Qué es
Un dataset es el conjunto de datos con el que se entrena o se evalúa un sistema
de inteligencia artificial: textos, documentos, ejemplos ya resueltos. Es el
material del que salió su forma de responder.
Conviene separarlo de lo que consulta al momento: en
RAG el documento llega con la pregunta y puede
cambiar mañana; el dataset ya no se mueve. De ahí sale lo que el modelo trae de
fondo, y también lo que le falta.
En palabras de contador
Es de qué despacho viene el que contrataste. Su criterio se formó con los casos
que le tocaron: si vino de uno que solo llevaba régimen simplificado, sabrá de
eso y le faltará lo demás. No es falta de capacidad, es de qué estuvo hecho su
aprendizaje.
Por eso una herramienta puede redactar impecable y perderse en el detalle
mexicano: aprendió sobre todo de material de otros países, donde los conceptos se
llaman parecido y funcionan distinto. Convence porque domina el idioma; no le
tocó ver el caso de aquí.
Ejemplo aplicado
El asistente que explica bien y ubica mal. Le pides el tratamiento de una
prestación: la explicación sale ordenada, pero el concepto que nombra es de otro
país.
La herramienta afinada "para lo fiscal mexicano". El vendedor presume miles
de expedientes. Pregunta de qué años y de qué régimen: un material concentrado en
un giro deja fuera el resto.
Lo que tu equipo sube mientras prueba. Alguien carga papeles reales para
evaluar un producto. Si las condiciones permiten usar lo cargado para entrenar,
ese expediente dejó de estar solo bajo tu resguardo.
Para qué sirve en un despacho
- Entender por qué domina un tema y se pierde en el de al lado.
- Preguntar con qué material y de qué años se entrenó, no si es buena.
- Decidir qué información del despacho sirve para probar y cuál no.
- Comparar dos productos por su origen, no por la demostración.
Riesgos o limitaciones
El dataset no se ve, y la respuesta tampoco lo delata: lo armado sobre material
viejo o ajeno se lee igual de firme que lo sustentado. Un modelo puede reproducir
una tabla que estaba vigente cuando se entrenó y presentarla como la de hoy: su
material se cerró en una fecha —la fecha de corte— y de ahí no vio más. Una
herramienta que consulta la fuente al responder
—grounding— depende menos de lo guardado,
aunque ninguna medida basta sola.
El otro frente es el tuyo: si lo que subes puede acabar siendo material de
entrenamiento de alguien más. Es una pregunta concreta que conviene hacer por
escrito, junto a las de privacidad.
Buena práctica
Compruébalo tú antes de creerle a la demostración. Prepara media docena de casos
de respuesta conocida —un cálculo de un ejercicio ya cerrado sirve— y fíjate en
dos cosas: si atina, y si cita la fuente con su fecha o responde de memoria. La
segunda pesa más: un acierto sin fuente no se sostiene meses después, cuando hace
falta trazabilidad.
Y pide por escrito si lo que carga tu despacho se usa o no para entrenar.
Preguntas frecuentes
¿Cómo averiguo con qué material se entrenó una herramienta? Rara vez hay
lista pública. Sí puedes pedir el origen general, la fecha de corte y si hubo
material mexicano, y probarlo con casos conocidos.
¿Un dataset más grande da mejores resultados? No por sí solo. Pesa más que
sea del tema, del país y del periodo que te interesan.
¿Lo que escribo en la conversación entrena al modelo? En esa sesión lo tiene
a la vista en su
ventana de contexto; que se
conserve después para entrenar lo define el proveedor.
Términos relacionados
Conexión NexFiscal
En NexFiscal Skills el valor no sale de lo que el modelo haya retenido de su entrenamiento: la fecha es un parámetro. Se pide el cálculo a una fecha y los valores se resuelven vigentes a esa fecha contra catálogos históricos, no contra los actuales. Por eso una determinación retroactiva de hace tres ejercicios no depende de que el modelo se acuerde de la tabla de aquel año. Esa es la distinción que conviene ubicar en cualquier herramienta que evalúes: si el número viene de lo que aprendió o de algo que resuelve al momento.
Escrito y revisado por Ernesto Sobrino, contador.
Última revisión: 24 de agosto de 2026.