La IA miente con confianza, formato perfecto y, a veces, citas inventadas. No lo hace con intención. Un modelo de lenguaje genera la continuación más probable de un texto; no consulta automáticamente una base universal de hechos verdaderos.
Eso cambia mi forma de usarla. No trato a la IA como un oráculo. La trato como un colaborador rápido cuyo trabajo necesita un nivel de revisión proporcional al riesgo.
Para resumir mis propias notas, el riesgo es bajo. Para citar una ley, calcular una cifra financiera o aconsejar sobre salud, la respuesta no se publica ni se ejecuta sin verificarla.
Qué aspecto tiene una alucinación
No siempre es una afirmación absurda. Las más peligrosas parecen razonables:
- una sentencia con número, fecha y tribunal que no existen;
- un enlace real cuyo contenido no respalda lo afirmado;
- una estadística plausible sin fuente primaria;
- una función de software que pertenece a otra versión;
- una conclusión correcta construida con datos inventados.
La fluidez no es evidencia. Tampoco lo son las comillas, una tabla o una bibliografía bien formateada.
Cuando pido «háblame del mercado de formación en IA», dejo cientos de huecos. ¿Qué país? ¿Qué periodo? ¿Qué cuenta como formación? Si el modelo no tiene acceso a datos actuales, puede completar esos huecos. El primer control, por tanto, ocurre antes de recibir la respuesta.
Técnica 1: separar hechos, inferencias y dudas
Uso este prompt cuando necesito un primer mapa de un tema:
Analiza la cuestión siguiente:
[pegar cuestión]
Separa la respuesta en tres apartados:
1. HECHOS: afirmaciones que puedas respaldar con una fuente
primaria identificable.
2. INFERENCIAS: conclusiones derivadas de esos hechos.
3. INCERTIDUMBRES: datos que no puedes confirmar o que pueden
haber cambiado.
Para cada hecho incluye fuente, autor u organismo, título,
fecha y URL directa. Si no puedes verificar una fuente, escribe
"NO VERIFICADO". No inventes referencias ni rellenes huecos.
Esto no garantiza que las fuentes sean correctas. Sí obliga a que las afirmaciones verificables queden separadas de la interpretación. Después abro cada enlace y compruebo que el texto original diga realmente lo que la IA atribuye.
Una referencia existe y aun así puede estar mal usada. Leo el párrafo relevante, reviso la fecha y busco el alcance: una encuesta de 80 empresas estadounidenses no demuestra automáticamente cómo se comportan todas las pymes españolas.
Técnica 2: convertir la respuesta en una lista de comprobación
Verificar un texto largo línea por línea es lento. Primero extraigo solo las afirmaciones que podrían cambiar una decisión:
TEXTO A REVISAR:
[pegar respuesta de la IA]
Extrae todas las afirmaciones factuales verificables. Prioriza
cifras, fechas, nombres propios, requisitos legales, citas,
capacidades de producto y comparaciones.
Devuelve una tabla con:
- ID
- Afirmación exacta
- Impacto si fuera falsa (alto/medio/bajo)
- Fuente necesaria para comprobarla
- Consulta de búsqueda recomendada
No evalúes todavía si son verdaderas.
Empiezo por las de impacto alto. Si preparo una presentación interna, que falle una fecha secundaria puede ser molesto. Si esa fecha define un plazo regulatorio, el mismo error puede cambiar una decisión y merece revisión primaria.
Esta priorización evita dos extremos: confiar en todo o perder una hora verificando detalles decorativos.
Técnica 3: pedir una revisión adversarial
Una segunda pasada con la misma conversación tiende a conservar los supuestos iniciales. Para trabajos importantes abro una sesión nueva o uso otro modelo. No le pido «¿estás seguro?», porque suele responder con otra muestra de seguridad. Le doy el papel de revisor adversarial:
Actúa como revisor independiente. No intentes defender el texto.
Tu objetivo es encontrar motivos para NO publicarlo.
BORRADOR:
[pegar texto]
Identifica:
1. Afirmaciones sin respaldo.
2. Fuentes que deben abrirse y comprobarse.
3. Saltos lógicos entre evidencia y conclusión.
4. Datos posiblemente desactualizados.
5. Lenguaje que exprese certeza excesiva.
Propón una corrección para cada problema. No añadas ningún dato
nuevo que tampoco puedas verificar.
El valor de la segunda IA no es que sea infalible. Es que ofrece otra distribución de errores. Si ambos modelos coinciden, sigo necesitando una fuente; dos predicciones parecidas no convierten una frase en un hecho.
Un flujo concreto para investigar
Mi proceso para un artículo con datos externos tiene cinco pasos:
- Defino qué pregunta quiero responder y el periodo relevante.
- Pido un mapa inicial con hechos, inferencias e incertidumbres.
- Convierto el borrador en afirmaciones verificables.
- Consulto las fuentes primarias: organismo oficial, documentación del fabricante, paper o datos originales.
- Reescribo con enlaces y un nivel de certeza honesto.
Cuando una fuente no está disponible, no disimulo la ausencia. Puedo eliminar la afirmación, presentarla como hipótesis o explicar la limitación.
Para resumir una fuente concreta uso una instrucción todavía más cerrada:
Responde usando únicamente el documento incluido abajo.
PREGUNTA: [pregunta]
DOCUMENTO: [pegar contenido]
Incluye para cada conclusión una cita literal breve y la sección
donde aparece. Si el documento no contiene la respuesta, di
"el documento no permite responder". No uses conocimiento
externo ni completes información ausente.
Así reduzco el espacio para inventar, aunque todavía compruebo que las citas sean literales.
Señales que me hacen parar
Desconfío cuando aparecen cifras muy precisas sin metodología, referencias que no enlazan al documento original, nombres de estudios demasiado convenientes o frases como «está demostrado» sin explicar por quién. También paro cuando la respuesta evita reconocer incertidumbre en un asunto reciente o discutido.
Otra señal es el cambio de respuesta al reformular la misma pregunta. Puedo probarlo así:
Revisa tu respuesta anterior. Enumera las tres afirmaciones con
mayor probabilidad de ser incorrectas o estar desactualizadas.
Explica qué evidencia primaria necesitarías para mantener cada
una. Si no tienes esa evidencia, retírala del texto revisado.
No uso este prompt como sello de calidad. Lo uso para descubrir puntos que merecen comprobación humana.
La regla depende del riesgo
No todos los outputs requieren el mismo control. Clasifico el uso antes de empezar:
- Bajo riesgo: lluvia de ideas, reformulación, borradores internos. Revisión rápida.
- Riesgo medio: contenido público, análisis comercial, comparativas. Fuentes abiertas y contraste.
- Alto riesgo: legal, salud, finanzas, empleo, seguridad. Especialista responsable, fuentes primarias y trazabilidad.
La IA acelera la producción. La responsabilidad no se transfiere al modelo. Quien firma, publica, recomienda o ejecuta sigue siendo una persona o una organización.
En IAcademy enseñamos esta alfabetización práctica dentro de 290 módulos y 23 especializaciones. Los Founding Members entran desde 19 EUR —Itinerario 19, Pro 99 y Pro+Mentoría 249— con precio bloqueado hasta el 15 de octubre de 2026 y garantía de 30 días o 5 horas ahorradas.
Si quieres ir más allá
Empieza por los módulos gratuitos y consulta los planes Founding. La próxima vez que uses una cifra generada por IA, abre primero la fuente original.
Top comments (0)