Cómo verificar lo que dice la IA antes de usarlo

Un modelo de lenguaje puede darte una cifra falsa, una ley que no existe o una cita que nadie dijo, y entregártelo con una redacción impecable. Ese es el riesgo real de usar IA en el trabajo: no que se equivoque, sino que se equivoque sin que se note. Un error mal escrito lo cazas de inmediato; uno bien escrito llega a la junta.

La buena noticia es que verificar no exige conocimiento técnico. Exige cuatro comprobaciones y unos dos minutos, y se aplica igual a cualquier herramienta.

¿Por qué la IA se equivoca con tanta seguridad?

Porque no está consultando una base de datos: está prediciendo qué palabra sigue. Su trabajo es producir un texto que suene bien, y un texto que suena bien tiene cifras concretas, nombres propios y fechas exactas. Si no tiene el dato, el modelo genera algo con la forma correcta de un dato.

Es como un narrador con muchísima lectura y ninguna nota: cuenta la historia con fluidez, y cuando le falta una fecha pone una que encaje. No miente en el sentido humano — no sabe que no sabe.

De ahí la regla práctica: cuanto más específico y verificable es un dato, más hay que comprobarlo. Una explicación general de un concepto rara vez sale mal. Una cifra con dos decimales, un artículo de ley o una cita textual salen mal a menudo.

¿Cuáles son las cuatro comprobaciones?

1. Pídele que separe lo que sabe de lo que supone

Es la más rápida y la que más devuelve. Los modelos aceptan de buen grado marcar su propio nivel de certeza si se les pide explícitamente.

Revisa tu respuesta anterior y sepárala en tres listas:

1. AFIRMACIONES VERIFICABLES: datos concretos que podría comprobar
   en una fuente. Para cada uno, di qué fuente debería consultar.
2. INTERPRETACIÓN: lo que es tu criterio o tu lectura, no un hecho.
3. INCERTIDUMBRE: lo que no sabes con seguridad o podrías haber
   inventado, incluidas cifras, fechas, nombres y citas.

Sé estricto en la lista 3. Prefiero que sobre a que falte.

Lo que aparece en la lista 3 es tu lista de trabajo. Suele ser más larga de lo que esperabas.

2. Busca el dato en la fuente primaria

No en un buscador, en la fuente. Si dice "la ley X en su artículo 14", el sitio del organismo que publica esa ley. Si dice "según un estudio de 2025", el estudio. Si la fuente no aparece en dos minutos de búsqueda, trata el dato como inexistente hasta que se demuestre lo contrario.

Un atajo útil: pide el dato con su fuente desde el principio. No garantiza que la fuente sea real, pero te da algo que comprobar en vez de una afirmación al aire.

3. Pregunta lo mismo dos veces, en dos conversaciones

Abre un chat nuevo y pregunta el mismo dato con otras palabras. Si en el primero era 47 % y en el segundo 62 %, no tenía el dato en ninguno de los dos: lo estaba generando. Si coincide, no queda demostrado, pero baja bastante la probabilidad de invención.

Funciona porque en un chat nuevo el modelo no ve lo que dijo antes y no tiene por qué sostener su versión anterior.

4. Aplica la prueba de la consecuencia

Antes de usar el dato, pregúntate: si esto está mal, qué pasa.

Esa tabla es todo el criterio. No hace falta verificar con la misma severidad un borrador interno y una propuesta a un cliente.

¿Esto no anula la ventaja de ir rápido?

No, porque no todo lo que produce la IA necesita el mismo escrutinio. Redactar, resumir, reordenar y proponer estructura son tareas donde el modelo trabaja sobre texto que tú le diste: ahí el riesgo de invención es bajo y la ganancia de tiempo es completa.

El escrutinio se concentra donde el modelo aporta información nueva desde su memoria: cifras, normas, citas, referencias. Esa es una fracción pequeña del trabajo diario, y saber distinguirla es la diferencia entre usar IA con criterio y usarla con fe.

Dicho de otro modo: la IA es un colaborador rapidísimo y de memoria poco fiable. Se le delega la redacción sin miedo; los datos duros se comprueban siempre.