4 · Los metadatos son el territorio

Hay una frase famosa de la cartografía que dice que el mapa no es el territorio. En búsqueda vectorial ocurre lo contrario, y es una de las ironías más útiles de esta disciplina: para el motor, los metadatos son el territorio. El vector dice dónde se parece un texto a otro; el territorio —qué es elegible, qué es vigente, qué está permitido, de dónde viene— lo dibujan los campos que acompañan a cada píldora. Una búsqueda sin metadatos no busca en un territorio: busca en una niebla donde todo flota a la misma altura.

Este capítulo es deliberadamente el menos "de técnicas" del libro, porque sin él ninguna técnica posterior se sostiene. El pre-filtrado del capítulo siete, los permisos del nueve y hasta el tope del trece operan sobre campos de datos. Si los campos están mal pensados, las técnicas más avanzadas del mundo ordenan basura con más precisión.

La ficha bibliográfica de cada píldora

Cuando el primer libro diseñó la clasificación facetada, cada píldora del Rack salió con su doble campo —texto y vector— y con un puñado de campos más que entonces parecían burocracia: dominio, tipo de documento, fuente, fecha, estado, vigencia. Ahora, en el lado del acceso, esos campos dejan de ser ficha de archivo y se convierten en el control de mando del sistema. Merece la pena recorrerlos uno a uno preguntando no qué describen sino qué permiten hacer en el momento de la pregunta, que es la única pregunta que importa aquí.

El dominio permite acotar el universo: es la primera frontera y tiene capítulo propio. El tipo de documento —convenio, sentencia, contrato tipo, nota interna, formulario— permite responder a la intención: si la consulta es navegacional ("la sentencia del Supremo de..."), restringir a documentos jurisprudenciales elimina del camino media docena de convenios que mencionan lo mismo. El título o norma permite el golpe de precisión: filtrar por el identificador exacto del convenio antes de buscar semánticamente es la diferencia entre encontrar y parecido. La fuente alimenta la diversidad del capítulo catorce y la confianza: saber que dos píldoras vienen de fuentes distintas vale más que dos de la misma. La fecha y el estado de vigencia son, en un corpus legal, cuestión de seguridad jurídica: el artículo derogado no es una respuesta imperfecta, es una respuesta peligrosa. Y el estado editorial —borrador, revisado, validado— conecta el acceso con la fábrica del primer libro: lo que Silver no dio por bueno, el acceso no lo enseña.

Obsérvese lo que tienen en común todos estos campos: ninguno lo puede inferir el motor en el momento de la búsqueda. De nada sirve el mejor embedding si la pregunta "¿de qué convenio es este fragmento?" no está respondida en un campo. Todo lo que el sistema deba saber sobre una píldora antes de parearla con una consulta tiene que estar escrito, estructurado, en su ficha. Ese es el criterio de diseño: un metadato existe si alguna decisión del acceso —filtrar, priorizar, agrupar, mostrar— depende de él. Lo demás es decoración, y la decoración se paga: cada campo hueco o sucio es un filtro que no funcionará.

El precio de la ficha sucia

Los metadatos no son gratis y su calidad no es opcional, porque el acceso confía ciegamente en ellos. Cuando un filtro de vigencia excluye un documento, el motor cree que el documento está vigente o no según lo que diga el campo; no vuelve al texto a comprobarlo. Una fecha mal cargada —la del expediente en lugar de la de la sentencia— convierte a una sentencia de 2024 en "documento de 2019" para todos los filtros de frescura del sistema. Un dominio mal asignado —el convenio sectorial etiquetado como provincial— hace que las consultas de ese dominio no encuentren nunca su norma principal.

La disciplina correcta es la del primer libro aplicada al revés: allí validábamos el texto que entraba en Gold; aquí validamos los campos que permiten salir. Tres hábitos bastan. Esquema versionado: los campos y sus valores posibles viven en un documento controlado, no en la costumbre; cuando cambia, cambia con fecha y motivo, como cambia una taxonomía —lo veremos en el capítulo seis—. Completitud obligatoria: los campos críticos —dominio, vigencia, estado editorial, permiso— no admiten nulo; una píldora sin ellos no se publica, y el motivo es que un filtro no puede confiar en lo que a veces no está. Auditoría periódica: cada semana, una muestra de píldoras se revisa contra su fuente; el porcentaje de fichas correctas es una métrica de sistema, tan vigilable como cualquier recall.

Hay además una clase de metadato que merece regla propia por lo que representa: los de gobernanza —confidencialidad, destinatarios, ciclo de vida—. Aquí el error no degrada la búsqueda, vulnera el contrato. El capítulo nueve les dedica una pieza entera del libro; baste decir ahora que estos campos se diseñan con el mismo rigor pero con otra actitud: no como ayuda a la búsqueda sino como barrera a la fuga.

Del campo a la decisión

Para que el territorio sea navegable, cada campo debe estar casado con las decisiones que habilita. Conviene escribirlo —de verdad, en el documento del contrato— como una tabla mental de cuatro columnas: campo, valores posibles, decisiones que permite, consultas que lo exigen. Vigencia —valores vigente, derogado, en revisión— permite excluir lo caducado en toda consulta de contenido normativo; la exige el contrato entero. Fuente —la procedencia documental— permite diversificar evidencia y priorizar por confianza; la exigen las consultas sintéticas. Dominio —el sector o materia— permite acotar por cliente y por materia; lo exige casi todo. Cuando una consulta real del banco de preguntas no encuentra campo que la atienda —"quiero solo lo que cambió este trimestre"—, esa es la señal de que falta un metadato o falta una faceta derivada, no de que falte suerte.

Esa es, al final, la aportación de este capítulo: los metadatos son la mitad estructural de la búsqueda, la que no brilla en las demos y la que decide si el sistema responde o sueña. El vector es la mitad intuitiva; la ficha, la mitad jurídica. Un sistema serio no elige: necesita ambas, y las necesita concordadas.

Criterio de salida

Un esquema de payload versionado, con los campos críticos sin nulo —dominio, vigencia, estado editorial, permiso— y los descriptivos —tipo, fuente, fecha— con su política del nulo declarada, cada uno casado con las decisiones de acceso que permite, y un hábito de auditoría semanal de fichas.

El primer campo de todos merece capítulo entero, porque es el que separa los sistemas que responden de los que divagan: el dominio. Las fronteras del conocimiento, en la siguiente página.