Hay una escena que se está volviendo demasiado normal. Alguien tiene que tomar una decisión. Abre el portátil, entra a una IA y escribe una pregunta que hace unos años habría terminado en una reunión, una hoja de cálculo o una hora de búsquedas.
La respuesta llega en segundos. Está bien escrita. Tiene estructura. Tiene enlaces. Incluso parece prudente. Y entonces ocurre algo curioso: en lugar de cerrar el asunto, la persona abre otras tres pestañas para comprobarla.
El problema ya no es solo que la IA se equivoque
Hace un tiempo, la discusión era bastante sencilla: una IA puede alucinar. Puede inventar una cita, confundir una fecha o responder con seguridad algo que no sabe. Eso sigue ocurriendo. De hecho, Anthropic advierte expresamente que Claude puede producir información incorrecta o engañosa y recomienda revisar las fuentes originales cuando se utiliza búsqueda web.
Pero el flujo de trabajo ha cambiado. Los modelos ya no tienen que contestar únicamente con lo que llevan dentro. Pueden buscar información, recuperar páginas, comparar documentos y construir una respuesta apoyándose en material externo. A eso se le suele llamar grounding.
Y aquí aparece un problema menos espectacular, pero más interesante: que la IA encuentre información real no significa que haya encontrado la mejor información para la decisión.
Primero buscábamos en la web. Ahora la IA también busca por nosotros
Cuando haces una búsqueda tradicional, ves una lista de resultados y decides cuáles abrir. Con un sistema con grounding, parte de ese trabajo desaparece de tu vista. El sistema busca, selecciona material, lo procesa y te entrega una síntesis.
Es muchísimo más cómodo. También significa que una parte de la decisión ya ocurrió antes de que tú leas la respuesta.
Y hay una diferencia que conviene recordar: posicionamiento no es evidencia. Una página puede aparecer muy arriba porque está bien optimizada para buscadores, tiene autoridad de dominio, muchos enlaces o responde exactamente a la intención de búsqueda. Nada de eso garantiza que sea la mejor fuente para una afirmación concreta.
Para una consulta trivial, probablemente no importa. Para una decisión técnica, jurídica, financiera o editorial, sí. Si el sistema recupera cinco artículos que repiten la misma afirmación y ninguno enlaza con la fuente primaria, puede producir una respuesta perfectamente documentada en apariencia y bastante débil en realidad.
Grounding no significa que la IA haya encontrado la verdad
Grounding mejora algo importante: conecta la respuesta con información externa y más reciente. Google describe sus herramientas de búsqueda de Gemini precisamente como una forma de recuperar información actual y generar una síntesis basada en los resultados encontrados.
Pero todavía quedan varias decisiones escondidas: qué resultados recuperar, cuáles ignorar, cómo interpretar cada fuente, qué información combinar y qué afirmaciones merecen aparecer en la respuesta final.
Por eso el grounding no elimina la verificación. Cambia su forma. Ya no necesitas comprobar cada frase desde cero, pero sí necesitas comprobar las afirmaciones que sostienen la decisión.
Y entonces aparece el RAG pequeño
Aquí es donde una solución como RAG empieza a resultar más interesante que el piloto automático. En lugar de pedirle al modelo que busque cualquier cosa que encuentre en internet, puedes darle un conjunto delimitado de documentos y pedirle que trabaje sobre ellos.
No hace falta construir una arquitectura gigantesca. Un mini-RAG puede ser tan sencillo como reunir manuales, contratos, informes, documentación oficial o artículos que ya seleccionaste, y hacer que el modelo responda utilizando ese material como contexto.
El antiguo NotebookLM, ahora integrado como Gemini Notebook, va precisamente en esa dirección: trabajar con las fuentes que el usuario proporciona, en lugar de convertir toda la web en una caja negra. Google lo presenta como una herramienta de investigación y aprendizaje que puede trabajar con el material de un cuaderno y añadir capacidades de análisis.
La ventaja no es que el modelo se vuelva mágicamente más inteligente. La ventaja es que reduces el espacio de búsqueda. En lugar de preguntar “¿qué dice internet sobre esto?”, puedes preguntar “¿qué dicen estos siete documentos y dónde se contradicen?”.
El precio oculto: comprobar lo que la IA acaba de hacer
Aquí aparece la parte que muchas demostraciones de IA dejan fuera de cámara. La respuesta tarda veinte segundos. La revisión puede tardar veinte minutos.
Pensemos en algo bastante cotidiano: una empresa quiere elegir entre dos proveedores de software para gestionar clientes. El proveedor A cuesta 8.000 dólares al año y el B cuesta 11.000. Hasta hace poco alguien habría abierto las dos páginas, descargado las fichas técnicas, leído unas cuantas reseñas, preguntado por referencias y armado una tabla en Excel.
Ahora el proceso puede parecer mucho más sofisticado. Una IA compara precios y funcionalidades. Otra revisa reseñas. Una tercera lee los términos del servicio. Un agente reúne todo, asigna puntuaciones y prepara una recomendación ejecutiva de dos páginas. En menos de una hora aparece algo que antes podía tomar una mañana entera.
El problema aparece cuando alguien pregunta por qué ganó el proveedor A. La recomendación dice que tiene mejor soporte, una política de exportación de datos más flexible y menor costo de implementación. Suena claro. Pero al seguir las fuentes descubres que la comparación de soporte salió de un artículo de un afiliado que gana comisión por recomendar A, que la política de exportación cambió hace tres meses y que el costo de implementación venía de un foro donde una empresa hablaba de un contrato distinto.
Entonces haces algo razonable: le pides a otra IA que audite la primera respuesta. Esa segunda IA encuentra dos errores, pero también introduce uno nuevo porque interpreta mal una cláusula del contrato. Llamas a un tercer modelo para desempatar. Ahora tienes tres análisis, seis pestañas abiertas y una decisión que originalmente era comparar dos proveedores.
La IA puede abaratar muchísimo la producción de análisis. También puede abaratar la producción de análisis que nadie necesitaba.
Ese es el giro importante. Antes el costo de producir un informe actuaba como freno natural: si hacer cinco análisis costaba cinco veces más, nadie pedía cinco sin una buena razón. Con IA, generar una segunda opinión cuesta casi nada. La tercera también. Y de pronto el cuello de botella ya no es producir información, sino decidir cuál de todas merece confianza.
Primero compruebas si las fuentes existen. Luego si realmente dicen lo que la IA afirma. Después descubres que una fuente secundaria citaba a otra. Abres la fuente original, encuentras una actualización, vuelves al texto y corriges una frase. Luego notas que el tono quedó demasiado uniforme, demasiado limpio, demasiado parecido a una respuesta generada. El ahorro inicial empieza a parecer menos obvio.
- ¿Las herramientas usaron la misma información o cada una construyó su propia versión del problema?
- ¿La fuente respalda realmente la afirmación o solo habla del mismo tema?
- ¿El dato sigue vigente?
- ¿Una conclusión importante proviene de una fuente primaria o de una cadena de artículos que se citan entre sí?
- Si dos modelos discrepan, ¿quién decide cuál interpretación es correcta?
El problema del texto que está bien escrito y sigue estando mal
Hay otro tipo de error que se está volviendo más difícil de detectar. No es la alucinación obvia. Es el texto plausible.
Una IA puede construir una explicación que no contiene ninguna frase evidentemente absurda. Puede usar el vocabulario correcto, ordenar bien los argumentos y colocar enlaces razonables. El lector baja por la página y siente que todo encaja.
El problema es que la calidad formal y la calidad factual son variables distintas. Y ahora tenemos una tercera variable: la calidad editorial. Un texto puede ser correcto, estar bien documentado y aun así sonar como una máquina que intenta sonar humana.
Ese último problema importa especialmente cuando publicas. El lector no solo evalúa si una afirmación es cierta. También percibe ritmo, criterio, experiencia, sorpresa y una voz que parezca tener una razón para estar contando esa historia.
Y ahora hay otra capa: el texto puede dejar una señal
La noticia reciente de Claude añade una variable que antes no estaba en el cálculo. Anthropic anunció marcas de agua estadísticas imperceptibles en texto generado por Claude, construidas a partir de patrones en la selección de palabras que pueden ser detectados por sistemas de verificación. Esto ocurre, además, en un contexto regulatorio donde la procedencia del contenido generado por IA empieza a importar más.
La discusión técnica puede quedarse ahí. Para una empresa que produce informes externos, sin embargo, el problema es mucho más mundano: reputación.
Imaginemos una consultora que entrega a un cliente un informe de 80 páginas sobre un mercado. El equipo entrevistó personas, limpió una base de datos, revisó contratos, contrastó estadísticas oficiales y construyó sus propias conclusiones. Después usó Claude para ayudar a convertir notas desordenadas en algunos párrafos más claros, resumir antecedentes y proponer una primera redacción de ciertas secciones.
El informe puede ser metodológicamente serio. Pero meses después alguien somete varias páginas a una herramienta capaz de detectar la señal de Claude. Un periodista publica: “Informe de la empresa X fue generado con Claude”. En redes sociales la frase se comprime todavía más: “Estos informes los hace una IA”. Nadie está obligado a leer la metodología antes de compartir el titular.
Una señal de procedencia puede decir que una IA intervino. No puede explicar cuánto investigó el equipo, quién formuló las hipótesis, quién verificó los datos ni quién asumió la responsabilidad por las conclusiones.
Ese matiz es técnicamente obvio y comunicacionalmente frágil. Para alguien que no conoce el proceso, “Claude intervino” puede terminar significando “alguien escribió un prompt y copió la respuesta”. Y para una empresa cuyo producto es precisamente el rigor de sus análisis, esa interpretación puede costar mucho más que las horas ahorradas durante la redacción.
Ahí aparece una paradoja incómoda. Si la empresa quiere reducir al mínimo ese riesgo reputacional, quizá termine reescribiendo gran parte del texto asistido por IA, cambiando estructura, frases y elecciones léxicas hasta que la señal deje de ser detectable o pierda robustez. Es decir: utiliza una herramienta para ahorrar trabajo y luego añade una segunda fase de trabajo para borrar la huella de la herramienta.
Eso no significa que ocultar el uso de IA deba ser el objetivo. En muchos contextos la opción más sensata será documentar qué hizo la IA y qué hizo el equipo humano. Pero obliga a reconocer que procedencia, percepción pública y política editorial ya forman parte del costo de elegir un modelo. Para informes externos, estudios, periodismo corporativo o consultoría, no basta con preguntar qué tan bien escribe Claude. También hay que preguntar qué explicación tendrás que dar si alguien detecta que Claude estuvo allí.
¿Piloto automático o control por capas?
La respuesta fácil sería decir: nunca uses IA en piloto automático. Pero eso tampoco tiene mucho sentido. Si una tarea es repetitiva, de bajo riesgo y fácil de verificar, automatizarla puede ser exactamente lo correcto.
El problema aparece cuando usamos el mismo nivel de autonomía para todo. Generar cinco ideas para un título no requiere el mismo control que redactar una afirmación sobre una regulación. Resumir un documento propio no exige la misma arquitectura que investigar un mercado. Y escribir un borrador no es lo mismo que publicarlo.
Una forma más sensata de pensar el asunto es por capas. IA directa para tareas simples. Grounding cuando necesitas información reciente. RAG o mini-RAG cuando quieres limitar y controlar las fuentes. Revisión humana cuando el costo de equivocarse supera el ahorro de tiempo.
Haz la prueba: ¿la IA te está ahorrando trabajo o cambiándolo de sitio?
Prueba este pequeño test con tu propio flujo. No mide qué tan buena es tu IA. Mide algo más útil: cuánta fricción queda después de usarla.
Test rápido: ¿automatización o deuda de supervisión?
Elige una respuesta por pregunta. El resultado mide fricción, no inteligencia.
La pregunta que debería venir después del test
Si tu resultado muestra fricción alta, no significa que tengas que abandonar la IA. Puede significar que estás usando demasiadas capas para una tarea que no las necesita. O que estás usando un modelo generalista para un problema que se beneficiaría más de un conjunto pequeño y controlado de fuentes.
Ese es el punto donde un mini-RAG puede ganar a un flujo de “pregúntale a todo”. Menos fuentes, pero mejor seleccionadas. Menos libertad para inventar contexto. Más facilidad para saber de dónde salió cada afirmación.
También puede ocurrir lo contrario. Si tu tarea cambia cada cinco minutos y depende de información nueva, encerrar el modelo en un conjunto de documentos puede ser peor que permitirle buscar. La arquitectura correcta depende del costo del error, la velocidad necesaria y la calidad de las fuentes disponibles.
Una decisión mejor no siempre es una decisión más automatizada
Tal vez este sea el cambio de perspectiva más útil. No deberíamos preguntar solamente cuánto trabajo puede hacer una IA. Deberíamos preguntar cuánto trabajo de decisión elimina sin crear una deuda nueva de supervisión.
Porque esa deuda existe. Es el tiempo que dedicas a verificar, comparar, corregir, reescribir, detectar tono robótico, comprobar citas, revisar si una fuente estaba actualizada y decidir si una marca de agua o una política de procedencia afecta tu publicación.
A veces la IA reduce esa deuda. A veces la aumenta. Y lo curioso es que ambas cosas pueden ocurrir en la misma herramienta, incluso en la misma tarea.
Una buena decisión no es la que tiene más automatización. Es la que llega a un resultado suficientemente bueno con un nivel de control proporcional a lo que está en juego.
A veces será un modelo. A veces será grounding. A veces un mini-RAG. A veces una búsqueda normal. Y alguna vez será cerrar todas las pestañas, mirar el documento original y decidir con la información que realmente tenemos.
Referencias
Anthropic explica las limitaciones de Claude y recomienda revisar las fuentes originales cuando se usa búsqueda web. Ver la explicación de Anthropic.
La Comisión Europea explica que el Artículo 50 del AI Act aplica las obligaciones de transparencia desde el 2 de agosto de 2026 y contempla marcas legibles por máquina para determinados contenidos generados o manipulados por IA. Consultar las directrices europeas.
Google explica el uso de búsqueda web y grounding en sus herramientas de Gemini, y el cambio de nombre de NotebookLM a Gemini Notebook. Ver documentación sobre búsqueda y grounding y ver Gemini Notebook.
Las imágenes del artículo proceden de Pexels y se utilizan bajo sus condiciones de uso gratuito: Artem Podrez, Matheus Bertelli y Kindel Media.
