Una segunda lectura antes de decidir.

Para sumar una mirada adicional a informes con datos agregados, ya sea en proceso de elaboración o terminados, antes de cerrarlos o de decidir con ellos.

Funciona como la doble lectura de un estudio médico: una segunda mirada independiente aumenta la probabilidad de advertir algo, sin garantizar que no quede nada por ver.

Gobernanza Multilente puede señalar algunos problemas que merecen una revisión:

• totales que no cierran, o relaciones que no deberían darse, como un monto pagado mayor que el devengado en un programa público o un gasto por encima de lo presupuestado en una empresa;
• cálculos cuyo criterio cambió sin aviso;
• saltos o quiebres en una serie, y datos que no coinciden entre documentos.

Cada punto llega como una pregunta con su evidencia, no como una acusación. Queda registrado qué se revisó, qué quedó fuera de la evaluación y qué contexto o información adicional sería necesario considerar. Que no aparezcan señales no significa que el informe esté bien.

Trabaja con datos agregados —como presupuestos y su ejecución, estados contables, tableros de indicadores y metas—, no con expedientes ni personas identificables. Ver alcance y propósito.

A quienes deciden con informes de otras áreas: autoridades de organismos públicos y directorios, gerencias o consejos de empresas, cooperativas, ONG y universidades. También a los equipos que los elaboran y quieren revisarlos antes de cerrar una versión.

No hace falta formación técnica: el resultado se presenta primero en lenguaje llano, y el detalle queda disponible para quien lo necesite. Ver destinatarios y usos.

1. Cargás el informe con sus datos agregados y el contexto disponible.
2. Se aplican los controles que esos datos permiten realizar, organizados en seis lentes y una capa conciliadora.
3. Recibís observaciones, preguntas y un registro de lo evaluado y lo no evaluable.
4. Si corregís datos o criterios, podés realizar un nuevo análisis. La decisión sigue a cargo de una persona.

Seis lentes y una capa conciliadora: preguntas complementarias, no veredictos. No todas las lentes se ejecutan en todos los informes. Tocá cada una para ampliar:

Consultar evidencia y límites de cada lente.

Multilente analiza Excel y CSV con cuadros de datos agregados. Los PDF y las imágenes pasan antes por una revisión de lectura: ves el original al lado de la tabla leída, corregís lo necesario y confirmás; recién ahí se analiza. No lee Word ni datos individuales.

La lectura de PDF e imágenes se hace en el servidor de Multilente: esos datos no se envían a proveedores de IA.

Un reporte ejecutivo con observaciones y preguntas, y un comprobante de los controles automáticos aplicados.

• El reporte dice qué se encontró, qué pregunta conviene formular al área responsable y qué explicaciones alternativas podrían justificarlo.
• El comprobante identifica el informe analizado, los controles ejecutados, sus resultados y lo que no pudo evaluarse.

El comprobante no es una certificación de veracidad ni una aprobación: documenta qué se hizo. Ver su alcance y la revisión institucional opcional.

La IA asiste; no calcula ni decide. Las comprobaciones las hacen reglas programadas. Cuando está habilitada, la IA ayuda a interpretar señales y a formular preguntas, siempre contrastada con la evidencia.

La interpretación previa ocurre antes de los controles: tres proveedores proponen el significado de cada cuadro, sin ver las cifras, y la persona confirma o modifica la lectura. Esa decisión selecciona qué controles corresponden. Además, las relaciones propuestas por al menos dos proveedores se contrastan con cuentas reproducibles.

Los resultados tienen distinto alcance, no una escala de certeza:

• Verificación determinística: cálculos y reglas que dan el mismo resultado bajo las mismas entradas, versión y condiciones.
• Interpretación contextual: lectura de relaciones y significados; puede recibir asistencia de IA y requiere contraste con evidencia.
• Exploración: hipótesis para investigar, identificadas aparte; no son evidencia de conformidad. Incluye las asociaciones de Rizoma y una función experimental separada.

Un cálculo reproducible puede partir de datos incorrectos. La coincidencia entre modelos no prueba que una conclusión sea verdadera. Ver datos y proveedores involucrados.

Un chat puede ayudar en una consulta puntual. Gobernanza añade un procedimiento: controles definidos, hipótesis separadas de la evidencia y un comprobante de lo realizado.

¿Lo hubiera detectado igual un chat? En teoría sí, si alguien le hace todas las preguntas correctas, una por una, sin cansarse ni saltear nada, y sabe qué mirar en cada hoja. En la práctica, en un Excel de 27 hojas y cientos de cierres, eso casi nunca pasa. No es que una persona sea menos capaz: es que no escala. Gobernanza sistematiza esa segunda lectura: aplica los mismos controles a todos los cuadros, sin depender del momento ni de la energía de nadie.

Además, en un chat se le pide al modelo lo que una regla hace mejor: sumar una columna, comprobar que un total cierre o comparar dos años. Un modelo de lenguaje puede equivocarse en una cuenta y no siempre responde lo mismo; una regla programada la hace siempre igual, al instante y sin costo. Gobernanza usa reglas para lo que se puede calcular y deja la IA para lo que necesita interpretación. Ninguna de sus piezas es nueva por separado —reglas reproducibles, registro, calibración con casos reales, lectura asistida y decisión humana—: lo propio es reunirlas para revisar informes con datos agregados.

• Los cálculos los hacen reglas programadas y reproducibles, no un modelo de lenguaje.
• Queda registrado qué se controló, qué no se pudo evaluar y con qué versión.
• La IA no recibe el archivo original. La interpretación previa recibe estructura y textos ya saneados con las cifras ocultas, incluidos los años. Las etapas posteriores de comentario de señales y exploración usan representaciones saneadas que pueden incluir valores del informe. El archivo original no se conserva como archivo permanente en el servidor.

Puede utilizar modelos autorizados, pero no depende de que ellos decidan ni presume que sea más útil en todos los contextos. Ver reglas, IA y exploración.

Estos cinco principios de gobernanza de la IA se traducen en mecanismos concretos:

• Trazabilidad: cada revisión registra qué se analizó, bajo qué criterios y qué se encontró.
• Supervisión humana: el sistema señala y pregunta. La interpretación y la decisión permanecen en manos de las personas.
• Transparencia: cada observación muestra la evidencia que la sostiene.
• Gestión de riesgos: si faltan datos, contexto o evidencia suficiente, el sistema lo explicita en lugar de forzar una conclusión.
• Responsabilidad: se automatizan verificaciones y controles, no las decisiones.

Existe bastante consenso sobre esos principios. Aparecen, por ejemplo, en la Carta Iberoamericana de Inteligencia Artificial en la Administración Pública del CLAD y en las recomendaciones de la OCDE y la UNESCO sobre IA. Lo que sigue siendo menos frecuente es encontrar arquitecturas concretas que permitan observar cómo se aplican, se registran y se revisan en situaciones reales. Gobernanza Multilente propone esos mecanismos. El diálogo con cada marco, sin presentarlo como certificación ni cumplimiento, se desarrolla en el documento metodológico. Ver la arquitectura metodológica.

La metodología reúne diez principios transversales en tres grupos: indican cuándo una observación se puede sostener. No todos son comprobaciones automáticas:

• Origen de la evidencia: ¿qué se analizó, de dónde vino y bajo qué reglas? Proveniencia de la evidencia; integridad y registro de procedencia; versionado.
• Calidad de la lectura: ¿los datos permiten comparar o concluir, y qué quedó fuera? Validez contextual; suficiencia; cobertura; calibración y verificación periódica.
• Resultado revisable: ¿se puede reconstruir y cuestionar? Lo permiten la trazabilidad, reproducibilidad y refutabilidad.

Las lentes indican dónde mirar; los principios, bajo qué condiciones sostener una observación. Quien decide conserva la decisión y la responsabilidad. Ver la arquitectura metodológica.

No lo reemplaza: lo hace evolucionar en cuatro puntos.

• Parejo. Aplica siempre las mismas reglas, sin depender del cansancio o del apuro de quien revisa.
• Ve más. Busca relaciones que un checklist rara vez verifica a mano: que un total no cierre con sus partes, que un valor se aparte de su propia serie o que dos aperturas del mismo importe dejen de coincidir.
• Ahorra trabajo. El sistema hace los cálculos repetitivos y explica cómo llegó a cada observación. Cuánto tiempo ahorra todavía no está medido.
• Sabe cuándo no aplicarse. Si el contexto cambió o falta información, lo declara en vez de forzar una conclusión. Ese momento de duda es justamente donde entra el criterio humano.

Ver cómo trabaja.

Quien firma. La IA es insumo y no recibe la responsabilidad: no existe «lo hizo la IA».

Lo que agrega Gobernanza Multilente es con qué respaldar esa firma: qué controles se aplicaron, sobre qué datos, qué quedó fuera y qué decidió cada persona. Con eso, quien firma puede mostrar por qué quedó tranquilo con un informe, o por qué pidió revisarlo.

Por eso tampoco proponemos decisiones automáticas: una decisión de la que nadie se hace responsable no es gobierno. Ver qué queda registrado.

No. No sustituye auditorías, controles internos ni asesoramiento jurídico. Tampoco decide, aprueba, sanciona, atribuye responsabilidades ni evalúa la conveniencia de una decisión.

Lo que hace es preparar mejor esa conversación: a la auditoría, al área técnica o a quien decide les llega una pregunta acotada, con el dato y la evidencia a la vista.

No certifica que un informe sea verdadero o esté libre de errores. Lo no evaluado no equivale a un control superado. Consultar los límites.

No, y no lo promete. Una herramienta que promete encontrarlo todo invita a dejar de mirar: cada acierto baja un poco la guardia, y el error que se escapa llega cuando ya nadie revisa.

Por eso cada informe empieza por lo que no pudo leer o revisar, y cada señal llega como pregunta. Preferimos una herramienta que encuentre una parte de los problemas y diga hasta dónde llegó, antes que una que parezca infalible. Ver cómo se mide.

Hoy hay cinco fuentes: el uso real en una actividad formativa, las pruebas automatizadas del software, ocho pares de informes de ejemplo —uno sin señal y otro con señal— que cualquiera puede abrir sin clave (probar los ejemplos), una evaluación adversarial interna y dos comprobaciones con métodos independientes del motor.

En la actividad formativa, 51 agentes de la Administración Pública Nacional —en su gran mayoría del Ministerio de Economía de la Nación— revisaron 138 informes y desarrollaron 65 proyectos en Incubadora. Ese uso por personas que trabajan con estos informes fue la primera prueba real: sus consultas y sugerencias sobre las pantallas cambiaron cómo se presenta el recorrido, y los informes que cargaron mostraron errores del sistema que se corrigieron. Muestra que la herramienta se usó y mejoró con ese uso; no mide por sí solo su eficacia. Fue una capacitación: no implica adopción ni aval del Ministerio.

Un caso real que se puede verificar. Se revisó la edición 2001–2020 de la publicación oficial «Gasto público social dirigido a la niñez», un Excel de datos abiertos de 27 hojas. La herramienta recorrió sus 172 cuadros con los mismos controles, verificó 1.827 cierres entre totales y componentes y señaló una docena de puntos para consultar. Dos de ellos el propio organismo los corrigió en la edición siguiente: en la Ciudad de Buenos Aires, un total cargado a mano (75.619,04) pasó a 75.606,84, exactamente el valor que la herramienta había calculado con la fórmula de la fila; y en San Luis, el gasto por niño de 2020 (330.535) pasó a 153.584. Los demás siguen como consultas abiertas: pueden ser datos correctos que necesitan una explicación.

La evaluación adversarial, de octubre de 2026, buscó a propósito dónde falla. Una primera ronda encontró problemas serios —formatos que no se leían, alarmas sobre datos correctos, cruces entre documentos no comparables y lecturas de IA sin verificación suficiente—, que se corrigieron en la versión 0.9.0. Después se la midió quince veces contra los tres criterios publicados, cada vez con archivos nuevos que no se usaron para corregirla. En la decimoquinta medición, correspondiente a la versión 0.9.16, se detectó en la celda correcta el 100 % de los errores sembrados en Excel y CSV y el 92 % en PDF, sin alarmas altas en los 18 archivos correctos de ese conjunto. Pero en 2 de los 92 archivos hubo una parte sin revisar o una lectura incorrecta sin aviso. Ninguna de esas quince versiones cumplió los tres criterios a la vez. Son resultados de conjuntos acotados y de versiones anteriores, no porcentajes de eficacia de la versión actual.

Las repeticiones del 22/10/2026 con 93 Excel públicos cerraron sin fallos técnicos: con la versión 0.10.1, 88 análisis completos, dos interpretaciones que requieren confirmación humana y tres archivos sin tabla numérica; con la 0.10.3, 84, seis y tres. En los análisis completos se generaron ambos PDF y se volvió a detectar una alteración conocida. Entre los originales analizados, 26 de 87 con la 0.10.1 y 24 de 83 con la 0.10.3 tuvieron al menos una señal alta, todavía sin revisar una por una. Estas pruebas del recorrido no alcanzan para dar por superados los tres criterios de eficacia, y las versiones posteriores no se repitieron todavía con esos archivos. Los resultados históricos, también los desfavorables, están en la ficha técnica.

Dos comprobaciones independientes del motor. Se tomaron libros con 25 errores sembrados y se los transformó sin cambiar su contenido —otro nombre, hojas renombradas o reordenadas, el cuadro desplazado, cifras en otra escala, fórmulas pegadas como valores—: en las 18 corridas el motor siguió señalando los 25 errores. Además, un segundo programa que no usa código de la aplicación y sigue otra lógica encontró los mismos 25 errores y, en el cuadro oficial de niñez, las mismas cuatro inconsistencias aritméticas. Lo escribió el mismo autor: reduce, pero no elimina, el riesgo de supuestos compartidos (ver el detalle).

No reemplaza una evaluación externa, porque la hizo el mismo equipo que desarrolla la herramienta. Todavía falta medir con casos externos las falsas alarmas, omisiones, tiempos y utilidad para quienes deciden; por eso se propone una prueba con informes cerrados, que también puede concluir que no aporta valor suficiente.

Ver la evidencia técnica y lo que falta demostrar · Documento principal, autoría y antecedentes.