Cómo distinguir una respuesta incompleta de una respuesta incorrecta

Divide la petición en obligaciones

Antes de puntuar, anota los elementos que exige la tarea: campos, condiciones, fuentes y alcance. En un ejemplo hipotético, informar sobre una entrega requiere fecha confirmada y advertencia sobre la franja pendiente. Si el agente solo proporciona la fecha correcta, hay una omisión. Si proporciona otra fecha, hay un error. Si además asegura una franja inexistente, añade una afirmación sin respaldo, aunque el texto resulte más completo.

Usa etiquetas por elemento

Registra correcto, ausente, erróneo o no evaluable para cada obligación. Reserva no evaluable para referencias de evaluación que no permiten decidir; no lo conviertas en aprobado. Diferencia la respuesta parcial que declara sus límites de la que presenta un resultado como definitivo. Esta última puede inducir una decisión equivocada aun cuando ninguna frase aislada sea falsa. Conserva el fragmento que justifica la etiqueta.

No repares problemas distintos igual

Una omisión puede venir de instrucciones poco claras, truncamiento o falta de recuperación documental. Un valor incorrecto puede proceder de lectura, selección de fuente o aplicación de una regla. Revisa entrada, evidencia recuperada y respuesta para localizar el primer punto de divergencia. Pedir más detalle al modelo no arregla necesariamente una fuente errónea y puede multiplicar afirmaciones que luego habrá que comprobar.

Decide el tratamiento por consecuencia

Si falta un dato accesorio, quizá baste con mostrar la respuesta como parcial. Si falta una condición que determina precio o compromiso, bloquea su uso hasta completarla. Define esos criterios con el propietario del proceso. Reevalúa después con casos que contienen omisiones y errores combinados; comprueba que corregir uno no oculta el otro. Informa ambos recuentos junto al número de casos revisados para no presentar una mejora aparente a partir de una etiqueta cambiada.

Fuentes y documentación

• OWASP · LLM09:2025 Misinformation — Riesgos de afirmaciones infundadas y necesidad de contrastar información sensible.
• OpenAI · Evaluation best practices — Casos diversos, rúbricas y contraste de evaluadores; las recomendaciones operativas del artículo son propuestas propias.