4. $R_s$ No Estacionario: El Protocolo de Estabilización

De las seis objeciones nucleares reunidas de las cinco revisiones adversariales, cinco encontraron, a lo largo de este artículo, una resolución —parcial, por reformulación, o por delimitación explícita de lo que queda deliberadamente sin resolver. Una permanece genuinamente abierta: la estimabilidad de $R_s$ para un sistema de IA no estacionario. Esta sección no la cierra —pero propone un protocolo de estabilización que la vuelve tratable. En la medida en que la investigación realizada para esta trilogía permite afirmar, esta es la primera operacionalización que vincula explícitamente el protocolo de estimación de $R_s$ con la literatura de monitorización de concept drift en sistemas de aprendizaje automático en producción —dos tradiciones maduras que, pese a tratar esencialmente el mismo problema con vocabularios diferentes, no encontré combinadas en ninguna de las fuentes verificadas a lo largo de este proyecto. La contribución no es descubrir que los modelos cambian con el tiempo, lo cual ya está bien establecido en ambas literaturas; es la operacionalización concreta de $R_s(t)$ con anclaje por versión, invariancia semántica, y pruebas de paráfrasis.

4.1. El Problema, con Precisión

$R_s$, en la formulación clásica de Hammond, mide la consistencia de la política de respuesta del agente —la correlación múltiple entre las pistas y el juicio producido, a través de repeticiones o de configuraciones equivalentes de pistas. La definición presupone una política estable a lo largo de la ventana de estimación. Para un sistema de IA contemporáneo, este presupuesto falla por construcción, no por accidente, y falla de al menos tres formas distintas que es preciso separar antes de que cualquier protocolo tenga sentido.

Primero, la decodificación estocástica mezcla fuentes de varianza que la LME no distingue. Con temperatura $T > 0$, la misma configuración de pistas produce salidas diferentes en repeticiones sucesivas; el $R_s$ estimado en esas condiciones es una mezcla de inconsistencia genuina de la política, ruido de muestreo, deriva intracontexto, sensibilidad al prompt, efectos de guardrails, y cambios de versión —y la ecuación, tal como está, no separa estas fuentes; todas confluyen en el mismo número.

Segundo, el problema de una única salida por caso vuelve esta mezcla irresoluble sin un diseño de medición adicional. En la inmensa mayoría de las aplicaciones reales existe una única salida por caso. Con una sola observación, es imposible distinguir una política estable con salida ruidosa de una política genuinamente inconsistente; separar estas dos hipótesis exigiría repetir la salida para el mismo caso, y en ese momento se deja de estimar una propiedad estable de un "juez" y se pasa a estimar la distribución de respuesta de todo el stack sociotécnico —modelo, prompt, recuperación de contexto, guardrails, decodificación, y versión en conjunto.

Tercero, la arbitrariedad del conjunto de pistas amenaza la propia legitimidad de la estimación. Para un sistema basado en LLM, las pistas relevantes no son características de entrada transparentes —son representaciones latentes de alta dimensión de todo el contexto. Un conjunto de pistas impuesto por el investigador, de baja dimensión y elegido por conveniencia de análisis, es una reificación; $R_s$, $G$, y $C$ estimados frente a ese conjunto arbitrario miden consistencia en relación con ese conjunto, no la utilización real de pistas por el modelo —lo que constituye, en rigor, una violación del propio principio de representative design de Brunswik que da a la LME su legitimidad metodológica original.

Ninguno de estos tres problemas se resuelve de forma aislada. El protocolo que sigue los ataca conjuntamente, sin pretender eliminarlos por completo.

4.2. Anclaje por Versión: $R_s(t)$ como Serie Temporal, No como Escalar

La literatura de concept drift en aprendizaje automático —sistematizada en la revisión de referencia de Gama, Žliobaitė, Bifet, Pechenizkiy y Bouchachia (2014)— parte precisamente del mismo supuesto que aquí falla: un modelo entrenado asume implícitamente que el proceso generador de datos permanece estable a lo largo del tiempo, y cuando ese supuesto se rompe, el desempeño se degrada silenciosamente, sin un error obvio. La práctica corriente de monitorización en producción responde a esto no con una medida única de calidad, sino con una línea base fijada en un período de referencia, frente a la cual se evalúan los lotes subsiguientes de observaciones, y con un registro de procedencia que vincula cada versión del modelo a los datos, características, y parámetros que la definen.

La propuesta de este artículo es aplicar exactamente esta lógica a $R_s$: no como un escalar único, estimado una vez y asumido válido indefinidamente, sino como una serie $R_s(t)$, indexada por época de deployment —un intervalo en que el modelo, el prompt, las herramientas, y las políticas de decisión se mantienen fijos por diseño, no por accidente. Un cambio en cualquiera de estos elementos cierra una época y abre la siguiente; $R_s$ se reestima dentro de cada época, nunca a través de fronteras de época sin corrección explícita.

El modelo de deployment dedicado por cliente que ya caracteriza a Argus es, aquí, una ventaja estructural, no una coincidencia conveniente: un sistema multi-tenant, compartido entre clientes con actualizaciones continuas y versiones potencialmente distintas por usuario, dificulta precisamente la definición de fronteras de época limpias que este protocolo exige. Un deployment por cliente, con control de versión explícito, proporciona esa trazabilidad por construcción.

4.3. Consistencia en el Espacio de Representación, No en la Superficie Textual

El segundo elemento del protocolo responde a una objeción específica: dos respuestas pueden usar palabras diferentes y constituir exactamente la misma decisión; dos respuestas semánticamente semejantes pueden, a la inversa, contener recomendaciones operacionalmente diferentes. Medir $R_s$ sobre el texto de superficie confunde estas dos situaciones.

El Double Machine Learning Lens Model de Li y Biesanz (2026), ya introducido en la Sección 0, ofrece el camino metodológico cuando el número de pistas potenciales excede ampliamente el número de casos observados, o cuando las propias pistas son representaciones latentes de alta dimensión —en lugar de definir pistas y respuestas sobre texto bruto, la descomposición de la LME se estima sobre embeddings, combinada con double machine learning y ortogonalización de Neyman. En dominios con sensores numéricamente observables y dimensionalidad moderada —más comunes en algunas tareas AI-IoT que en contextos puramente lingüísticos—, métodos de reducción de dimensionalidad, selección de características, o regularización clásica pueden ser suficientes, sin exigir el aparato completo del DML-LM. En ambos casos, el principio es el mismo: medir la consistencia en el espacio de representación de la decisión, no en el espacio de tokens generados o de lecturas brutas de sensores. Esto no elimina la arbitrariedad señalada en la Sección 4.1 (la elección de representación, capa, o método de agregación sigue siendo una decisión del investigador), pero la reduce sustancialmente frente a la alternativa de comparar texto o datos literales.

4.4. Prueba de Invariancia a Paráfrasis: el Mecanismo de Medición Concreto

Los dos elementos anteriores definen cuándo y sobre qué espacio medir $R_s$; falta el mecanismo concreto para medirlo sin caer en la mezcla de fuentes de varianza ya identificada. Aquí, el protocolo importa directamente una tradición ya madura y ampliamente citada en la evaluación conductual de modelos de lenguaje: las pruebas de invariancia de Ribeiro, Wu, Guestrin y Singh (2020), en su framework CheckList —perturbaciones del input que preservan el significado, bajo las cuales la predicción del modelo debe mantenerse estable— y el trabajo anterior de los mismos autores, específicamente sobre consistencia de modelos de respuesta a preguntas (Ribeiro, Guestrin & Singh, 2019).

Aplicado a este contexto: para una muestra de casos, se presenta al sistema múltiples reformulaciones semánticamente equivalentes del mismo conjunto de pistas —la misma lectura de sensores descrita en órdenes diferentes, la misma anomalía relatada con vocabulario técnico distinto pero equivalente, el mismo contexto presentado con pequeñas variaciones de formato— y se mide la estabilidad de la decisión resultante en el espacio de representación ya definido en la Sección 4.3, no la estabilidad del texto literal producido. Las paráfrasis no deben ser solo variaciones sintácticas convenientes; deben cubrir los regímenes operacionales, los modos de fallo, los órdenes de presentación, el vocabulario técnico, y los contextos de uso que el sistema efectivamente enfrenta en la práctica. Un conjunto de paráfrasis restringido o artificialmente limpio puede inflar $R_s(t)$ sin corresponder a una estabilidad real en condiciones operacionales —la misma exigencia de representative design ya identificada como límite estructural en la Sección 4.1 reaparece aquí como requisito de diseño de la propia prueba, no solo como una limitación teórica a reconocer.

Este mecanismo tiene, por ello, dos funciones distintas, que vale la pena separar explícitamente. La primera es diagnóstica: medir la estabilidad de la política frente a reformulaciones semánticamente equivalentes, aislando mejor el componente de política genuina de lo que permitiría una simple repetición del mismo prompt literal a temperatura positiva —esa alternativa devolvería exactamente la mezcla de ruido que la Sección 4.1 identificó como problemática. La segunda es protección contra la gamificación: una política que es solo deterministamente repetitiva ante el prompt exacto, pero no genuinamente estable ante reformulaciones semánticamente equivalentes, falla una prueba de invariancia a paráfrasis incluso con decodificación determinista. $R_s$ deja, así, de ser gamificable mediante un único parámetro de configuración —la consistencia pasa a exigir estabilidad semántica, no solo repetición superficial.

4.5. Resolviendo — Parcialmente — el Problema de la Salida Única

La prueba de invariancia a paráfrasis es, también, la respuesta parcial al segundo problema de la Sección 4.1: al presentar múltiples reformulaciones del mismo caso subyacente, se convierte una única observación por caso en una pequeña muestra de observaciones relacionadas, suficiente para empezar a separar la varianza de política de la varianza de superficie —sin alegar que la separación sea completa o automática. Vale la pena notar la simetría con el problema análogo ya identificado en el lado humano de la cadena: la Sección 3.4 del Artículo 4 ya reconoció que las intervenciones humanas en humano-sobre-el-bucle son raras y sistemáticamente seleccionadas, exigiendo escenarios simulados, casos históricos reevaluados, o pruebas en modo sombra para una medición no sesgada de la política de recuperación del supervisor. El problema del lado de la IA es estructuralmente el mismo problema de diseño de medición, y la solución pertenece a la misma familia: ninguno de los dos lados de la cadena puede auditarse solo con registros operacionales corrientes; ambos exigen sondas deliberadas, construidas para tal fin, no solo observación pasiva de lo que ya ocurre naturalmente.

4.6. Lo Que Este Protocolo No Resuelve

Dos limitaciones honestas cierran esta sección, en la misma disciplina que ya es sello distintivo de esta trilogía. Primero, la violación del representative design de Brunswik, identificada en la Sección 4.1, no desaparece —solo se desplaza. Trabajar en el espacio de representación en lugar de texto o datos de superficie sigue exigiendo decisiones del investigador que pueden no corresponder exactamente a las pistas que el sistema efectivamente utiliza para decidir. El protocolo reduce la arbitrariedad; no la elimina.

Segundo, y más fundamentalmente: incluso una serie $R_s(t)$ bien estimada, época a época, sigue siendo una sucesión de instantáneas cuasi-estáticas —una fotografía de la consistencia en cada intervalo, no el relato genuinamente dinámico que Scholten, Schumacher y Kelber (2026) exigen cuando argumentan que la LME clásica ignora la mediación vicaria y la dinámica temporal de los juicios secuenciales. $R_s(t)$ es un primer paso hacia esa dinámica —trata la consistencia como algo que puede cambiar con el tiempo, en lugar de asumirla fija— pero no modela el propio proceso de ajuste cognitivo u operacional entre épocas, solo la diferencia entre puntos discretos de esa trayectoria. Esta limitación hace eco, y no resuelve, el mismo temporal aliasing que atraviesa toda esta trilogía desde el Artículo 2: un protocolo de auditoría medido por época, al igual que una supervisión humana medida en ciclos de revisión, puede seguir operando a una cadencia más lenta que la del propio sistema que audita.

4.7. Ilustración: Argus

Para la tarea de detección de anomalía térmica, ya clasificada cerca del polo analítico (Artículo 3) y asociada a autonomía humana asistida o humano-sobre-el-bucle con alta recuperabilidad (Artículo 4): una época de deployment se cierra siempre que el modelo de detección, los umbrales de alerta, o el formato del informe cambian; dentro de cada época, un conjunto de casos de validación —lecturas térmicas históricas, con variaciones controladas de formato y orden de presentación de los sensores— se representa periódicamente al sistema, y la consistencia de la clasificación de riesgo resultante, medida en el espacio de representación de la decisión —por ejemplo, el score de riesgo, la clase de severidad, o el vector de probabilidades sobre modos de fallo—, constituye $R_s(t)$ para esa época. Una caída abrupta en este valor, no explicada por un cambio de época documentado, es la señal de auditoría que dispara la revisión.

Para la predicción de fallo de rodamiento por vibración, ya clasificada como cuasirracional y asociada a mayor cautela arquitectónica: el mismo protocolo se aplica, pero con una exigencia adicional —dado que esta tarea involucra más pistas, mayor redundancia entre sensores, y múltiples modos de fallo, el conjunto de casos de validación usado para la prueba de invariancia a paráfrasis debe cubrir explícitamente los distintos modos de fallo por separado, no solo una muestra agregada de "vibración anómala". Aquí, la estabilidad de la recomendación de acción —por ejemplo, la clase de mantenimiento sugerida, la urgencia estimada, o el vector de pesos sobre modos de fallo— medida en el espacio de representación de la decisión, constituye $R_s(t)$ para esa época, haciendo eco de la exigencia, ya establecida en el Artículo 3, de que la ponderación de las pistas debe clasificarse por modo de fallo, no por activo industrial en abstracto.