivas de difícil justificación comercial.

El protocolo agent-risk extiende la teoría de fiabilidad a trazas parciales, reproduciendo episodios históricos registrados para evaluar qué decisiones se habrían modificado bajo la nueva política. El marco demuestra formalmente qué campos mínimos deben registrar los logs para asegurar una reproducción exacta sin incurrir en supuestos injustificados sobre el entorno.

En pruebas dentro de sandboxes con más de 7,200 episodios, la repetición dirigida únicamente de las transacciones bloqueadas a partir de estados guardados permitió validar compuertas de reintento utilizando la mitad de las llamadas necesarias para una prueba en vivo. Además, el estudio demostró que registrar el daño acumulado por paso es vital para certificar techos de seguridad en compuertas de detención.

Los agentes empresariales subordinados a normativas internas deben tomar decisiones operativas inmediatas: responder, exigir facturas faltantes, solicitar confirmación humana, consultar herramientas o rechazar la solicitud. Una disyuntiva central de diseño es decidir si la acción debe inferirse directamente como un token restringido o si el modelo debe generar razonamiento previo en cadena de pensamiento.

En un estudio experimental sobre un modelo corporativo de 27B parámetros evaluado en 2,800 casos dentro de distribución, ambas modalidades ofrecieron precisión idéntica (~93.5% vs 94.1%), pero la emisión restringida exhibió una estabilidad de reinicio diez veces mayor (solo 0.29% de cambios de postura frente a 3.00% con razonamiento libre).

No obstante, la situación cambió radicalmente en un conjunto sellado de 300 casos con políticas de borde complejas no vistas: la inclusión de razonamiento previo elevó la precisión exacta de la acción en +17.3 puntos porcentuales. En consecuencia, la arquitectura óptima no es monolítica: debe predecir directamente en escenarios habituales y disparar cadenas de razonamiento analítico únicamente ante incertidumbre de política.

La adaptación de modelos de difusión de video mediante supervisión directa de trayectorias de puntos permite guiar el movimiento de superficies complejas, pero corre el riesgo constante de degradar el prior de apariencia y textura aprendido por el modelo base preentrenado.

Para resolver esta tensión en un transformador de difusión de 5.01B de parámetros, se introdujo ACROSSVAM2.0. El método integra una cabecera de visibilidad y seguimiento ponderada por confianza, retroalimentación residual inicializada en cero y una variante asimétrica de PCGrad que proyecta y neutraliza únicamente la componente del gradiente auxiliar que entra en conflicto con el flujo principal.

Los experimentos evidencian una reducción del 9.7% en el error de ciclo de seguimiento respecto al modelo base, manteniendo la nitidez y coherencia en seis dimensiones de VBench. Aunque la adaptación consciente de conflictos no eleva de forma uniforme todas las métricas de textura, demuestra ser el mecanismo más efectivo para asegurar seguimiento físico sin destruir la estabilidad visual preexistente.

La auto-evolución de arneses de software (Harness RSI) permite que un agente autónomo modifique sus propios prompts, flujos de memoria, reglas de enrutamiento y herramientas de código ejecutable, manteniendo congelados los pesos de las redes neuronales subyacentes.

El estudio formaliza este ciclo de retroalimentación en el cual las revisiones aceptadas persisten entre sesiones. Para evitar derivas catastróficas, el análisis matemático establece cotas de generalización esperada basadas en aprendizaje PAC continuo y define una regla de admisión de alta probabilidad que somete cada cambio propuesto a validación con datos frescos e independientes.

El trabajo explora casos prácticos de co-diseño modelo-arnés y reutilización de plugins distribuidos, advirtiendo que la confiabilidad en entornos de producción exige salvaguardas independientes para el tiempo de ejecución y la asignación de privilegios en acciones irreversibles. El andamiaje de software se consolida así como el estrato más ágil y seguro para la adaptación de sistemas inteligentes.

En el estudio de dinámicas biológicas y poblacionales, las mediciones suelen estar disponibles únicamente como capturas instantáneas no pareadas (*unpaired snapshots*), lo que deja subdeterminada la evolución temporal continua de los elementos.

Las regularizaciones tradicionales de segundo orden penalizan la aceleración de partículas individuales, lo que introduce un sesgo artificial dependiente de la representación elegida. Para superar esta limitación, se presentan los Neural Wasserstein Splines (NWSP), un método generativo continuo que proyecta variables latentes sobre puntos de control de splines cúbicos y calcula aceleraciones intrínsecas en el espacio de Wasserstein.

La formulación demuestra matemáticamente que la penalización resultante es invariante ante la parametrización de las partículas. En evaluaciones sintéticas y biológicas de células individuales, NWSP superó a métodos basados en flujos y transporte óptimo estándar, ubicándose en los dos primeros puestos en 11 de 16 configuraciones experimentales.

Muchos sistemas de inteligencia artificial generativa operan devolviendo un abanico de respuestas candidatas y son evaluados según la calidad de la mejor opción generada (métrica pass@k). Si bien se conocían ventajas teóricas bajo el supuesto de demostradores ideales, se desconocía el impacto del muestreo múltiple ante supervisión imperfecta o ruidosa.

Este trabajo demuestra formalmente que pasar de pass@1 a pass@k con k >= 2 produce una mejora asintótica cualitativa: la dependencia en la cota de muestras respecto a la precisión deseada ε mejora de 1/ε² a 1/ε de manera uniforme, con independencia de la calidad del demostrador.

Adicionalmente, bajo evaluaciones robustas donde la política aprendida debe competir simultáneamente contra múltiples funciones de recompensa desconocidas, la tasa rápida de 1/ε se mantiene inalterada. Se presenta un algoritmo codicioso basado en pesos multiplicativos que alcanza estas cotas superiores óptimas sin requerir supuestos previos sobre el comportamiento del usuario.

Los agentes LLM en producción dependen críticamente de herramientas de búsqueda en tiempo real. Sin embargo, las soluciones nativas de los proveedores acoplan la política de recuperación, el motor de búsqueda, la inyección de contexto y los formatos de salida en una única frontera opaca, generando verborragia no deseada y rompiendo contratos estrictos de respuesta.

Para solucionar esto, se propone Decoupled Search Grounding (DSG), una arquitectura que traslada la fundamentación al exterior del modelo mediante una pasarela compatible con el Model Context Protocol (MCP). Esto convierte en controles de primer nivel el enrutamiento entre proveedores, el renderizado de contexto según la fuente, el control de profundidad de búsqueda y el almacenamiento en caché semántico y exacto.

En pruebas con cinco modelos de frontera en SimpleQA, FreshQA y HotpotQA, DSG igualó la precisión de las soluciones nativas mientras disminuyó el costo de búsqueda en un 91%, logrando un 99.4% de tasa de aciertos en caché con un 68% menos de latencia. En despliegues reales de comercio electrónico a gran escala, la arquitectura redujo el gasto en más del 98%, confirmando que la fundamentación debe ser una frontera de software optimizable y no una propiedad cerrada del modelo.