Grounding
Grounding, o anclaje contextual, es la práctica de conectar la respuesta de una IA con una fuente de verdad concreta: documentos, datos, specs, repositorios, ejemplos o sistemas autorizados. Su objetivo es reducir respuestas genéricas o inventadas haciendo que el modelo trabaje sobre contexto verificable.
Para qué sirve
Grounding ayuda a:
- reducir alucinaciones;
- evitar respuestas genéricas;
- trabajar con información actualizada;
- mantener coherencia con decisiones del equipo;
- citar fuentes;
- verificar afirmaciones;
- producir outputs alineados con specs o criterios internos;
- limitar la libertad del modelo cuando no debe inventar.
Ejemplos
| Sin grounding | Con grounding |
|---|---|
| “Propón criterios de aceptación para esta funcionalidad”. | “Propón criterios de aceptación basándote solo en esta historia, esta spec y esta Definition of Done”. |
| “Resume el estado del producto”. | “Resume el estado del producto usando estos tickets, esta roadmap y las decisiones de la última review”. |
| “Revisa este código”. | “Revisa este diff contra la spec aprobada, las convenciones del repositorio y los tests existentes”. |
Grounding no garantiza verdad
El grounding mejora la calidad, pero no hace infalible a la IA. El modelo puede malinterpretar una fuente, omitir matices, citar mal o combinar información de forma incorrecta.
Por eso el grounding debe acompañarse de verificación: revisión humana, trazabilidad, pruebas, citas, contrastes o sensores automáticos.
Relación con RAG y MCP
El grounding puede implementarse de distintas formas:
- pegando manualmente el contexto en el prompt;
- usando recuperación aumentada por generación (RAG);
- conectando la IA a documentos o bases de datos;
- usando herramientas de búsqueda;
- integrando sistemas mediante Model Context Protocol;
- trabajando con repositorios, specs o bases de conocimiento.
MCP no es grounding por sí mismo. Es una forma técnica de conectar aplicaciones de IA con herramientas y fuentes externas. El grounding ocurre cuando esa conexión se usa para anclar una respuesta a información relevante y verificable.
IA y Scrum
En Scrum con IA, grounding es especialmente útil para:
- refinamiento de historias;
- escritura de specs;
- revisión de Definition of Ready para IA;
- planificación de tareas con agentes;
- revisión de código generado;
- análisis de feedback de usuarios;
- preparación de sprint reviews;
- actualización de documentación.
El equipo debe saber qué fuentes son válidas. No todo documento es fuente de verdad.
Error frecuente
Creer que aportar una fuente elimina la necesidad de revisar. Una IA puede trabajar con documentos correctos y aun así interpretar mal, resumir en exceso o mezclar supuestos. Grounding reduce el riesgo, pero no sustituye la verificación.
Recursos
🏦 IA aplicada al trabajo ágilSkill Arena · Scrum Manager
🏦 Scrum en equipos con IASkill Arena · Scrum Manager
📊 Guía didáctica Scrum en equipos con IARecursos · Scrum Manager
Referencias
- Model Context Protocol. (2025). “Specification”, modelcontextprotocol.io.
- NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology.
Véase también
¿Quieres avanzar en agilidad? Puedes buscar convocatorias de cursos y exámenes o ir a tu ritmo haciéndote miembro del Club Agile. Esta membresía incluye recursos exclusivos, aulas e-learning y acceso a Skill Arena: un espacio para practicar y medir tus habilidades ágiles a tu ritmo.