Un pasaje citable es un fragmento de texto, normalmente un párrafo o una sección corta, que se entiende y se puede citar sin leer el resto de la página. Es la pieza que buscan los motores de IA, porque recuperan trozos y no documentos completos.
El motivo es mecánico. En un sistema RAG la página se trocea en chunks (típicamente de 200 a 1.000 tokens con solape), cada uno se convierte en un embedding y se recupera por separado. Si un párrafo dice «esta herramienta» o «como vimos arriba», al separarlo pierde el sujeto y deja de encajar con la consulta. Anthropic midió que añadir contexto explícito a cada chunk reduce los fallos de recuperación un 35%, y un 49% si se combina con reranking BM25.
Un buen pasaje citable nombra el sujeto, responde una sola pregunta, incluye el dato con su fuente y su fecha cuando aplica, y cabe en una o dos frases de la respuesta final. Escribir así también ayuda al lector que aterriza a mitad de página desde un enlace: tampoco él ha leído lo anterior.
Ejemplos
- Antes: «Además, esto reduce bastante el tiempo de cierre». Después: «La conciliación bancaria automática reduce el tiempo de cierre mensual de una pyme; en nuestra muestra de [N] clientes pasó de [X] a [Y] días».
- Sección de FAQ: cada respuesta repite el término de la pregunta en su primera frase en lugar de empezar por «Sí, porque…».
- Tabla con contexto: la frase que la precede dice qué compara, para quién y con datos de qué fecha.
Consejos prácticos
- Sustituye pronombres y anáforas («esto», «la empresa», «como decíamos») por el sujeto con su nombre.
- Una idea por sección, con un encabezado que la nombre. Si un párrafo responde dos preguntas, pártelo.
- Lee cada párrafo aislado: si no se entiende sin el anterior, no sobrevivirá al troceado.
- Pon la cifra, la fuente y el año dentro del mismo pasaje, no en una nota al pie lejos del dato.
Cuidado con
- Repetir la keyword en cada párrafo no lo hace más citable: el keyword stuffing restó un 8,7% de visibilidad en el paper GEO (Princeton y Georgia Tech, KDD 2024).
- Trocear en frases sueltas tampoco funciona: un pasaje sin desarrollo no aporta nada que citar.
Evidencia fuerte. La unidad de recuperación es el chunk y el contexto explícito dentro de cada uno reduce los fallos de recuperación un 35% (Anthropic, Contextual Retrieval).
Términos relacionados
- Chunking: Es el troceado que obliga a que cada pasaje se sostenga solo.
- RAG (Retrieval-Augmented Generation): Es la arquitectura que recupera pasajes en lugar de páginas.
- Respuesta directa (front-loading): Es el pasaje citable colocado al principio de la página o de la sección.
- Reranking: Reordena los pasajes candidatos por relevancia fina antes de elegir cuáles se usan.
- Búsqueda híbrida: Explica por qué el vocabulario literal del pasaje sigue contando junto a la semántica.