Tarjeta de Sistema de IA

1. Identificación del sistema y operador

Nombre del sistema: Ressearch AI®. Sitio: https://ressearchai.app.

Operador y responsable: Skyfall Innovations Corp S.A.C.S.. Empresa peruana inscrita ante SUNAT con RUC 20615941108 bajo la denominación Skyfall Innovations Corp S.A.C.S.

Tipo de sistema: plataforma de asistencia de investigación científica basada en modelos de inteligencia artificial generativa, embeddings y procesamiento multimodal, con ejecución de código en sandboxes aislados para análisis estadístico, biocientífico y geoespacial.

Vigencia de esta tarjeta: la presente Tarjeta de Sistema de IA se mantiene actualizada y refleja el estado operativo del sistema al momento de su última revisión. Los cambios materiales se publican con nueva fecha de vigencia.

2. Marco normativo aplicable

El sistema opera bajo el marco peruano de inteligencia artificial, integrado por la Ley N.° 31814, Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país (5 de julio de 2023), y su Reglamento aprobado por Decreto Supremo N.° 115-2025-PCM, publicado el 9 de septiembre de 2025 y vigente desde el 22 de enero de 2026.

Como referencia técnica se considera la Norma Técnica Peruana NTP-ISO/IEC 42001:2025, aprobada por INACAL en julio de 2025, sobre sistemas de gestión de inteligencia artificial. La estructura de esta tarjeta sigue los componentes recomendados por dicho estándar: propósito, datos, lógica, impactos, supervisión humana, riesgos, gobernanza y mejora continua.

En materia de datos personales aplica la Ley N.° 29733 y su Reglamento (DS N.° 016-2024-JUS, vigente desde el 30 de marzo de 2025). La autoridad nacional en inteligencia artificial es la PCM, a través de la Secretaría de Gobierno y Transformación Digital (SGTD), que supervisa por la Subsecretaría de Tecnologías y Seguridad Digital; el canal ciudadano para reportar observaciones o alertas éticas es gob.pe/iaperu. La protección de datos corresponde a la ANPDP (MINJUSDH) y el consumo al INDECOPI.

Conforme al artículo 3 del Reglamento, Ressearch AI es primordialmente un «Desarrollador» (quien diseña, programa o entrena el sistema de IA) y, cuando integra IA en sus propios procesos operativos, un «Implementador». El usuario final es el «Usuario». Las obligaciones de transparencia (artículo 25) para usos del grupo educación/salud/justicia/seguridad/economía-finanzas son exigibles desde el 10 de septiembre de 2026 según la Primera Disposición Complementaria Final.

3. Propósito y casos de uso previstos

El propósito del sistema es asistir a investigadores, docentes, estudiantes de posgrado, equipos institucionales y profesionales científicos en la transformación de ideas, datasets y papers en flujos de trabajo de análisis reproducible, redacción académica y empaquetado FAIR de resultados.

• Búsqueda, organización, indexación y síntesis de literatura científica.
• Limpieza, transformación, visualización y análisis estadístico/bioinformático de datasets cargados por el usuario.
• Ejecución aislada de código Python y R en sandboxes especializados (biostats, geoespacial, microbioma, cheminformática, bioimaging).
• Redacción asistida de manuscritos, planes de análisis, secciones de paper, revisiones y figuras, con citas y referencias.
• Exportación de paquetes reproducibles (ZIP, GitHub) y documentos finales (DOCX, PDF, LaTeX).
• Memoria de proyecto, journals de agente y constituciones por proyecto para mantener trazabilidad metodológica.

Casos de uso NO previstos: diagnóstico clínico autónomo, decisiones críticas sobre personas (crédito, seguros, contratación, sentencias judiciales), diseño de armas o patógenos, manipulación masiva, suplantación de identidad. La Política de uso aceptable los prohíbe expresamente.

4. Modelos de inteligencia artificial utilizados

El sistema utiliza modelos de terceros accedidos a través de un único proveedor de inferencia: Google Cloud — Gemini Enterprise Agent Platform (anteriormente Vertex AI). Ressearch AI no entrena modelos fundacionales propios con contenido privado del usuario y no envía datos a un proveedor de IA distinto de Google para inferencia.

Importante: incluso cuando se habilita la familia Claude, esta se sirve a través de Vertex AI (Model Garden) con credenciales de Google Cloud, por lo que el destinatario de los datos es Google y no Anthropic. Al momento de esta revisión la familia Claude se encuentra en pausa y la totalidad del tráfico se procesa con modelos Gemini sobre Vertex AI.

• Google Gemini (Vertex AI) — modelos generativos multimodales, embeddings y procesamiento de PDFs e imágenes. Familia activa para chat, síntesis, extracción, análisis, visión y redacción.
• Embeddings de Vertex AI (text-embedding-004, 768 dimensiones) almacenados en Supabase pgvector para memoria y recuperación contextual (RAG).
• Familia Claude (vía Vertex AI Model Garden) — prevista para razonamiento profundo cuando se habilite; actualmente en pausa. Otros proveedores figuran como «próximamente» y no reciben datos hoy.

Los modelos exactos, versiones y tareas asignadas pueden actualizarse para mejorar calidad, costo y disponibilidad. Las decisiones de enrutamiento están documentadas internamente y siguen criterios de capacidad mínima necesaria, costo razonable y compatibilidad con la tarea solicitada.

5. Fuentes de datos

El sistema procesa los siguientes tipos de datos, todos cargados o autorizados por el usuario:

• Contenido del usuario: prompts, papers, PDFs, datasets, código, notebooks, comentarios, citas, archivos y artefactos que el usuario carga, conecta o produce dentro de su workspace.
• Metadatos derivados: embeddings, summaries, Project Objects, lineage, checksums, logs de ejecución, métricas de uso del producto.
• Datos de cuenta: nombre, correo, avatar, proveedor de autenticación (GitHub OAuth), preferencias, idioma, plan y facturación (vía Culqi).
• Fuentes científicas externas opcionalmente consultadas: NCBI, CrossRef, OpenAlex, Zotero, GitHub, arXiv — bajo las licencias y términos de cada fuente.

Ressearch AI no compra datasets de terceros para entrenamiento, no realiza scraping no autorizado y no entrena modelos fundacionales propios con contenido privado del usuario. El contexto necesario para ejecutar una acción puede enviarse al proveedor de modelos correspondiente, limitándose razonablemente a lo necesario.

6. Lógica del sistema y trazabilidad

El sistema opera como un orquestador de tareas asistidas. El flujo típico es: (a) el usuario envía un mensaje o sube un archivo; (b) un extractor de intent —apoyado por un LLM— propone qué herramienta o paso ejecutar; (c) el usuario aprueba o ajusta la propuesta; (d) el sistema ejecuta la acción (búsqueda, análisis, redacción, código en sandbox); (e) el resultado se entrega al usuario para revisión y aceptación antes de pasar a un documento, repositorio o exportación.

Cada paso queda registrado en una tabla de eventos de observabilidad con identificadores (request_id, correlation_id, user_id, project_id, session_id), duración, estado y metadatos. Esta trazabilidad permite auditoría interna, soporte y, cuando aplica, atención a solicitudes de derechos de titulares.

Para flujos de redacción avanzados (paper completo, secciones), el sistema implementa agentes especializados (planeador, redactor, revisor, pulido) con checkpoints documentados de revisión humana entre fases.

• Extractor de intent (LLM): clasifica qué tarea ejecutar; el usuario aprueba.
• Ejecutor de código (E2B / Modal sandboxes): aísla la ejecución, captura logs, figuras y tablas; el usuario decide si el resultado va al canvas.
• Generación de texto (LLM): produce borradores; el usuario edita y publica.
• Agentes de escritura (multi-paso): planeador → redactor → revisor; cada fase es revisable.
• Búsqueda científica: consulta APIs externas; el sistema deduplica, ranquea y presenta candidatos; el usuario elige cuáles citar.
• Memoria de proyecto: extrae preferencias y contexto; el usuario puede revisar y editar en cualquier momento.

7. Supervisión humana y puntos de control

La supervisión humana es un principio operativo central del sistema, no una capa opcional. El producto está diseñado para que el usuario apruebe explícitamente cada acción sustantiva antes y después de su ejecución.

• Antes de ejecutar un análisis o redacción, el sistema presenta un plan y solicita aceptación.
• Cuando un análisis devuelve resultados ambiguos o múltiples candidatos, el sistema NO autoselecciona; presenta alternativas y el usuario decide.
• Las decisiones del LLM (intent, clasificación de resultados, validación de código) son propuestas, no resoluciones — el usuario puede rechazar, repetir o sustituir.
• Las exportaciones (DOCX, PDF, GitHub, ZIP) llevan etiquetado visible que recuerda al lector que el contenido fue asistido por IA y debe validarse.
• Las funciones de redacción avanzada incluyen estados intermedios visibles (borrador, en revisión, pulido) para permitir intervención humana.

El sistema NO está autorizado para tomar decisiones autónomas con impacto significativo sobre personas (salud, empleo, educación, crédito, seguros, migración, derechos) sin revisión humana, base legal y garantías adecuadas. Conforme al artículo 25 del Reglamento, los productos asistidos por IA llevan etiquetado visible y, cuando una decisión afecte derechos, el responsable debe poder explicar en lenguaje accesible los criterios y factores principales. Esta restricción está reforzada en la Política de uso aceptable.

8. Impactos esperados y mitigaciones

El sistema busca generar valor en investigación científica, productividad académica y reproducibilidad de análisis. Los principales impactos esperados, junto con sus mitigaciones, se documentan a continuación.

• Impacto positivo: aceleración de revisión bibliográfica, análisis estadístico y redacción reproducible. Mitigación de errores: revisión humana obligatoria, verificación de citas, sandbox para ejecución aislada.
• Riesgo: alucinaciones del LLM (texto convincente pero incorrecto). Mitigación: disclosure explícita, requerimiento de validación de citas/DOIs, marcado de borradores no verificados.
• Riesgo: sesgo algorítmico en proposiciones de análisis o redacción. Mitigación: presentación de alternativas, supervisión humana, prohibición en la AUP de usar outputs para decisiones discriminatorias.
• Riesgo: filtración de datos sensibles a proveedores de modelos. Mitigación: AUP prohíbe carga de datos sensibles sin base jurídica; disclaimer in-app antes de upload; minimización de contexto enviado al modelo.
• Riesgo: uso indebido para plagio o fraude académico. Mitigación: AUP lo prohíbe expresamente; el sistema mantiene logs trazables; el usuario debe cumplir políticas institucionales y editoriales que pueda aplicar.
• Riesgo: dependencia excesiva del sistema, afectando juicio crítico del investigador. Mitigación: disclosure permanente sobre carácter probabilístico, recomendación de revisión humana experta en todo output.

9. Evaluación de riesgo según Reglamento DS 115-2025-PCM

El Reglamento define exactamente tres niveles (artículo 22): «uso indebido» (prohibido, artículo 23), «uso de riesgo alto» (artículo 24) y, de forma residual, «riesgo aceptable» para todo lo demás. Ressearch AI se ubica predominantemente en "riesgo aceptable": asistente con supervisión humana en cada paso, sin decisiones autónomas críticas sobre personas, sin perfilado discriminatorio y sin uso prohibido.

Determinados casos de uso pueden constituir "riesgo alto" (artículo 24): procesamiento de datos clínicos identificables y apoyo a triaje/diagnóstico; decisiones que afecten acceso a salud, empleo, crédito, seguros o programas sociales; y, de forma particularmente relevante para nuestro mercado, la evaluación de menores en educación —admisión, evaluación de aprendizajes o monitoreo de exámenes (artículo 24.1.b)— salvo que el sistema solo complemente y no reemplace la evaluación pedagógica humana. La Política de uso aceptable restringe estos usos sin base jurídica y controles adicionales.

Para el sector privado, la Evaluación de Impacto de riesgo alto es voluntaria (artículo 32.1); cuando se realiza, sus hallazgos y medidas correctivas deben documentarse y conservarse por un mínimo de 3 años (artículo 32.3). Para flujos de riesgo alto, Ressearch AI recomienda al Implementador realizar y conservar dicha evaluación, mantener el registro del artículo 31.1 (principios, fuentes de datos, lógica del algoritmo e impactos esperados) y aplicar supervisión humana del artículo 31.4.

Ressearch AI mantiene internamente la documentación necesaria para responder ante solicitudes de la autoridad competente (SGTD-PCM, vía SSTSD/CNSD, artículo 35) sobre funcionamiento, fuentes de datos, lógica de algoritmos e impactos esperados, en línea con las obligaciones reglamentarias.

10. Limitaciones conocidas

El sistema tiene limitaciones inherentes que el usuario debe conocer y considerar al adoptar sus outputs.

• Respuestas probabilísticas: el LLM puede producir afirmaciones plausibles pero incorrectas (alucinaciones), citas inexistentes, fórmulas erróneas o conclusiones incompletas.
• Conocimiento con corte temporal: los modelos tienen una fecha de entrenamiento; pueden desconocer eventos, papers o normas recientes.
• Dependencia de calidad del input: el sistema no puede compensar datasets mal documentados, papers de baja calidad o prompts ambiguos.
• Cobertura científica limitada: las fuentes externas consultadas no cubren toda la literatura mundial; ciertas disciplinas, idiomas o regiones pueden estar subrepresentadas.
• Sandboxes con tiempo y memoria limitados: análisis muy grandes pueden requerir ajustes o ejecución externa.
• No reemplaza juicio profesional: en medicina, derecho, ingeniería estructural u otras disciplinas reguladas, el sistema asiste pero no certifica; la decisión final corresponde a profesionales habilitados.

11. Sostenibilidad

El sistema opera sobre infraestructura en la nube con compromisos públicos de neutralidad de carbono por parte de los proveedores principales (Google Cloud). El uso de sandboxes especializados y enrutamiento de modelos por tarea busca reducir el consumo energético en comparación con esquemas de modelo único de mayor tamaño.

Cuando aplica, las decisiones de enrutamiento priorizan modelos eficientes (Lite/Flash) para tareas que no requieren razonamiento profundo, reservando modelos más grandes solo para tareas que lo justifican.

12. Gobernanza interna y mejora continua

Ressearch AI mantiene políticas, procedimientos y registros que cubren los componentes mínimos de un sistema de gestión de IA conforme a la NTP-ISO/IEC 42001:2025: identificación del propósito, gestión de riesgos, supervisión humana, manejo de datos, transparencia, seguridad, auditoría interna y mejora continua.

Las observaciones de usuarios, investigadores y revisores son insumo directo para la actualización del sistema y de esta tarjeta. Las actualizaciones materiales se reflejan en la fecha de última revisión de este documento y, cuando corresponde, en la Política de privacidad y la página de Transparencia y divulgaciones.

13. Contacto, reclamaciones y autoridad

Para consultas sobre esta Tarjeta de Sistema de IA, sus contenidos o el funcionamiento del sistema: [email protected].

Para solicitudes de derechos del titular de datos personales (acceso, rectificación, cancelación, oposición, revocación): [email protected]. Marco aplicable: Ley N.° 29733 y DS N.° 016-2024-JUS (Perú).

Para reportes de incidentes de seguridad o abuso: [email protected].

Autoridad nacional en inteligencia artificial: Secretaría de Gobierno y Transformación Digital (SGTD) de la Presidencia del Consejo de Ministros (PCM). Canal ciudadano: gob.pe/iaperu para observaciones, recomendaciones o alertas éticas sobre el uso de IA bajo Ley N.° 31814 y DS 115-2025-PCM.