La IA ha hecho la investigación más rápida y el autoengaño más eficiente. La diferencia entre lo uno y lo otro es un conjunto de hábitos, y ninguno es complicado.
Uso IA todos los días de trabajo: para investigar, construir sistemas, organizar información y desarrollar la infraestructura detrás de este sitio. Ha reducido drásticamente la distancia entre una pregunta y una primera respuesta plausible. Ese es el regalo y la trampa: la primera respuesta suele llegar con el tono y la estructura de una respuesta final.
Un modelo puede producir una explicación pulida antes de que yo haya hecho el trabajo necesario para saber si la explicación es verdadera. Puede hacer que evidencia débil se sienta resuelta, convertir un recuerdo vago en una afirmación confiada y revestir mis supuestos de notas al pie que quizá no los respalden. La investigación se vuelve más rápida, pero también la racionalización.
La solución no es evitar la herramienta. Es asignarle a la herramienta un papel que pueda desempeñar y mantenerla fuera de los papeles que exigen responsabilidad.
Decide el papel antes de abrir la herramienta
Obtengo mejores resultados cuando decido qué tipo de ayuda quiero antes de escribir la instrucción. La IA puede ser un explorador que identifica vías de investigación, un bibliotecario que sugiere fuentes, un asistente que organiza notas, un crítico que encuentra vacíos o un editor que mejora la estructura. Esos son papeles útiles, y son trabajos distintos con modos de fallo distintos.
El explorador puede inventar vías que no existen, así que su producto es una lista de hipótesis, no de hallazgos. El bibliotecario puede recomendar libros que nunca se escribieron, así que cada cita se verifica contra un catálogo antes de entrar a mis notas. El asistente es el más confiable del grupo, porque ordenar y dar formato se verifica de un vistazo. El crítico solo es tan agudo como las preguntas que yo le dé. El editor es excelente con la estructura y el ritmo, y completamente indiferente a si el argumento es verdadero.
Lo que el modelo no es: un testigo. No es una fuente primaria. No es un autor que rinde cuentas. Y no debe convertirse en el juez final de una pregunta simplemente porque puede enunciar una conclusión con fluidez.
La IA dibuja el mapa. No se convierte en el territorio.
Trata cada respuesta como un conjunto de pistas
Cuando un modelo dice que un informe encontró algo, el siguiente paso es abrir el informe. Cuando resume una decisión judicial, el siguiente paso es leer la decisión o un análisis legal confiable. Cuando describe un debate, el siguiente paso es encontrar la voz seria más fuerte de cada lado, no solamente las voces que el modelo alcanzó a recuperar.
La profesión legal aprendió esto en público. En 2023, dos abogados de Nueva York fueron sancionados tras presentar un escrito que contenía opiniones judiciales inventadas por un chatbot, con nombres de casos, números de expediente y citas internas incluidos. Lo vergonzoso no fue que la herramienta fabricara casos. Las herramientas fallan. Lo vergonzoso fue que verificar las citas habría tomado minutos en cualquier base de datos legal, y nadie dedicó los minutos.
Pero la cita fabricada es en realidad el fallo fácil de atrapar, porque se disuelve al contacto con una base de datos. Los errores sutiles son más peligrosos que los absurdos. Un modelo puede identificar el estudio, el autor y la fecha correctos, y luego exagerar lo que el estudio estableció. Una encuesta sobre lo que los trabajadores dicen de su productividad se convierte en evidencia de productividad medida. Una correlación se convierte en causa. Una recomendación en la sección de discusión se convierte en hallazgo. La cita parece real porque es real; la afirmación adjunta es la parte que se desvió.
Por eso verificar fuentes significa más que confirmar que un documento existe. Necesito confirmar que el documento dice lo que estoy a punto de decir que dice.
Usa una escalera de verificación
No toda oración merece la misma carga de investigación. Una ilustración hecha de pasada puede necesitar una revisión rápida. Una afirmación que involucra derecho, salud, dinero, teología, reputación o actualidad necesita más. Para las afirmaciones importantes, uso una escalera simple:
- Encuentra la fuente primaria. Ubica el artículo, el expediente, la transcripción, el conjunto de datos, la ley, la documentación del producto o la declaración original siempre que sea posible.
- Empareja la afirmación con la fuente. Lee suficiente contexto para saber si la evidencia respalda la redacción, no solo el tema.
- Revisa la fecha y la versión. Las herramientas de IA, las regulaciones, las funciones de los productos y los datos de las empresas cambian rápido. La respuesta exacta de ayer puede estar vencida hoy.
- Busca un contraargumento creíble. Busca evidencia contraria y la crítica metodológica más sólida.
- Guarda la fuente. Conserva el documento o un enlace duradero en tus notas para que la afirmación publicada pueda revisarse después.
Así se ve la escalera en la práctica. Supongamos que un modelo me dice que un informe federal concluyó que cierta categoría de avistamientos UAP se explicaba por actividad de drones. Paso uno: encontrar el informe real, no un artículo sobre el informe. Paso dos: leer la sección. A menudo el informe dice algo más acotado, como que los drones fueron la explicación evaluada para un subconjunto de casos con datos suficientes. Paso tres: revisar si un informe más reciente lo reemplaza. Paso cuatro: buscar críticas informadas a los métodos del informe. Paso cinco: archivar el PDF y el número de página. La oración publicada que sobrevive a este proceso suele ser más modesta que la que ofreció el modelo. También es una que puedo defender un año después.
La escalera es más lenta que copiar el párrafo del modelo. Sigue siendo mucho más rápida que hacer toda la búsqueda a mano, y preserva la parte de la investigación que importa: el contacto con la evidencia.
Haz que el modelo argumente en tu contra
Los modelos suelen tomar la forma de la pregunta. Si pido evidencia que apoye mi idea, son buenos suministrándola. Si presento una teoría con entusiasmo, tienden a sumarse al entusiasmo. La asistencia complaciente es cómoda, pero puede convertir una corazonada en un circuito cerrado.
Una de las instrucciones más útiles de mi repertorio es alguna versión de: ¿Cuál es el caso más fuerte de que estoy equivocado? También pregunto qué supuestos están cargando más peso, qué evidencia cambiaría la conclusión y cómo describiría un crítico cuidadoso la debilidad de mis fuentes. Cuando un borrador importa, lo paso por el modelo en una conversación nueva, sin contexto sobre mi intención, y le pido que revise la pieza como un verificador de datos hostil. La conversación nueva importa: un modelo que pasó una hora ayudándome a construir el argumento se ha unido, en efecto, a mi bando.
La respuesta no es automáticamente correcta por ser contraria. El valor está en que genera pruebas que quizá yo no habría inventado mientras defendía mi posición original. Algunos contraargumentos serán débiles. El que no lo es vale todo el ejercicio.
Separa recuperación, resumen y juicio
Estas actividades pueden sentirse como una sola conversación continua, pero son trabajos distintos. La recuperación pregunta qué material existe. El resumen pregunta qué dice ese material. El juicio pregunta qué peso merece y qué conclusión se sigue. La IA puede ayudar con los tres, pero su fiabilidad y su autoridad no son iguales en todos.
Me siento cómodo dejando que un modelo ordene una pila de documentos, proponga temas, compare definiciones o señale contradicciones. Me siento menos cómodo dejándolo decidir qué fuente es creíble sin revisar las razones: los juicios de credibilidad codifican supuestos sobre instituciones, incentivos y trayectorias que quiero visibles, no automatizados. Y no delego la conclusión final, porque una conclusión no es solo una oración. Es el compromiso de defender el razonamiento que la sostiene.
Pide procedencia, no citas decorativas
Una lista larga de enlaces puede crear la apariencia de investigación mientras esconde su ausencia. Prefiero tres fuentes que respalden directamente tres afirmaciones específicas que treinta enlaces vagamente relacionados con el tema. Para cada punto importante quiero saber: ¿De dónde salió esto? ¿Es una fuente primaria o secundaria? ¿Qué pasaje exacto respalda la redacción? ¿Qué la debilitaría?
Esto también es una técnica de instrucción. Pedirle a un modelo «fuentes» produce una bibliografía. Pedirle que adjunte una fuente a una oración, y que cite el pasaje que cree que respalda esa oración, produce algo que realmente puedo verificar, y con frecuencia revela que el respaldo era más delgado de lo que la síntesis confiada daba a entender. La disciplina no es más enlaces. Es una cadena más apretada entre cada afirmación y su evidencia.
Si no puedo responder esas preguntas, la afirmación no está lista para publicarse. Puede que el modelo me haya ayudado a descubrirla, pero el descubrimiento no es verificación.
Protege lo que no debe subirse
La disciplina de investigación también incluye disciplina de datos. La información privada de clientes, los registros confidenciales de negocios, el material personal inédito y las credenciales no tienen lugar en una herramienta solo porque subirlos sería conveniente. Antes de usar IA con un documento, pregunto si tengo el derecho de compartirlo con ese sistema y si los controles de datos del sistema corresponden a la sensibilidad del material.
En mi trabajo inmobiliario esto no es teórico. Los expedientes de transacciones contienen detalles financieros, circunstancias personales y posiciones de negociación que pertenecen a los clientes, no a mí. La pregunta «¿el dueño de este documento estaría cómodo con el lugar adonde estoy por enviarlo?» es un mejor filtro que cualquier lista de funciones. La conveniencia puede hacer que los límites parezcan anticuados. Las consecuencias de ignorarlos no lo son.
Conserva el peso de la autoría
La IA asiste en este sitio con esquemas, organización, transcripción, comparación, edición y descubrimiento de fuentes. Puede ayudarme a ver una pregunta más rápido o a expresar una respuesta con más claridad. Las conclusiones (lo que creo, lo que publico y lo que estoy dispuesto a corregir) siguen siendo trabajo humano.
La responsabilidad no puede delegarse en un sistema al que no se le pueden pedir cuentas.
Las herramientas mejorarán. Algunos de los modos de falla de hoy se volverán menos comunes, y aparecerán otros, probablemente más sutiles, porque el pulido de la superficie mejora más rápido que la fiabilidad de fondo. La ventaja duradera no es memorizar una lista de debilidades de los modelos. Es mantener hábitos que sobrevivan a los cambios de la tecnología: revisa la fuente, empareja la afirmación, busca el contraargumento, protege el material sensible y mantén el juicio donde vive la rendición de cuentas.
Usada así, la IA no reemplaza el pensamiento. Despeja parte del trabajo mecánico para que se pueda dedicar más tiempo a pensar.
Libros y lecturas adicionales
Divulgación de afiliados: Como Afiliado de Amazon, obtengo una comisión por las compras que cumplen los requisitos. Recomiendo estos libros porque son relevantes para el tema, no por la comisión.
- Co-Intelligence: Living and Working with AI — Ethan Mollick (en inglés). Un relato práctico de cómo trabajar con la IA como colaboradora sin perder de vista sus capacidades desiguales y sus límites.
- AI Snake Oil — Arvind Narayanan y Sayash Kapoor (en inglés). Una guía escéptica para separar los sistemas de IA útiles de las afirmaciones infladas, las evaluaciones débiles y los productos que prometen más de lo que pueden cumplir.
