Verifica siempre los datos importantes

Dame la respuesta y al lado la fuente (con enlace)
de cada dato. Si no estás seguro de algo, decímelo
en vez de inventar.

Los modelos a veces “alucinan”: inventan datos con un tono tan convencido que parecen ciertos. No mienten a propósito; es cómo funcionan, predicen texto que suena correcto aunque el dato concreto no exista. El problema no es solo que se equivoquen, sino que no avisan: una cifra falsa y una verdadera se entregan con la misma seguridad. Para cualquier cosa que tenga consecuencias (un precio, una fecha, una ley, una cita, una dosis, un nombre propio), la IA te sirve para el borrador, pero la confirmación la haces tú.

Esto no es una pega menor que se arreglará pronto. Es una característica estructural de cómo se entrenan estos modelos: aprenden patrones de lenguaje, no hechos verificados. Cuanto más reciente, específico o nicho es el dato, mayor el riesgo de invención. Los modelos con buscador integrado (Perplexity, ChatGPT con búsqueda, Gemini, Grok) reducen el problema, pero no lo eliminan del todo: pueden citar mal o resumir mal una fuente real.

Aplica este truco siempre que el dato vaya a usarse para decidir, publicar o aconsejar a alguien. Para conversación informal o exploración, las imprecisiones tienen poco coste; en cuanto el dato sale de tu pantalla, el chequeo deja de ser opcional.

Cómo aplicarlo

1. Pide la fuente de cada dato. “Al lado de cada afirmación, pon la fuente con enlace”. Si la IA no puede citar nada, ya es una señal de alarma: significa que está rellenando con plausibilidades.
2. Dale permiso explícito para dudar. “Si no estás seguro de algo, dímelo en vez de inventar”. Esta frase, por simple que parezca, reduce de forma notable las alucinaciones porque le quita la presión de “tener que responder”.
3. Usa una IA con buscador para datos actuales. Perplexity, ChatGPT con búsqueda activada, Gemini o Grok con DeepSearch consultan la web y muestran las fuentes. Para precios, normativa, noticias o cifras recientes, son mucho más fiables que un modelo respondiendo de memoria.
4. Pega tú la fuente cuando puedas. Si tienes el documento, la página o el PDF, súbelo y pide que responda solo con base en ese material. “No utilices conocimiento externo, solo lo que está en este texto”. Así reduces la invención casi a cero.
5. Verifica tú lo crítico. Abre la fuente citada y confirma que dice lo que la IA afirma. A veces la cita existe pero está descontextualizada o malinterpretada. La IA acerca el dato; el chequeo final es tuyo.
6. Contrasta dos modelos en lo dudoso. Pasa el mismo dato por dos IAs distintas. Donde coincidan, probablemente sea cierto. Donde difieran, ahí miras con lupa y vas a la fuente original.
7. Pídele que se autocritique. “Revisa tu respuesta y señala qué partes podrían estar mal, desactualizadas o sin respaldo claro”. Es sorprendente lo bien que detectan sus propios puntos débiles cuando se les pide.

Mira el bloque ejemplo del frontmatter para ver el prompt corto que combina petición de fuentes con permiso para decir “no sé”.

Ejemplos en contexto

Caso 1: investigar un trámite. Preguntas cuánto cuesta hoy renovar el DNI en España. Un modelo sin buscador puede darte una cifra de hace dos años con total aplomo. En cambio, pides: “dame el dato con la fuente oficial y el enlace; si no tienes información actual y verificable, dímelo en vez de estimar”. Si la IA no puede citar la sede electrónica o el BOE, te avisa y vas tú a la fuente.

Caso 2: preparar una charla con citas. Necesitas tres citas de autores reconocidos sobre productividad. Pides citas con autor, libro y página. La IA te devuelve frases plausibles, pero algunas autorías son inventadas. Cuando le añades: “no incluyas ninguna cita que no puedas verificar en una fuente concreta y enlazable”, el número de citas se reduce y la calidad sube.

Caso 3: análisis de un documento legal. Subes el contrato y pides: “analiza este texto y dime las cláusulas que más me convienen revisar. Cita el número y la frase exacta del contrato en cada caso. No menciones cláusulas que no aparezcan en el documento”. Al limitar la respuesta al material aportado, eliminas el riesgo de que invente artículos o jurisprudencia.

Errores comunes

• Confiar en el tono. Cuanto más seguro suena un modelo, más fácil bajar la guardia. La seguridad es estilística, no garantía de verdad.
• Aceptar fuentes que no abres. Una URL citada no es una prueba: puede no existir, ser otra página o decir algo distinto. Si la usas, ábrela.
• Pedir datos muy recientes a un modelo sin acceso a la web. Si no puede buscar, responderá con lo que sabía hace meses y no te avisará de que está caducado.
• Olvidar la cláusula de “dilo si no sabes”. Sin ella, el modelo se siente obligado a responder algo y rellena con lo que sea.
• Tratar los modelos con buscador como infalibles. Reducen las alucinaciones, pero pueden citar mal o resumir torcido. Sigue verificando lo crítico.
• No marcar la diferencia entre dato y opinión. Pídele que separe “hechos verificables” de “interpretación” en la propia respuesta. Eso solo ya cambia cómo lees lo que te entrega.

Mini-ejercicio

Coge una pregunta que tenga al menos tres datos concretos (cifras, fechas o nombres) y lánzala dos veces: una sin pedir fuentes y otra exigiendo cita verificable y permiso para decir “no sé”. Compara las respuestas y abre al menos una fuente para comprobar si lo citado es real. Sabrás que está bien si detectas alguna diferencia y aprendes a distinguir cuándo la IA está afirmando y cuándo está adivinando.

Siguiente paso

Cuando interiorices este reflejo, prueba a montar un pequeño flujo de doble verificación: una IA con buscador para encontrar el dato y otra (o tú mismo) para revisar la fuente original. Para entender mejor el reparto de tareas, mira comparar-dos-ias y la ficha de perplexity, que está pensada justamente para investigación con fuentes.