El grounding es el proceso de anclar las respuestas de un modelo de lenguaje a información real, externa y verificable, en lugar de depender únicamente del conocimiento aprendido durante el entrenamiento. En la práctica, consiste en proporcionar al modelo fuentes concretas —documentos, bases de datos, resultados de búsqueda— sobre las que debe fundamentar lo que genera.
Su importancia radica en que reduce las alucinaciones, es decir, las afirmaciones plausibles pero falsas que los modelos producen cuando carecen de datos fiables. Al obligar a la IA a citar o apoyarse en fuentes contrastables, las respuestas ganan en precisión y trazabilidad. Esto resulta especialmente crítico en ámbitos como la sanidad, el derecho o las finanzas, donde un error puede tener consecuencias graves.
Una técnica habitual para lograrlo es la RAG (Retrieval-Augmented Generation), que recupera fragmentos relevantes de una base documental antes de generar la respuesta. Un sistema bien anclado suele:
- Indicar las fuentes consultadas.
- Limitarse a lo que estas respaldan.
- Reconocer cuándo no dispone de información suficiente.