Ir al contenido
Base de conocimiento

Resumen de las funciones asistidas por IA

Askalot incorpora asistencia de IA en todo el flujo de trabajo de la investigación por encuestas: ayuda a los investigadores a diseñar, realizar y analizar encuestas con más eficiencia sin renunciar al rigor matemático formal.

Las capacidades de IA están presentes en cada etapa del ciclo de vida de una encuesta:

1. Diseño2. Campaña3. Ejecución4. AnálisisArtículo de investigaciónAsistente de investigaciónCapítulos del artículo de investigaciónDiseñadorValidación SMTAsistente guiadoDiseño de la estrategiaGeneración del grupoLanzamientoEncuestados realesEncuesta completadaSimulación con perfilesConjunto de datos BronceMétricas de calidadAnalista de IAInforme estructurado
Función Etapa Finalidad Capacidades clave
Generación de cuestionarios Diseño Convertir el artículo de investigación en QML validado Agente Diseñador con subagentes de investigación, planificación, redacción y revisión; indexación semántica; validación SMT
Gestión de campañas Campaña Guiar la preparación y la ejecución de la campaña Asistente paso a paso, interfaz de chat, diseño de la estrategia de muestreo
Generación de respuestas Ejecución Simular campañas con datos sintéticos Perfiles de persona, respuestas realistas, pruebas del proceso
Análisis de resultados Análisis Evaluar la calidad de los datos y generar informes Representatividad de la muestra, métricas de calidad de las respuestas, informes del analista de IA
Funciones de IA y opciones de modelo Todas Referencia: qué modelo ejecuta cada función de IA Embeddings, detección de la maquetación, OCR (previsto), extracción, reordenación, codificación de respuestas abiertas, razonamiento: qué requiere cada una y qué puede elegir usted

La asistencia de IA de Askalot la prestan cuatro agentes principales, cada uno responsable de una etapa del ciclo de vida de la investigación. Tres de ellos coordinan subagentes especializados, ayudantes en los que delegan una única tarea bien definida, mientras que el Encuestado trabaja por su cuenta. Todos los agentes funcionan con Claude y se apoyan en las skills de metodología de encuestas destiladas por Askalot; cuando una pregunta exige evidencia citable, recurren a la biblioteca de metodología revisada por pares.

Agente Etapa Qué hace Subagentes especializados
Diseñador Diseño Convierte un artículo de investigación y los documentos subidos en un cuestionario QML verificado formalmente: investiga el material de origen, planifica la estructura, redacta cada sección y revisa el diseño terminado. Asistente de investigación: analiza los documentos de referencia y redacta el artículo de investigación estructurado
Planificador QML: descompone el artículo en un plan ordenado de capítulos
Redactor QML: escribe el QML verificado formalmente, capítulo a capítulo
Revisor del diseño: audita la calidad del diseño del cuestionario guardado y sin errores, y devuelve una ficha de evaluación
Gestor Campaña Dirige el ciclo de vida de la campaña: diseño de la estrategia de muestreo, generación del grupo de encuestados, creación de la campaña y supervisión del trabajo de campo. Supervisor de campo: vigila la recogida de datos en curso (tasas de respuesta, cobertura de segmentos, alertas de calidad) y recomienda ajustes de cuotas, segmentación o calendario
Analista Análisis Evalúa los resultados recogidos y elabora un informe unificado que cubre tanto la calidad estadística de los datos como si estos responden a los objetivos de investigación originales. Analista de calidad: evaluación estadística de la calidad de los datos (representatividad, eficacia de la ponderación, calidad de las respuestas)
Evaluador de la investigación: contrasta los resultados con las preguntas de investigación, los criterios de éxito y los requisitos del artículo de investigación
Encuestado Ejecución Completa encuestas como encuestado simulado, de forma coherente con un perfil demográfico y con las instrucciones para el entrevistador del estudio; se usa para pruebas, validación y demostraciones. (ninguno: trabaja de forma independiente)

Cada agente principal decide cuándo delegar: el Diseñador encarga a sus seis especialistas la investigación, la planificación, el inventario del cuestionario y su revisión, la redacción y la revisión del diseño; el Gestor traslada al Supervisor de campo las cuestiones del trabajo de campo en curso; el Analista divide la evaluación en una pasada de calidad de los datos y otra de objetivos de investigación, y después combina ambas. Delegar en subagentes especializados mantiene preciso el razonamiento de cada agente y permite que cada especialista cuente con skills avanzadas y específicas de su tarea.


Generación de cuestionarios asistida por IA

Sección titulada «Generación de cuestionarios asistida por IA»

Etapa: Diseño | Herramienta: Armiger

Convierta sus documentos de origen y su artículo de investigación en cuestionarios QML verificados formalmente con el agente Diseñador y sus subagentes especializados.

En una única conversación continua, el Diseñador delega en un Asistente de investigación que analiza los documentos subidos (PDF, especificaciones, normativas) y redacta un artículo de investigación estructurado; en un Planificador QML que convierte el artículo en un plan ordenado de capítulos; en un Redactor QML que escribe QML verificado formalmente capítulo a capítulo, validando cada uno con el solucionador SMT Z3; y en un Revisor del diseño que audita la calidad del diseño del cuestionario terminado.

→ Más información


Etapa: Campaña | Herramienta: Targetor

Dos interfaces complementarias para preparar y gestionar campañas.

Un recorrido guiado en varios pasos para principiantes:

  1. Diseño de la campaña: nombre, selección del cuestionario, modo
  2. Público objetivo: datos demográficos, tamaño de la muestra
  3. Estrategia de muestreo: factores de estratificación, distribuciones
  4. Grupo de encuestados: generar el grupo y previsualizar su calidad
  5. Revisión y lanzamiento: resumen, validación, despliegue

Una interfaz conversacional a demanda para usuarios avanzados:

  • «Combina estos dos grupos para tener más encuestados»
  • «Muéstrame qué entrevistadores tienen las tasas de finalización más bajas»
  • «Crea un grupo nuevo solo con encuestados de 25 a 34 años»
  • «Compara las tasas de respuesta entre versiones de la campaña»

→ Más información


Etapa: Ejecución | Herramienta: MCP de Portor (mass_fill_surveys + get_task_status)

Genere datos de encuesta sintéticos para pruebas, validación y demostraciones. mass_fill_surveys encola una tarea en segundo plano que ejecuta el propio worker de Portor: la herramienta devuelve un task_id de inmediato y quien la llama consulta get_task_status hasta que la tarea termina. La herramienta ofrece cuatro estrategias de distribución para equilibrar velocidad y calidad de las respuestas:

Estrategia Motor Velocidad Calidad Uso recomendado
realistic Aleatorio ponderado Instantánea Media Predeterminada: respuestas influidas por la demografía
random Aleatorio uniforme Instantánea Baja Pruebas de carga, descubrimiento de casos límite
stratified Ajustado a los estratos Instantánea Media Muestras equilibradas por cuotas
llm Claude Haiku ~1 s/pregunta Alta Datos sintéticos realistas, demostraciones, presentaciones

El modo llm produce los datos sintéticos de mayor calidad: Claude Haiku responde a cada pregunta con el perfil de persona completo, los datos demográficos del encuestado y el historial acumulado de preguntas y respuestas, para mantener la coherencia dentro de la encuesta. Un encuestado que responde «desempleado» no describirá después su lugar de trabajo.

Los modos basados en reglas (realistic, random) usan una selección aleatoria ponderada según los rasgos de la persona; son más rápidos para probar el proceso con grandes volúmenes cuando la calidad de las respuestas importa menos.

→ Más información


Etapa: Análisis | Herramienta: Balansor

Evalúe la calidad de los datos de la encuesta en dos dimensiones y genere informes fundamentados en la metodología.

Dimensión Métricas Pregunta que responde
Representatividad de la muestra RMSE, MAE, chi cuadrado, desviación máxima, puntuación de calidad ¿Se ajusta la muestra a la población objetivo?
Calidad de las respuestas Entropía normalizada, respuestas en línea recta, alfa de Cronbach, sesgo de aquiescencia ¿Son las respuestas fiables e informativas?

El agente Analista ejecuta herramientas de evaluación de la calidad a través de MCP, reúne el contexto de la campaña y elabora un informe estructurado:

  1. Resumen ejecutivo: idoneidad general para el propósito
  2. Representatividad de la muestra: desglose por factor con cifras concretas
  3. Evaluación de la ponderación: análisis de la mejora de Bronce a Plata
  4. Hallazgos clave: observaciones basadas en los datos
  5. Recomendaciones: siguientes pasos priorizados y aplicables

El agente se basa en la metodología de encuestas establecida (AAPOR, Kish, Groves, Krosnick, ESOMAR) e interpreta las métricas estadísticas en el contexto práctico de la investigación.

→ Más información


Fundamentación en metodología revisada por pares

Sección titulada «Fundamentación en metodología revisada por pares»

Los agentes Diseñador, Gestor y Analista de Askalot consultan una biblioteca compartida de 24 libros y artículos de metodología de encuestas revisados por pares (Dillman, Krosnick, Groves, Tourangeau, Bethlehem, Heeringa, Schouten, Fowler y otros) que abarca todo el proceso de investigación — diseño, muestreo, trabajo de campo, análisis, ponderación — cuando una pregunta va más allá de sus skills integradas o cuando una recomendación necesita evidencia citable.

La biblioteca es una base de conocimiento con estructura de grafo, construida a partir del markdown que Docling extrae de cada artículo, almacenada en el backend vectorial y de grafos de LightRAG y consultable en cinco modos (por palabras clave, centrado en entidades, centrado en conceptos, híbrido y mixto). Cuando los agentes se apoyan en ella, citan el artículo, el año y la sección, para que los investigadores puedan comprobar la afirmación directamente.

Agente Temas para los que recurre a la biblioteca
Diseñador Validez y fiabilidad (Taherdoost, Aithal), lógica del cuestionario y patrones de salto (Fagan & Greenberg, Elliott, Feeney & Feeney, Schiopu-Kratina, Manski & Molinari), redacción de las preguntas y escalas de respuesta (Krosnick, Bradburn, Fowler)
Gestor Diseño muestral, estratificación, muestreo por conglomerados, efectos de diseño y fundamentos de la ponderación (Heeringa, Bethlehem, Schouten), diseño adaptativo de encuestas
Analista Error total de encuesta (TSE), sesgo de no respuesta, raking (calibración por rastrillado) y posestratificación, marcos de calidad de las respuestas

La biblioteca se consulta a demanda: para las preguntas rutinarias, los agentes usan por defecto sus skills destiladas, de modo que la latencia se mantenga baja, y solo recurren al corpus completo cuando el cliente pide una cita o cuando la pregunta queda fuera del alcance de la habilidad.


Las funciones de IA trabajan juntas sin fisuras:

Research Documents
↓ [AI Questionnaire Generation]
QML Questionnaire
↓ [AI Campaign Management]
Campaign with Sampling Strategy
↓ [Agentic Response Generation - optional]
Survey Responses (real or simulated)
↓ [AI Result Analysis]
Insights and Reports

Los asistentes de IA comparten el contexto a lo largo del flujo de trabajo:

  • El análisis de documentos del Diseñador orienta su generación de QML
  • La estructura del cuestionario orienta las recomendaciones de estrategia de muestreo
  • Los datos demográficos de la campaña guían la elección de perfiles para la simulación
  • Las respuestas de la encuesta alimentan directamente las herramientas de análisis
  • Los hallazgos pueden dar pie a mejoras del cuestionario (cerrando el ciclo)

En las organizaciones no privadas, los documentos indexados para la IA se limitan al proyecto activo, de modo que los materiales de investigación no salen del ámbito del equipo, y las sesiones de IA de cada usuario empiezan en su proyecto predeterminado. En las organizaciones privadas, los documentos indexados se comparten en toda la organización (Uso compartido de datos según la organización). Este aislamiento se mantiene en todo el flujo de trabajo, desde la indexación de documentos hasta el acceso del agente Diseñador a las herramientas MCP cuando escribe y valida QML.


Todas las tareas de los agentes de IA de Askalot se ejecutan con los modelos Claude de Anthropic, a los que la plataforma accede a través de una de estas dos pasarelas:

Pasarela Modelos Uso recomendado
API de Anthropic Claude Opus, Sonnet, Haiku Clave de pago por uso
AWS Bedrock Claude Opus, Sonnet, Haiku Despliegues empresariales que necesitan controles de AWS IAM, VPC y residencia de datos

Los clientes aportan sus propias credenciales de API: la cuenta no queda atada a ningún proveedor, y Bedrock permite a las empresas mantener todo el tráfico dentro de su propia cuenta de AWS. El proveedor se elige explícitamente en Configuración del perfil → Modelos de IA.

Aquí «IA» no es un único modelo que lo hace todo: los embeddings, el análisis de la maquetación de documentos y la reordenación de pasajes se ejecutan en el hardware propio de Askalot, mientras que el trabajo generativo se ejecuta con Claude a través del proveedor que usted elija. Qué puede configurar de todo ello y qué ocurre cuando faltan credenciales se detalla función por función en Funciones de IA y opciones de modelo.