flowchart LR E["Experiencia<br/>lo que observas"] -- "el salto: una idea nueva<br/>(abducción, te toca a ti)" --> A["Ideas y supuestos<br/>lo que podría explicarla"] A -- "derivación<br/>(delegable, luego revisada)" --> P["Predicciones"] P -- "verificación contra la evidencia<br/>(delegable, luego revisada)" --> E
⚠️ Traducción en desarrollo. Esta edición en español aún no
incorpora las revisiones más recientes y puede contener pasajes
desactualizados. La edición en inglés
es la versión de referencia.
1 La IA es tu brazo, no tu cerebro
WarningEn desarrollo
Este capítulo forma parte de un libro en desarrollo activo y todavía no ha pasado por la revisión del autor. El contenido puede cambiar a medida que avanza la revisión.
La decisión de investigación. Una herramienta de IA puede entregarte un dato, un número, una cita o un párrafo terminado en segundos. Nada de eso es evidencia todavía. Tu decisión en este capítulo es qué tiene que ocurrir en el medio: cuál revisión convierte una salida en algo que firmarías con tu nombre, y qué haces cuando esa revisión falla.
1.1 Por qué importa esta decisión
La decisión sobre la mesa: qué tiene que pasarle a la salida de una IA antes de que aceptes llamarla evidencia.
Imagina una revisión de auditoría. Un contador público certificado (CPA) es un contador con licencia para dar el visto bueno a los estados financieros de una empresa, y esa firma lo vuelve personalmente responsable de los números. Ejemplo: el CPA que firma los estados anuales de una empresa es a quien acuden los inversionistas si las cifras resultan estar mal.
Cuando un CPA firma un estado financiero, no está diciendo que el software contable corrió sin errores. Está diciendo: “yo revisé esto y respondo por ello”. Esa es la postura que este libro te pide adoptar desde la primera página. Una herramienta de IA puede traer una estadística, redactar un párrafo o escribir código que funciona, todo en segundos, pero no puede firmar tu trabajo. Tú sí. Así que la pregunta que importa no es “¿qué puede producir la herramienta?”. Es “¿qué le entregué yo, y cómo revisé lo que me devolvió?”.
1.2 El concepto
La regla que da nombre al capítulo es la IA como tu brazo, no como tu cerebro: la herramienta puede alcanzar, buscar, redactar y calcular por ti, pero no le toca decidir qué es verdad ni qué afirmas tú. Ejemplo: dejas que redacte un resumen de una publicación de estadísticas oficiales y luego confirmas por tu cuenta cada número de ese resumen.
Dos movimientos ponen la regla en práctica. La delegación es entregarle a la herramienta una tarea bien especificada, como “encuentra tres fuentes publicadas con la tasa de desempleo del condado el año pasado”. La verificación es una revisión independiente, hecha con un método externo al modelo, de que el resultado de verdad es cierto. Ejemplo: abres la tabla de datos real de la agencia estadística y lees el número por tu cuenta, en lugar de confiar en lo que la herramienta escribió.
La verificación no se puede saltar porque una respuesta equivocada de la IA se ve exactamente igual que una correcta. Una alucinación es una salida segura y pulida que simplemente está inventada, como una cita a un informe que no existe. Ejemplo: una herramienta cita un salario inicial mediano y se lo atribuye a una “Encuesta Nacional de Ingresos de Egresados” que nunca se publicó. El tono es idéntico en lo real y en lo inventado, así que el tono no puede ser tu filtro. La recuperabilidad sí. Una fuente es recuperable cuando puedes abrir el documento real y confirmarlo, como cuando encuentras el informe verdadero a través de una biblioteca y lees la línea.
Algunos juicios nunca se delegan. Una decisión que nunca se delega es un juicio que sigue siendo tuyo por muy buena que se ponga la herramienta: qué pregunta persigues, qué autoriza tu evidencia, la ética del trabajo y cómo enuncias tu incertidumbre. Ejemplo: una herramienta puede listar varias maneras de ajustar precios antiguos por inflación, pero decidir cuál necesita tu análisis te toca a ti. El hábito que amarra todo esto es corto: Pregunta, luego Verifica, luego Documenta. Usa la herramienta con ambición, confirma por tu cuenta cada dato y cada número, y después registra la herramienta, la tarea y la revisión en un registro que viaja con tu trabajo.
¿Por qué trazar la línea exactamente ahí? Una respuesta corta viene de la historia del descubrimiento. Albert Einstein dibujó una vez la investigación como un ciclo: partes de la experiencia, saltas a una idea que podría explicarla y luego razonas de vuelta hasta predicciones que puedes comprobar. El salto hacia arriba tiene nombre. La abducción es el acto de inventar una explicación nueva para una observación sorprendente, una causa que nadie te entregó. Ejemplo: las ventas de una tienda caen cada tres semanas, y conjeturas que detrás hay un ciclo de pago de salarios, una hipótesis que no aparece en ninguna base de datos. Aquí está el ciclo en una imagen:
La investigación reciente en IA traza la misma línea. Un position paper de 2026 de Google DeepMind, LLMs can’t jump (Zahavy 2026), sostiene que la IA de hoy domina la búsqueda de patrones en datos y avanza rápido en la derivación paso a paso, pero todavía no puede dar el salto, porque no tiene experiencia del mundo desde la cual saltar, solo texto sobre el mundo. Su caso de estudio es el propio Einstein. Cuando empezó a construir la relatividad general, ninguna pila de mediciones fallidas lo empujaba; la física de Newton se ajustaba a los datos casi a la perfección. La idea nueva vino de imaginar qué se siente al caer, no de comprimir observaciones. Trátalo como una posición argumentada, no como una frontera establecida. Los artículos de posición existen para ser puestos a prueba, y las herramientas siguen mejorando. Este libro mantiene la pregunta, la afirmación y el juicio de tu lado del escritorio por una razón que vale en cualquier caso: quien responde por la afirmación eres tú, así que el salto es tuyo, para darlo y para defenderlo.
1.3 Un ejemplo trabajado
Quieres saber si las comidas en los restaurantes cerca de ti se encarecieron después de un aumento del salario mínimo local en 2019. No puedes comparar el precio de un menú de 2019 con el precio de hoy tal como están, porque un dólar compra menos ahora que entonces. Para compararlos necesitas el Índice de Precios al Consumidor (IPC), un número publicado que sigue en el tiempo cuánto cuesta la canasta de bienes de un hogar típico, donde un valor más alto significa que la misma canasta cuesta más.
Ordena el trabajo. Puedes delegar la localización de series de precios publicadas que sirvan como candidatas y el listado de los insumos que necesita un ajuste por inflación. Te quedas con tres cosas: decidir que un índice de precios al consumidor (y no uno de productor o mayorista) es la medida correcta para lo que pagan los hogares, elegir el año base al que conviertes cada precio, y juzgar si una fuente es autorizada. Le pides la serie a un asistente de IA y te devuelve que “los precios al consumidor subieron alrededor de 23 por ciento entre 2019 y 2025”, citando a una agencia estadística.
Ahora verifica. Abres la tabla de datos real de la agencia, lees tú los dos valores del índice y recalculas a mano el cambio porcentual. Si confirma el número, registras un insumo verificado. Si muestra un valor distinto, o no aparece por ningún lado, el número que te entregó la herramienta nunca fue evidencia. En cualquier caso, tu comparación descansa sobre un número que tú recuperaste, no sobre uno que escribió un modelo.
1.4 El laboratorio en Colab
Este capítulo tiene su propio cuaderno de acompañamiento: ábrelo en Colab con la insignia de arriba. El cuaderno reúne los prompts y el código del capítulo y termina con el espacio de trabajo Ahora te toca a ti, para que completes el paso del capítulo en tu proyecto sin salir de Colab. El laboratorio de aula completo detrás de este capítulo es el cuaderno del curso nb01, Research in the Age of AI: Your Arm, Your RA, Not Your Brain (abrir en Colab), parte del curso de acompañamiento presentado en el apéndice Para docentes. En el laboratorio corres una pequeña simulación con semilla que muestra por qué lo segura que suena una fuente no dice nada sobre si es real; después tomas un tema que te importe, le pides a una IA fuentes académicas y verificas cada una recuperándola por tu cuenta.
1.5 Prompts de IA recomendados
Comprométete primero con tu propia respuesta y después delega. Y espera un bucle en lugar de un solo tiro: preguntas, lees lo que vuelve, insistes en la parte que se ve floja, preguntas de nuevo. Ese ida y vuelta es como funciona el trabajo real con IA, y está bien. Lo que importa es dónde se detiene el bucle. Se detiene cuando tú corriste la revisión, no cuando la herramienta por fin suena segura.
Cada prompt de abajo entrega una tarea que puedes revisar, con una nota de verificación que nombra la falla contra la que te defiende.
Localizar fuentes candidatas (tú verificas cada una).
Act as an economic-research assistant. I need annual consumer price index values
for 2019 and 2025. List 3 candidate published sources, each with the exact table
or series name and the agency that publishes it. Only include documents you are
confident exist; mark anything uncertain.Después de ejecutarlo, verifica (contrarresta la fabricación confiada): abre cada documento por tu cuenta y lee el número. Una tabla que no puedes recuperar está inventada hasta que la encuentres.
Convertir una decisión en una lista de control (tú auditas la lista).
For converting a 2019 restaurant price into 2025 dollars, list every input my
calculation needs. For each, say why it belongs and which single choice most
governs the result.Después de ejecutarlo, verifica (contrarresta la ilusión de exhaustividad): una lista larga y ordenada todavía puede omitir la elección que gobierna tu respuesta. Compárala con una lista de control que hayas escrito antes, y confirma que la elección que gobierna es de verdad aquella sobre la que descansa la comparación.
Hacerle red team (revisión adversaria) a tu propia elección (tú te quedas con la decisión).
Here is my price index and base year for comparing 2019 and 2025 menu prices:
[paste it]. Act as a hostile referee. Name every place the choice reaches past my
evidence. Do not rewrite it for me; list the weaknesses.Después de ejecutarlo, verifica (contrarresta el acuerdo complaciente): si todas las objeciones son leves, o si califica tu elección de “bien balanceada”, insiste y pide el peor defecto, uno solo.
ImportantNo delegues
Estas siguen siendo tuyas, por muy fluida que suene la herramienta. Decidir qué medida encaja con tu pregunta y qué año base necesita la comparación. Juzgar si una fuente es lo bastante autorizada como para construir sobre ella. Fijar la afirmación que vas a defender y enunciar su incertidumbre. La herramienta reúne opciones y redacta prosa; elegir entre ellas, y responder por la elección, es el trabajo de quien investiga.
1.6 Un caso de falla de la IA
Pides el salario inicial mediano de quienes egresan de tu campo, y una fuente. La herramienta devuelve un valor nítido y se lo atribuye a “la Encuesta Nacional de Ingresos de Egresados 2024, Tabla 3”. Se lee como cualquier cita real que hayas visto: una encuesta de nombre oficial, un año, una tabla. Está fabricada, o el número no está en esa página.
Así es exactamente como la atrapas. No confías en la cita tal como llega. Buscas la encuesta en el catálogo de una biblioteca y, si abre, vas a la tabla que nombró y lees la línea. Si la encuesta no existe, o no tiene ese valor, la cita segura se derrumba. Las fuentes fabricadas suenan tan autorizadas como las reales, así que el único filtro confiable es abrir el documento.
1.7 Ahora te toca a ti
Tu proyecto empieza aquí. Todavía no hay pregunta ni datos, solo las dos cosas sobre las que descansará todo lo demás: el registro que llevas y el hábito de revisar.
- Abre una hoja de cálculo o un documento en blanco y titúlalo AI Research Ledger (tu registro de investigación con IA). Dale ocho columnas: tarea delegada, herramienta usada, prompt, resumen de la salida, decisión, método de verificación, preocupación pendiente y persona responsable de la investigación. Pon tu propio nombre en esa última columna ahora, y déjalo ahí por el resto del libro.
- Anota tres curiosidades genuinas de tu propia vida, tu trabajo o tu campo. Una oración cada una. No tres temas que te suenen impresionantes: tres cosas que de verdad te preguntas y de las que te gustaría una respuesta real.
- Debajo de cada una, escribe el único dato que necesitarías saber antes de poder tomarte en serio esa curiosidad como proyecto.
- Elige la curiosidad que no te puedes sacar de la cabeza y pídele a una herramienta de IA tres fuentes publicadas que hablen de ese dato. Antes de leer la respuesta, escribe qué esperas que diga.
- Registra el intercambio en tu AI Research Ledger y verifica al menos una salida con un método con nombre de la Guía de Verificación. Para una cita, el método es la lectura de la fuente primaria: abre el documento y lee la línea. Una IA revisora puede correr la revisión contigo; la decisión de aceptar o rechazar sigue siendo tuya.