Antes de pedirle a la IA que clasifique, acuerda el criterio

Imagen ilustrativa del archivo visual de Pufers.
El 4 de noviembre de 2026, Google Research publicó una explicación de Agile Deliberation, un sistema que ayuda a las personas a precisar categorías subjetivas antes de usarlas para clasificar imágenes con IA. La propuesta parte de una dificultad cotidiana: dos personas pueden usar la misma etiqueta y estar pensando en cosas distintas. La publicación de Google Research describe un proceso que delimita conceptos y presenta ejemplos ambiguos para revisarlos.
Para una empresa, la pregunta resulta familiar. ¿Qué significa que una fotografía sea «apta para el catálogo»? ¿Alcanza con que el producto se vea bien, o también deben verse su tamaño, el empaque y una advertencia? Antes de automatizar esa clasificación, conviene convertir las expectativas del equipo en criterios que se puedan explicar y revisar.
Qué se presentó y qué se estudió
La nota de noviembre difunde un trabajo anterior. El artículo científico original se publicó inicialmente el 11 de diciembre de 2025 y su versión revisada es del 4 de abril de 2026. Sus autores evaluaron el sistema mediante 18 sesiones con participantes, de una hora y media cada una, y reportaron mejoras frente a las alternativas comparadas.
El ámbito de ese estudio es la clasificación visual subjetiva. Sus resultados no permiten prometer el mismo efecto en cualquier empresa, documento o proceso. Lo que sigue es una adaptación práctica propuesta por Pufers para preparar un piloto; no constituye un resultado obtenido por nuestros clientes.
Empieza por los desacuerdos del equipo
Imagina una tienda que quiere revisar fotografías de productos antes de subirlas a su catálogo. Es un ejemplo hipotético. Comercial prefiere imágenes que muestren el uso del producto; operaciones necesita que se identifique el empaque correcto. Ambos podrían marcar una foto como «buena» por razones diferentes.
Antes de escribir instrucciones para la IA, reúne una muestra pequeña de imágenes autorizadas. Pide a quienes conocen el proceso que las clasifiquen por separado y expliquen su decisión. Las diferencias muestran dónde hace falta conversar: una palabra como «clara» puede referirse a iluminación, legibilidad de una etiqueta o ausencia de elementos que distraigan.
Ese desacuerdo merece registrarse. Si se oculta bajo una etiqueta única, después será difícil distinguir un error del modelo de una regla que el equipo nunca acordó.
Escribe inclusiones, exclusiones y excepciones
En lugar de pedir solamente «elige fotos de calidad», prepara una ficha breve para cada categoría. En nuestro ejemplo podría contener:
- Qué debe verse: el producto completo y su variante correcta.
- Qué impide aceptar la imagen: una etiqueta ilegible cuando esa información es necesaria.
- Qué puede aceptarse: una mano sosteniendo el producto, si no tapa detalles importantes.
- Qué requiere revisión: diferencias entre la foto, el nombre del archivo y el registro del catálogo.
Son decisiones ilustrativas, no requisitos universales para comercio electrónico. Cada empresa debe acordar las suyas. Conserva también imágenes de referencia y una explicación breve de por qué cumplen o incumplen el criterio.
Revisa los casos que cuestan decidir
Una imagen obviamente correcta sirve para explicar la regla. Una imagen dudosa ayuda a descubrir sus límites. Por ejemplo, una fotografía puede estar bien iluminada y mostrar un empaque distinto al que se despachará. Otra puede tener un fondo imperfecto, pero conservar toda la información necesaria.
Al revisar esos casos, deja constancia de la decisión y de su motivo. Si cambia la regla, asigna una nueva versión y vuelve a probar ejemplos que antes funcionaban. Así el equipo puede comprobar qué mejoró y qué dejó de funcionar, en vez de corregir instrucciones de memoria.
Deja una salida para la duda
Durante el piloto, incluye una categoría de revisión cuando falte información o haya contradicciones. Define quién resuelve esos casos y evita que una etiqueta producida por la IA publique, elimine o apruebe contenido por sí sola antes de validar el flujo.
Usa material que la empresa tenga permiso de procesar y limita los datos enviados al proveedor. Mide cuántos resultados se aceptan, cuántos se corrigen y cuánto trabajo exige revisar las dudas. Si diferentes personas siguen interpretando de manera distinta una misma regla, vuelve a la definición antes de ampliar la automatización.
Una ficha de criterios, ejemplos y responsables permite empezar con algo concreto. También facilita explicar por qué se aceptó una imagen y actualizar el proceso cuando cambie el negocio.
Fuentes consultadas el 5 de noviembre de 2026. Los ejemplos y las recomendaciones operativas son ilustrativos. La fecha de la nota de Google Research corresponde a su difusión, no al inicio de la investigación.
¿Quieres implementar esto en tu negocio?
La primera consulta es gratuita y sin compromiso. Conversemos sobre tu proyecto.
Contáctanos