Cómo investigar y verificar datos con IA: el modo deep research

En corto: el modo deep research es aquel en el que la IA no responde al instante, sino que lanza por su cuenta decenas de búsquedas, abre páginas y arma un informe con fuentes en 5–30 minutos. Te ahorra horas, pero no te libra de verificar: el modelo sigue pudiendo malinterpretar una fuente o citar una página que no existe. Una sola regla: abre tú los enlaces. Lo que viene no es teoría, es un recorrido por nuestro propio estudio de mercado: qué sacamos, qué volvimos a comprobar y qué, con toda honestidad, no conseguimos.

En qué se diferencia de un chat normal con búsqueda

Un chat normal con búsqueda web lanza una o dos consultas y responde en segundos. El modo de investigación funciona distinto: parte tu pregunta en subpreguntas, busca cada una, lee lo que encuentra, detecta contradicciones, busca lo que falta y solo entonces escribe un informe estructurado con notas al pie. Es un bucle de «buscar → leer → afinar», repetido muchas veces sin ti.

De ahí la diferencia de sensación: una respuesta normal es la opinión de un interlocutor bien leído; un informe de deep research es el borrador de una nota de analista. Con una bibliografía que puedes comprobar. O no comprobar, y tropezar con el mismo rastrillo.

Y aquí está lo que conviene entender de entrada. El modo cambia la economía de la investigación, no su naturaleza. Recorrer cuarenta páginas te costaba antes un día. Ahora cuesta diez minutos de espera. Pero decidir qué cuarenta páginas valían la pena, y qué se deduce de ellas, sigue siendo cosa tuya. La herramienta abarató la recolección y no hizo absolutamente nada por la verificación. La verificación se quedó donde estaba, y por eso el resto de este artículo va sobre todo de verificar.

Dónde lo encuentras

• ChatGPT: modo Deep Research, normalmente en los planes de pago, con un límite mensual de ejecuciones.
• Gemini: Deep Research, integrado en la interfaz, muestra su plan de investigación antes de arrancar.
• Claude: modo Research con búsqueda web y trabajo con varias fuentes.
• Perplexity: nacido para buscar, con un modo de investigación aparte.

Los nombres y los límites cambian casi cada mes, así que memoriza el principio y no la marca: si una herramienta te enseña una lista de fuentes y tarda minutos en vez de segundos, ese es el modo. En qué se diferencian los modelos en general lo cubrimos en ChatGPT vs Claude vs Gemini.

Cómo encargarlo para que el informe sirva de algo

El error clásico es soltar un tema de una línea («el mercado del coche eléctrico en Europa») y esperar magia. El modo se ejecutará y te devolverá relleno. Acota la tarea en cuatro ejes: la pregunta, los límites (periodo, región, tipos de fuente), el formato y qué hacer con la incertidumbre.

En vez de describirlo en abstracto, míralo. Pulsa «Ejecutar» y el modelo convertirá un tema vago en un encargo de verdad delante de ti. Luego cambia el tema por el tuyo.

Eres editor de encargos de investigación. Aquí tienes una petición
tal cual la mandó un cliente: «Necesito un panorama del mercado
del coche eléctrico en Europa».

Es un mal encargo. Reescríbelo como uno operativo, en cuatro ejes:

1. LA PREGUNTA. Parte el tema en 4-6 preguntas concretas que se
   puedan responder con hechos y no con razonamiento. Mala pregunta:
   «cuáles son las perspectivas del mercado». Buena pregunta: «cómo
   ha evolucionado la cuota del coche eléctrico en las matriculaciones
   nuevas por país en los últimos tres años».
2. LÍMITES. Propón un periodo, una región y un orden de prioridad
   para los tipos de fuente. Di de forma explícita qué fuentes cuentan
   como primarias en este tema y cuáles son refritos.
3. FORMATO. Describe la estructura del informe y la regla de cita:
   qué tiene que ir junto a cada cifra.
4. INCERTIDUMBRE. Redacta la sección que el investigador está obligado
   a rellenar: dónde discrepan las fuentes, qué no se ha podido
   encontrar, qué afirmaciones se apoyan en poco.

Termina con 5 «trampas de este tema»: las cifras y afirmaciones típicas
que viajan de artículo en artículo en este campo sin fuente primaria.
Explica por qué merece la pena volver a comprobar cada una.

Ese último eje, la incertidumbre, es el más valioso y casi nadie lo pide. Convierte el informe de «texto seguro de sí mismo» en un mapa de lo que se sabe, que enseña dónde el suelo es firme y dónde hay pantano. Los fundamentos de cómo formular peticiones están en qué es un prompt, y los ejemplos resueltos, en nuestra biblioteca de prompts.

La trampa principal: fuentes que no existen

Los modelos de lenguaje se inventan fuentes. No de vez en cuando, ni solo los «modelos malos»: es sistémico. El modelo genera una continuación verosímil del texto, y una URL verosímil con un título de artículo verosímil le sale igual de fácil que una real. La mecánica está desmenuzada en alucinaciones de la IA: por qué los modelos se inventan cosas.

El modo de investigación reduce el riesgo porque visita las páginas de verdad. No lo elimina. Tres vías por las que la invención se cuela en un informe terminado:

• Enlace muerto. La fuente se ha movido o nunca existió; en el informe las dos cosas se ven igual de respetables.
• El enlace funciona, pero la afirmación no está ahí. El caso más habitual y más traicionero: la página abre, parece relevante, pero la cifra del informe sencillamente no aparece; el modelo puso el énfasis de su cosecha.
• Cadena de refritos. El informe cita un blog, el blog cita una noticia, la noticia cita «un estudio» que nadie ha visto. Formalmente hay nota al pie. De hecho, no hay fuente primaria.

La conclusión es incómoda, pero honesta: una nota al pie no es una verificación, es la promesa de una verificación. Verificar te toca a ti.

Seis casos de nuestra propia investigación

Lo que viene no son ejemplos de manual. Hicimos nosotros mismos un estudio del mercado de cursos de IA (datos extraídos el 17/07/2026): sacamos precios y métricas de cursos de una API interna de Udemy, reunimos las estadísticas de matriculación de Coursera y leímos lo que escribieron de verdad los alumnos descontentos. Es un material cómodo para enseñar todos los rastrillos de golpe, porque pisamos todos.

Caso 1. La fuente primaria contra el «todo el mundo lo sabe»

La sabiduría popular dice que los cursos de Udemy cuestan 200 dólares y están permanentemente rebajados un 90%. Pregúntale a cualquier modelo: te lo repetirá con aplomo, porque lo dicen miles de artículos. Nos metimos en la respuesta cruda de la API (el endpoint price_text) y vimos esto:

Eres un analista que lee respuestas crudas de API y no se cree
el marketing. Aquí tienes un fragmento de la respuesta de la API
de la página de un curso (lo obtuvimos el 17/07/2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Tus tareas:
1. Di qué demuestra este fragmento y qué no. Separa ambas cosas
   con rigor.
2. La afirmación popular es: «esta plataforma está siempre de
   rebajas; un curso de 200 euros se vende por 20». ¿El fragmento
   refuta esa afirmación? ¿Del todo o solo en parte?
3. Da tres explicaciones alternativas con las que el fragmento y
   la afirmación popular podrían seguir siendo compatibles.
4. Nombra otros tres campos o consultas que exigirías para zanjar
   la cuestión definitivamente. Explica en cada caso qué duda
   concreta despeja.
5. Escribe la conclusión tal como podría publicarse: una frase,
   sin exagerar, con una advertencia explícita sobre los límites
   de los datos.

Lo que encontramos: no hay descuento. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. El curso cuesta 24,99 €, y 24,99 € es también su precio completo. De los doce cursos más vendidos que capturamos, once están a 19,99 €; uno (The Complete AI Guide), a 24,99 €. Ningún «antes 199,99 €» por ninguna parte.

Ahí tienes toda la lección sobre fuentes primarias en un párrafo. Existía una creencia masiva, se había publicado miles de veces y sonaba de lo más verosímil. Ningún deep research la habría desmontado: el modelo habría encontrado esos mismos miles de artículos y los habría resumido con toda diligencia. Lo único que la refuta es una respuesta de servidor legible por máquina que alguien tenía que ir a buscar. El deep research es magnífico encontrando el consenso y casi incapaz de encontrar lo que el consenso pasó por alto.

Así que antes de lanzar una ejecución, hazte una pregunta desagradable: ¿es probable que mi respuesta esté escrita en alguna parte, o vive en una base de datos, un registro, una API, una lista de precios, un expediente judicial? Si es lo segundo, el informe te entregará un resumen preciosamente documentado de lo que todo el mundo cree, y no habrás aprendido nada.

Caso 2. La cifra que no pudimos conseguir

Nuestro estudio contiene una línea que me gusta más que cualquiera de sus números: el precio exacto de ChatGPT Plus, sin confirmar, todos los dominios de OpenAI devolvieron 403. Sabemos ese precio a ojo, como todo el mundo. Pero la fuente primaria se negó a dárnoslo, así que en nuestro archivo interno está marcado como de segunda mano y prohibido su uso como hecho.

El precio del Personal Plan de Udemy lleva la misma marca: 20,00 €/mes, 10,00 €/mes en promoción, sacado de la página de aterrizaje porque udemy.com le devolvió 403 a nuestro rastreador. La cifra está en el informe, pero su procedencia está justo al lado.

Esto es lo que peor hacen los informes de deep research. El modelo odia volver con las manos vacías. Si la fuente primaria no está disponible, sustituirá calladamente la cifra por una de un refrito y no dirá ni una palabra. La distinción entre «lo hemos verificado» y «hemos encontrado una mención» se esfuma sin dejar rastro dentro de su prosa. Exige de forma explícita una sección de «lo que no he podido encontrar»: sola no aparecerá jamás.

Y fíjate en la forma del fallo. No es una alucinación. La cifra probablemente sea correcta. Lo que falta es la etiqueta. Un número correcto sin etiqueta y uno erróneo sin etiqueta se ven idénticos en la página, y justo por eso la etiqueta importa más que el número.

Caso 3. Una fuente con autoridad y un método roto

Preparando la localización nos topamos con el EF English Proficiency Index, el ranking de nivel de inglés más citado del mundo. Coloca a Rumanía en el puesto 11. Cualquier informe de IA sobre idiomas lo traerá el primero: está en todas partes, parece estadística, los medios lo citan.

Lo tiramos entero. Y por esto. Su muestra es autoseleccionada, y lo dice el propio EF en su metodología: hacen el test quienes deciden por su cuenta comprobar su inglés en la web de una escuela de idiomas. La edad media de quien lo hace es 26 años. Compara ahora con fuentes de muestra probabilística: el Eurobarómetro 540 (n = 26 523) y Eurostat AES 2022 coinciden en que Rumanía es la peor de la UE: el 51,2% de la población no habla ningún idioma extranjero y el 25% habla inglés. Undécima del mundo y última de la UE no es una horquilla de estimaciones. Son afirmaciones incompatibles, y una de las dos la fabricó un método roto.

De ahí una regla que vale más que cualquier lista de comprobación: mira cómo se produjo una cifra, no quién la publicó. El deep research ordena las fuentes por autoridad y notoriedad, y un método roto es precisamente lo que hace notoria a una fuente, porque produce cifras limpias y citables. Una encuesta seria informa de rangos e intervalos de confianza; un test autoseleccionado publica una tabla de clasificación. Adivina cuál gana la carrera de las citas.

Caso 4. Un estudio que no dice lo que parece decir

El único experimento revisado por pares que encontramos sobre nuestro tema: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Ensayo controlado aleatorizado, n = 2263 estudiantes suecos, un curso de programación en línea, con asignación aleatoria a la versión sueca o a la inglesa.

El resultado: abandono del 57% en sueco frente al 71% en inglés (φ = 0,2; p < 0,00001). Nota media entre quienes se quedaron: 16,9 frente a 14,3, tamaño del efecto δ = 0,085, insignificante.

Mira ahora lo que pasó ahí. En notas, no hay prácticamente diferencia. La redacción tentadora es «el idioma no afecta a los resultados»: la cifra existe, la significación no. Pero en abandono la brecha es enorme. El inglés no dañó la comprensión: hizo que la gente se fuera. Son afirmaciones distintas, y la segunda solo la ves si miras qué midió el estudio y en quién. El nivel de inglés autopercibido, por cierto, no protegía nada del abandono.

Los informes de deep research se rompen justo aquí, y de forma fiable. Resumen la conclusión del resumen y no la construcción del estudio. Un resumen es en sí mismo un refrito, solo que escrito por los autores. Si una afirmación te importa, lo que vale la pena leer son dos cosas: la sección de método y la tabla. Todo lo demás en un artículo es prosa.

Caso 5. Una cifra que parece una respuesta y no lo es

Dimensionando el mercado por idioma, dimos con los contadores de cursos de Udemy: tantos cursos en español, cero en sueco. Una cifra preciosa, una diapositiva ya hecha. Solo que mide la oferta, no la demanda. Cero cursos en sueco es o bien un nicho vacío al que deberías correr, o bien la prueba de que allí no hay mercado. Una cifra, dos conclusiones opuestas y ningún dato para elegir entre ellas. Así que eso escribimos: ambiguo.

Una costumbre útil: antes de meter una cifra en una conclusión, pregúntate qué decisión contraria apoyaría también esa misma cifra. Si apoya las dos, no es un argumento: es decoración. El deep research produce decoración así a paladas, porque un número con una fuente pegada pasa cualquier prueba superficial.

Caso 6. El tamaño del efecto contra el tamaño del titular

La industria de la localización promete un crecimiento «del +40–70%». Fuimos a buscar confirmación independiente y encontramos exactamente dos mediciones. eBay, al desplegar traducción automática: +10,9% de exportaciones (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019), y el efecto caía a medida que subía el precio del artículo. Un test A/B de Wikimedia: +3,64%. La promesa del «+40–70%» no tiene nada independiente detrás.

La distancia entre el 3,64% y el 70% no es una discrepancia sobre una cifra. Es la diferencia entre una medición y un anuncio. Y fíjate en el detalle del efecto que mengua cuando sube el precio: solo existe en el artículo y desaparece en cada refrito, porque estropea el titular. Los matices mueren primero: son lo primero que se amputa en una cadena de refritos, mucho antes de que se distorsione la cifra.

Verificar un informe en 5 minutos

1. Enumera las afirmaciones de las que depende algo. Suelen ser 3–7 por informe, no cuarenta. Lo demás es contexto, donde un error no cuesta nada.
2. Abre el enlace de cada una. ¿Carga? Entonces Ctrl+F con la cifra o la palabra clave. ¿No está? La afirmación no está respaldada. Punto.
3. Remonta hasta la fuente primaria. Si la nota lleva a una noticia sobre un informe, busca el informe. Las cifras mutan por el camino y los matices se caen.
4. Comprueba la fecha. Un informe «recién hecho» se monta fácilmente con artículos de hace cinco años si no acotaste el periodo.
5. Comprueba el método, no la marca. ¿Cómo se produjo la cifra? ¿A quién se preguntó y cómo se le eligió? Nuestro caso de EF va exactamente de esto.
6. Pide lo contrario. Lanza una segunda pasada: «busca argumentos en contra de la conclusión X y datos que la contradigan». Si no sale absolutamente nada, la búsqueda fue superficial.

Los primeros cinco minutos se pagan solos evitándote citar una invención. El sexto paso se paga solo evitándote citar una verdad que no significa nada.

Aquí tienes un auditor listo para los pasos 1–3. El prompt es autosuficiente: el informe va dentro, así que ejecútalo tal cual.

Eres verificador de datos. Te han dado el fragmento de un informe
de IA. Tu tarea no es comprobar los hechos (no tienes internet),
sino construir un plan de verificación y ordenar las afirmaciones
por riesgo.

FRAGMENTO DEL INFORME:
«El mercado de cursos de IA en línea está en pleno auge. Según
estimaciones del sector, el mercado alcanzará los 47 000 millones
de dólares en 2030 (fuente: el blog de una agencia de marketing,
2025). Los cursos se venden con un descuento medio del 87%: las
plataformas prácticamente los regalan. El curso más grande ha
atraído a más de 400 000 alumnos. Los expertos coinciden en que
el vídeo sigue siendo el formato preferido por la mayoría de los
estudiantes. Un estudio ha demostrado que localizar el contenido
sube la conversión entre un 40 y un 70%.»

Haz cuatro cosas:

1. DESGLOSE. Escribe cada afirmación en su propia línea. Etiqueta
   cada una: hecho medible / previsión / estimación / opinión
   reformulada / tópico de marketing.
2. RIESGO. Asigna a cada afirmación un riesgo de estar inventada
   o distorsionada: alto / medio / bajo. Justifícalo en una frase.
   Presta especial atención a las cifras sin fecha ni método y a
   las construcciones «los expertos coinciden» y «un estudio ha
   demostrado».
3. PLAN. Para las tres afirmaciones más arriesgadas, escribe qué
   fuente primaria concreta zanjaría la cuestión y qué única
   consulta le harías.
4. REESCRITURA. Reescribe el fragmento de modo que solo quede
   aquello por lo que se puede responder, y todo lo demás quede
   marcado explícitamente como no verificado. No inventes nada:
   donde no haya datos, dilo.

Cuando tus fuentes son personas

La mitad de nuestro estudio no son cifras, son reseñas. Recogimos 26 citas literales de alumnos descontentos, con autor y fecha (más dos de foros, que contamos aparte, porque un mensaje de foro no es una reseña de curso). Sobre los cursos en vídeo, por ejemplo:

«why read straight from the slide? I can do that. This was not a helpful course at all» — Janie I., 02.07.2026, 1★

«50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website» — Shashank T., 13.04.2026, 1★

Lo importante es lo que hicimos después. No escribimos «los alumnos están descontentos en masa». Contamos la proporción de reseñas negativas (≤3,5★): Generative AI for Beginners, 9,61%; The Complete AI Guide, 10,36%. O sea, más o menos uno de cada diez. Las citas son vívidas, pero ilustran a una minoría, y eso tiene que ir justo al lado en el texto.

La segunda advertencia honesta: en Coursera, el filtro de reseñas por estrellas ocurre en el navegador; el HTML del servidor devuelve siempre la primera página. Es decir, nuestras citas de allí salen de la página por defecto que ve cualquier visitante, no de una muestra sistemática. Eso debilita la afirmación, así que lo dejamos escrito.

La regla: una cita prueba que una opinión existe, no cómo de extendida está. Un informe de deep research cosido a partir de reseñas siempre se lee como una sentencia, porque el grito suena más que el silencio y la gente escribe reseñas negativas mucho más de buena gana que neutras. Exige el denominador. Si el informe te da cinco citas furiosas y ningún porcentaje, no te ha contado nada sobre el mundo: te ha contado que el texto enfadado es fácil de encontrar.

Distinguir un buen informe de uno bonito

Los informes de deep research casi siempre parecen convincentes: titulares, viñetas, notas al pie, un tono analítico uniforme. La belleza de la forma no dice nada de la calidad del fondo.

• Cuántas fuentes distintas sostienen las afirmaciones clave. Si todo el informe se apoya en dos páginas, no es investigación: es el refrito de dos páginas.
• Si varían los tipos de fuente. Un informe hecho solo de blogs y medios es débil. Uno con material primario (respuestas crudas de API, estadísticas, documentación, cuentas anuales, artículos científicos) es fuerte.
• Si constan las fechas. Una afirmación sin fecha en un tema que se mueve rápido no sirve casi de nada.
• Si consta el método. A quién se preguntó, a cuántos, cómo se les seleccionó. Sin eso, «una encuesta demostró» es una muletilla, no una prueba.
• Si se admite la incertidumbre. Un buen informe dice en algún punto «los datos divergen» o «no se encontró confirmación». Un informe en el que todo es inequívoco resulta sospechoso: la realidad no es así.
• Si se separan los hechos de las conclusiones. «Las ventas crecieron un X%» y «el mercado va camino de un auge» son afirmaciones de clase distinta.

Somete tu conclusión a este esfuerzo. Funciona sin internet: ataca la lógica del texto, no los hechos.

Eres abogado del diablo. Tu trabajo es intentar destruir la
conclusión de abajo. No seas educado ni busques el equilibrio.

CONCLUSIÓN: «El vídeo pierde frente al texto para enseñar
competencias digitales a adultos, porque el vídeo no se puede ojear
al ritmo de cada uno, mientras que el texto trae transcripción
por definición».

LAS PRUEBAS EN LAS QUE SE APOYA LA CONCLUSIÓN (reseñas reales de
los cursos en vídeo más vendidos, recogidas el 17/07/2026):
- «It is too fast for a beginner... until you try to see and
  understand it the next screen pops up» — Amit A., 29.04.2026,
  2 estrellas, sobre The Complete AI Guide
- «I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly»
  — Vince D., 16.03.2026, 1 estrella, curso no registrado
- proporción de reseñas de 3,5 estrellas o menos de The Complete
  AI Guide: 10,36%

Haz cinco cosas:
1. Señala el punto más débil de este argumento.
2. Explica qué prueban estas reseñas y qué no. Aparte: ¿qué le hace
   la cifra del 10,36% a la fuerza de la conclusión, la apoya o la
   socava?
3. Construye el contraargumento más fuerte: ¿en qué condiciones gana
   el vídeo al texto, y para quién exactamente?
4. Inventa los datos que refutarían la conclusión de plano. Describe
   el estudio que los produciría.
5. Reescribe la conclusión de forma que sea honesta con las pruebas
   disponibles. Probablemente quede más estrecha y más aburrida.
   No pasa nada.

Sobre la cadena de refritos en particular

El fallo más silencioso de todos. El enlace está vivo, la página abre, la cifra está ahí, y no hay fuente primaria por ninguna parte, porque todos se citan unos a otros en círculo. El deep research está indefenso aquí: formalmente, todas las notas al pie son válidas. Nada en la estructura del informe puede decirte que todo el edificio se apoya en una nota de prensa que no citaba nada.

Aquí tienes ese mismo «+40–70%» paso a paso. El informe de IA afirma que «la localización sube la conversión entre un 40 y un 70%» y enlaza al blog de una plataforma de traducción. El blog, 2025: «los estudios muestran un incremento del 40–70%», con enlace a la nota de prensa de una asociación sectorial. La nota de prensa, 2024: «en una encuesta a participantes del mercado, las empresas declaran crecimientos de hasta el 70%», sin ningún enlace.

Mira dónde se rompió. Entre la nota de prensa y el blog, «las empresas declaran crecimientos de hasta el 70%» se convirtió en «los estudios muestran crecimientos del 40–70%». La autodeclaración de partes interesadas se transformó en «estudios», el «hasta el 70%» se transformó en una horquilla del «40–70%» y el límite inferior salió de la nada. Al tercer refrito ya se lee como una medición. Y ni un solo enlace de esa cadena es formalmente falso, que es exactamente por lo que comprobar las notas al pie a máquina no te salva aquí.

Mientras tanto, la medición de verdad estaba ahí al lado y nunca entró en la cadena: el +10,9% de eBay, con el efecto cayendo a medida que subía el precio. La fuente primaria perdió contra el refrito porque ofrecía una cifra peor.

Cuándo el modo de investigación es la herramienta equivocada

• Necesitas un solo dato. Una tarifa, una fecha, una definición: la búsqueda de siempre es más rápida.
• El tema tiene menos de un día. La indexación y el acceso a páginas recientes son irregulares; las noticias de última hora, léelas con tus propios ojos.
• Los datos están tras un muro. Bases de pago, documentos internos, artículos de pago: el modelo no entra y, peor aún, montará un panorama con refritos de resúmenes. Nuestros 403 de Udemy y OpenAI son exactamente este tipo de problema.
• Necesitas lo que el consenso pasó por alto, no el consenso. La historia del descuento de Udemy marca la frontera del género: lo que no está escrito en ninguna parte, el modo no lo puede encontrar, por definición.
• Está en juego algo médico o legal. Un informe vale como mapa del terreno y lista de fuentes, no como base para decidir.

Cómo encajarlo en tu forma de trabajar

El patrón que funciona: el deep research cartografía el campo (quién dice qué y dónde) → tú dedicas 5 minutos a verificar las afirmaciones clave → le pides al modelo que reescriba el informe dejando solo lo confirmado y que enumere aparte lo descartado. La salida es un texto corto que puedes defender línea a línea.

Así está construido, exactamente, el archivo que hay detrás de este artículo. Tiene una sección titulada «lo que no tenemos»: el precio de ChatGPT Plus (403), el filtro de reseñas de Coursera (del lado del cliente), Reddit (inaccesible para nuestro rastreador) y una nota que dice que nuestras tres fuentes sobre una cuestión concreta son usuarios avanzados y no los principiantes que nos interesan: muestra pequeña, y lo dijimos. Esa sección es incómoda, porque enumera en público nuestros agujeros. Y es también la única razón por la que el resto de las cifras merece algo de confianza: con un autor que admite tres agujeros, el cuarto es más fácil de encontrar que con un autor al que todo le cuadró perfectamente.

Pídele lo mismo a tu informe. No «¿estás seguro?»: el modelo dirá que sí. Pregunta: ¿qué afirmaciones de aquí retirarías si tuvieras que apostar dinero por cada una? Las respuestas suelen ser concretas y suelen ser las mismas tres afirmaciones sobre las que ibas a construir una decisión.

Ten presente también la higiene básica: no metas datos sensibles ni ajenos en el modo de investigación; la privacidad al trabajar con IA se aplica igual que en un chat normal. Si todavía te estás haciendo al chat, empieza por la guía de ChatGPT para principiantes. Y si tu informe se torció en el razonamiento y no en los hechos, eso es otra historia: la de cómo los modelos acumulan errores paso a paso.