AHP TraceOS

• 

  Propuesta de IA pendiente de revisión humana: la estructura se genera, pero no se acepta automáticamente.

• 

  Estructura aceptada por una persona; la misión sigue pendiente de validación y activación humana.

• 

  Trazabilidad append-only tras recargar: el caso se reconstruye sin duplicar ni alterar el historial.

• 

  Recuperación segura: el sistema detecta un historial incompatible, lo conserva y permite iniciar un caso separado.

Inspiración

AHP TraceOS nace de una preocupación muy concreta: la inteligencia artificial puede producir respuestas rápidas y convincentes, pero en un proceso real no basta con que algo «suene bien». Tiene que quedar claro qué información está confirmada, qué parte es una inferencia, qué evidencia respalda cada conclusión y quién conserva la autoridad para decidir.

Mi experiencia como ingeniera química y responsable de seguridad y salud en obra y fábrica me ha acostumbrado a trabajar con procedimientos, evidencias, responsabilidades, autorizaciones y trazabilidad. En esos entornos, una decisión no puede depender de una respuesta opaca ni de una automatización que diluya quién hizo qué.

Esa necesidad me llevó a desarrollar el Ecosistema AHP, un marco conceptual y de gobernanza basado en una regla sencilla:

La IA asiste, la persona valida y el sistema registra.

AHP TraceOS es el producto que diseñé y dirigí para OpenAI Build Week 2026 con el objetivo de convertir ese principio en una aplicación funcional.

Qué hace

AHP TraceOS transforma la descripción libre de una incidencia sintética en un flujo de trabajo humano-IA gobernado y completamente trazable.

El sistema:

• separa la información confirmada, inferida y ausente;
• genera una propuesta estructurada de misión;
• recomienda una función competente dentro de un catálogo controlado;
• conserva un fragmento literal verificable de la descripción original;
• permite incorporar evidencia sintética;
• genera una recomendación de IA expresamente no vinculante;
• exige aceptación humana para la estructura y para la misión;
• reserva la decisión y el cierre a una persona autorizada;
• registra cada transición en un historial append-only;
• reconstruye el caso después de una recarga;
• detecta historiales incompatibles o dañados sin sobrescribirlos silenciosamente;
• diferencia los errores por etapa y causa.

La IA puede proponer, estructurar y recomendar, pero no acepta, decide ni cierra automáticamente un caso.

Cómo lo desarrollé

Primero definí el alcance, las reglas de autoridad humana, la separación entre propuesta y decisión, el uso exclusivo de datos sintéticos y las condiciones de trazabilidad.

Organicé el trabajo mediante funciones metodológicas de Dirección, Arquitectura y Gobernanza. Estas funciones no representan un equipo humano distinto, sino mecanismos para separar responsabilidades y evitar que una misma actuación diseñe, ejecute, verifique y apruebe su propio resultado.

Codex y GPT-5.6 actuaron como herramientas y agentes de asistencia durante la implementación, las pruebas, el análisis de recuperación de estados, la corrección del contrato de respuesta estructurada, la observabilidad de errores y la preparación documental.

La aplicación se desarrolló con Next.js, React y TypeScript. La arquitectura incorpora:

• un modelo de dominio gobernado;
• comandos y transiciones controladas;
• almacenamiento local append-only;
• recuperación segura del historial;
• una ruta server-side para la integración con OpenAI;
• validación determinista de respuestas estructuradas;
• una interfaz de demostración basada en datos sintéticos;
• pruebas automatizadas;
• evidencias técnicas y documentales reproducibles.

Las decisiones de alcance, aceptación, corrección, verificación, commit, push, merge y entrega se mantuvieron bajo control humano.

Retos que encontré

El reto principal no fue conseguir que la IA generara texto, sino lograr que cada transición pudiera explicarse, verificarse y reconstruirse.

Uno de los problemas más delicados fue alinear el contrato de sourceExcerpt entre el prompt, el esquema, el parser y el validador. La regla final exige un fragmento contiguo de la descripción original, preservando redacción, mayúsculas, minúsculas y puntuación. Solo se permiten normalización Unicode NFC y colapso de espacios.

Otro reto fue distinguir correctamente entre:

• un fallo del proveedor;
• un JSON inválido;
• una infracción del esquema;
• una incompatibilidad contractual;
• y un rechazo durante el mapeo.

Durante una llamada live controlada, el proveedor rechazó la petición antes de que el sistema pudiera procesar una respuesta estructurada del modelo. AHP TraceOS no ocultó el resultado mediante un fallback silencioso, sino que lo clasificó como:

RESPONSE_RECEIVED / PROVIDER_REQUEST_REJECTED

No presento esa llamada como una respuesta live correcta. Sí demostró que la observabilidad identifica la etapa real del fallo y evita atribuirlo falsamente al producto.

Logros principales

• Flujo completo desde una incidencia sintética hasta el cierre humano.
• Separación explícita entre hechos, inferencias y ausencias.
• Recomendaciones de IA no vinculantes.
• Aceptación, decisión y cierre exclusivamente humanos.
• Historial append-only con recuperación segura.
• Contrato de respuesta estructurada determinista.
• Observabilidad diferenciada por etapa y causa.
• 41 pruebas automatizadas superadas.
• Typecheck, lint y build de producción aprobados.
• Verificación técnica y documental independiente.
• Integración final en main mediante una pull request trazable de 21 commits.

Qué aprendí

La gobernanza no puede añadirse al final como una capa decorativa. Tiene que formar parte de la arquitectura, del modelo de datos, de las transiciones, de los errores y de la interfaz.

También confirmé que Codex y GPT-5.6 son especialmente útiles cuando trabajan con alcance limitado, precondiciones verificables, pruebas reproducibles, revisión humana y registro de decisiones.

La confianza no procede de que la IA parezca segura. Procede de poder comprobar qué hizo, con qué información, bajo qué reglas y con qué autoridad.

Próximos pasos

Los siguientes pasos previstos para AHP TraceOS son:

• desplegar un sandbox público;
• incorporar integración continua;
• exportar informes de trazabilidad;
• mejorar las interfaces de revisión y autoridad decisora;
• admitir tipos de evidencia adicionales;
• incorporar asignación multiusuario;
• permitir políticas de gobernanza configurables;
• validar el sistema con procesos organizativos reales bajo controles de privacidad, seguridad y legalidad.

Built With

• apiopenai
• append-only
• codex
• eslint
• github
• governance
• gpt-5.6
• human-in-the-loop
• localstorage
• next.js
• openai
• react
• responses
• traceability
• typescript
• vitest