"Where Provenance Ends, Knowledge Decays" Reflections
Author: Yauheni Kurbayeu
Published: Mar 17, 2026
Aquí hay otro argumento sólido sobre algo que ha estado rompiéndose silenciosamente bajo la superficie de la ola de la IA: la relación entre el conocimiento y su origen.
Recientemente leí "Where provenance ends, knowledge decays" de Jessica Talisman, y lo que lo hace poderoso no es que critique a la IA, sino que replantea el problema por completo.
Muestra cómo, a medida que los modelos de lenguaje se vuelven mejores produciendo resultados fluidos y convincentes, también disuelven la cadena que hace que el conocimiento sea confiable en primer lugar.
No solo las citas, sino el linaje completo: quién creó algo, bajo qué supuestos, en qué contexto, y por qué esas decisiones tenían sentido en ese momento.
El resultado es sutil, pero estructural.
No estamos perdiendo información.
Estamos perdiendo la capacidad de entender de dónde proviene esa información y si aún debería ser de confianza.
El conocimiento empieza a pasar de algo fundamentado y rastreable a algo que es simplemente plausible.
Y cuanto más dependemos de estos sistemas, más se amplifica este efecto.
Lo que encuentro particularmente importante es que el artículo no reduce el problema a "la IA necesita citas."
Va más profundo.
La procedencia no es un problema de formato, es una capa de integridad.
Es lo que permite a los sistemas, humanos o técnicos, validar, auditar y evolucionar el conocimiento de forma segura a lo largo del tiempo.
Sin ella, incluso los resultados correctos se vuelven frágiles, porque su razonamiento no puede reconstruirse.
Al leer esto, no dejaba de relacionarlo con algo que he estado explorando desde un ángulo ligeramente diferente: la procedencia de decisiones en la entrega de software.
En ingeniería, siempre hemos sido buenos preservando resultados.
Almacenamos código, APIs, infraestructura, documentación.
Pero el razonamiento detrás de ellos, las decisiones, las concesiones, las alternativas rechazadas, tiende a desaparecer en reuniones, chats y en la memoria individual.
Ya era un problema, pero manejable mientras los sistemas evolucionaban más lentamente.
La IA cambia eso por completo.
Ahora las decisiones no solo se toman más rápido, sino que son cada vez más co-producidas por humanos y agentes.
Y si el razonamiento detrás de esas decisiones no se captura como parte del propio sistema, terminamos con el mismo tipo de deterioro que describe el artículo, excepto que ahora dentro de los sistemas que construimos, no solo del conocimiento que consumimos.
Aquí es donde veo una gran coincidencia con la idea de un enfoque nativo de procedencia.
El artículo enmarca el problema a nivel de los ecosistemas de conocimiento.
Mi trabajo intenta llevarlo a la ejecución.
¿Qué significaría si cada acción significativa en el SDLC produjera un rastro estructurado, no solo qué cambió, sino por qué cambió, qué restricciones existían, qué opciones se consideraron, y quién o qué tomó la decisión?
En ese sentido, la procedencia deja de ser documentación y se convierte en infraestructura.
Al mismo tiempo, también existe una extensión aquí.
El artículo se centra en la pérdida de procedencia como un riesgo.
Pero una vez que empiezas a capturar el linaje de decisiones de forma sistemática, se convierte en algo más que mitigación.
Se transforma en un nuevo tipo de capacidad: la habilidad de consultar el razonamiento, de auditar la participación de la IA, de reproducir decisiones, de evolucionar sistemas sin adivinar.
Y ahí es donde empiezan a surgir algunos derivados interesantes.
La procedencia no solo consiste en preservar la confianza, se convierte en una base para la gobernanza, para la explicabilidad y, eventualmente, para construir sistemas que puedan colaborar de forma segura con otros sistemas.
Lo que este artículo deja muy claro es que no estamos simplemente escalando la producción de conocimiento.
Estamos remodelando las condiciones bajo las cuales el conocimiento permanece válido.
Y si la procedencia no forma parte de esa base, el deterioro no es un caso límite.
Se convierte en el valor predeterminado.