Licenciar datos operativos que nunca aparecieron en la web abierta

TGDC licencia a laboratorios de IA datos operativos de empresas europeas reales, con derechos verificados: archivos documentales coherentes, extractos estructurados y conjuntos de evaluación reservados. Cada corpus llega con cadena de titularidad por escrito y un informe de anonimización por lote.

Formatos

PDF · EML · XLSX · DOCX para archivos, JSONL · Parquet para extractos

Procedencia

Mandato por escrito en origen, cadena de custodia documentada

Por lote

Informe de anonimización y manifiesto con sumas de verificación, en cada entrega

Qué puede licenciar

• Archivos. Fondos documentales coherentes: correspondencia, contratos, facturas y asientos que abarcan años de actividad real. Se entregan en PDF, EML, XLSX y DOCX.
• Extractos estructurados. Extracciones anonimizadas y con entidades resueltas, entregadas según su esquema, en JSONL o Parquet.
• Conjuntos de evaluación. Tareas documentales reservadas y nunca publicadas, para medir extracción, razonamiento y flujos de agentes.
• Entornos de RL. Entornos de entrenamiento basados en tareas con verificadores programáticos, construidos a partir de las mismas fuentes verificadas. Véase entornos de RL.
• Corpus a medida. Conjuntos de datos profesionales compuestos bajo petición en sanidad, derecho y finanzas.

La procedencia es el producto

Cada corpus entra por un canal autorizado: masas concursales, que los administradores concursales solo liberan mediante mandato por escrito; grabaciones de flujos de trabajo realizadas con consentimiento, mientras el trabajo se realiza; y documentos personales aportados por sus titulares con anonimización en el propio dispositivo. Nada se obtiene por scraping, y ningún corpus sale sin una verificación de derechos que abarque la titularidad, el material de terceros y los límites legales.

El resultado son datos con rastro documental: de quién eran, quién los autorizó, qué se retiró y qué condiciones de licencia los acompañan. Para los laboratorios que afrontan las obligaciones de documentación de datos de entrenamiento del Reglamento europeo de IA, ese rastro es la diferencia entre un activo y un riesgo.

Anonimización, verificada lote a lote

Las entidades nombradas, los datos personales y los identificadores comerciales se eliminan o se seudonimizan antes de la entrega. La seudonimización es determinista, de modo que las referencias cruzadas entre documentos siguen siendo coherentes: una misma contraparte recibe el mismo seudónimo en todo el fondo, sin revelar quién era. Cada lote se entrega con un informe de verificación que documenta qué se detectó y qué se sustituyó.

Por qué datos operativos

El texto de la web está agotado y contaminado: todo lo que es rastreable públicamente ya está dentro de cada modelo de frontera. El registro operativo de una empresa, es decir su correspondencia, sus contratos, sus facturas y sus litigios a lo largo de años, nunca estuvo en línea. Contiene la estructura longitudinal, el desorden y la profundidad sectorial que los datos obtenidos por scraping no pueden aportar.

Cómo funciona la entrega

Cada corpus sigue los mismos cuatro pasos: se adquiere únicamente con autorización por escrito, pasa una verificación de derechos, se anonimiza y se comprueba lote a lote, y se entrega como corpus escalonados con manifiestos, sumas de verificación y condiciones de licencia. Las condiciones se fijan por acuerdo, incluida la licencia exclusiva a nivel de corpus.

Qué enviamos a un vendedor

Dos notas de una página se envían a las empresas que valoran licenciar sus documentos. Indican qué pedimos, cómo nos llegan los archivos, qué se sustituye antes de la entrega y cómo se remunera a un vendedor. Si usted no posee documentos pero puede presentarnos a una empresa que sí los tenga, o traernos una colaboración, hay una comisión de intermediación para usted: las condiciones se acuerdan caso por caso antes de que nada se mueva.