Cómo verificar los resultados de la IA: un protocolo de verificación en 5 pasos para el día a día

En resumen. Una cita no es una comprobación. En una auditoría humana de cuatro motores de búsqueda generativos, solo el 51,5 % de las frases generadas estaban plenamente respaldadas por sus citas. En un estudio de 2025 sobre respuestas médicas, incluso GPT-4o con búsqueda web dejó el 30,3 % de sus afirmaciones sin respaldo en sus propias fuentes; una auditoría de 2025, publicada como preprint, de sistemas de búsqueda y de investigación profunda (deep research) encontró tasas de afirmaciones sin respaldo de entre el 12,5 % y el 97,5 %. Pedir al modelo que se revise a sí mismo da poco resultado: sin retroalimentación externa, la precisión de GPT-3.5 en una prueba de razonamiento cayó del 75,8 % al 41,8 %. Lo que funciona es lo que hacen los verificadores profesionales: dividir la respuesta en afirmaciones, abrir la fuente, encontrar la frase exacta y practicar la lectura lateral para saber quién está detrás. La jugada del CEO: redactar un estándar de verificación para todo lo que salga con tu nombre, que diga qué debe rastrearse, quién lo hace y con qué profundidad. La jugada del estudiante: practicar la descomposición de afirmaciones y la lectura lateral, y llevar un registro de lo que comprobaste y de lo que falló.

Esta guía pertenece al clúster de la habilidad de evaluación. La guía de señales de alerta recoge los indicios de alarma visibles dentro de una sola respuesta, el impuesto de verificación trata lo que cuesta comprobar y por qué alucina la IA explica la mecánica. Este artículo es el procedimiento que aplicas antes de fiarte de una respuesta.

¿Por qué necesitas un procedimiento y no una impresión?

Porque la impresión apunta en la dirección equivocada. Cuando Nelson Liu, Tianyi Zhang y Percy Liang, de Stanford, auditaron cuatro motores de búsqueda generativos con 1.450 consultas a principios de 2023, la precisión de las citas estaba inversamente correlacionada con la utilidad percibida: las respuestas que parecían más útiles eran a menudo las que tenían más afirmaciones sin respaldo o citas inexactas.

La confianza también desactiva la comprobación. En dos experimentos prerregistrados con 5.387 participantes en total, Folco Panizza y sus colegas mostraron a algunos participantes una ventana emergente que aconsejaba la lectura lateral y la contención al hacer clic. En un análisis exploratorio del primer experimento, solo el 6,7 % de esos participantes usó las técnicas cuando una publicación procedía de una fuente de confianza, frente al 20 % cuando la fuente era desconocida. Una respuesta de IA con notas al pie bien ordenadas parece una fuente de confianza. Un procedimiento por escrito vincula la comprobación al tipo de afirmación y a lo que está en juego, no a la impresión que da la respuesta.

¿Respalda realmente la cita la afirmación?

Tres estudios han comprobado, afirmación por afirmación, si las respuestas de la IA están respaldadas por las fuentes que citan. Difieren en la tarea (preguntas web, preguntas médicas, consultas de debate y de especialización), en la evaluación (anotadores humanos; un juez GPT-4o que coincidió con el consenso de tres médicos el 88,7 % de las veces, frente a un 86,1 % de acuerdo medio entre los médicos; un juez GPT-5 validado frente a evaluadores humanos), en la fecha (de 2023 a agosto de 2025) y en la unidad. Liu y sus colegas exigían que las propias citas de una afirmación la respaldaran por completo; Kevin Wu, Eric Wu, James Zou y sus colegas aceptaban cualquier fuente de la respuesta; DeepTRACE, un preprint de septiembre de 2025 de Pranav Narayanan Venkit y sus colegas, aceptaba cualquier fuente listada. La tabla es descriptiva, no una clasificación.

¿Respalda la cita la afirmación? Proporción de afirmaciones respaldadas y no respaldadas, por sistema

Estudio (evaluación; periodo)	Sistema, según su etiqueta	Afirmaciones respaldadas (%)	Afirmaciones no respaldadas (%)	Citas que respaldan su afirmación (%)
Liu, Zhang y Liang (anotadores humanos; respuestas de febrero-marzo de 2023)	Bing Chat	58,7	41,3*	89,5
	NeevaAI	67,6	32,4*	72,0
	perplexity.ai	68,7	31,3*	72,7
	YouChat	11,1	88,9*	63,6
Wu et al., Nature Communications (juez GPT-4o validado por médicos; 800 preguntas médicas)	GPT-4o (RAG)	69,7	30,3*	n/i
	Gemini Ultra 1.0 (RAG)	55,6	44,4*	n/i
	GPT-4o (API)	47,3	52,7*	n/i
	Claude v2.1 (API)	30,4	69,6*	n/i
	Mistral Medium (API)	27,8	72,2*	n/i
	Mixtral-8x7b (API)	15,8	84,2*	n/i
	Gemini Pro (API)	18,6	81,4*	n/i
DeepTRACE, Narayanan Venkit et al., preprint (juez GPT-5; corpus a 27 de agosto de 2025)	You.com (búsqueda)	69,2*	30,8	68,3
	BingChat (búsqueda)	76,9*	23,1	65,8
	Perplexity (búsqueda)	68,4*	31,6	49,0
	GPT 4.5 (búsqueda)	53,0*	47,0	39,8
	GPT-5 Deep Research	87,5*	12,5	79,1
	YouChat Deep Research	25,4*	74,6	72,3
	GPT-5 Web Search	41,1*	58,9	31,4
	Perplexity Deep Research	2,5*	97,5	58,0
	Copilot Think Deeper	9,8*	90,2	62,1
	Gemini Deep Research	46,4*	53,6	50,3

Análisis de CEOtudent de Liu, Zhang y Liang (2023), Wu et al. (2025, tabla complementaria 4) y Narayanan Venkit et al. (2025, figura 2 y tabla 1). Las cifras sin marca son las publicadas (las proporciones de Wu et al. se muestran como porcentajes); * = 100 menos la proporción publicada. n/i = no informado. El texto de DeepTRACE da para Gemini Deep Research una precisión de citas del 40,3 %, pero su tabla 1 imprime 50,3 %; se muestra el valor de la tabla.

Cuatro cosas destacan.

• Incluso el mejor sistema de cada estudio dejó sin respaldo una proporción grande: el 31,3 % en la auditoría de Liu, el 30,3 % en la de Wu y el 12,5 % en DeepTRACE. En 19 de las 21 filas, al menos una cuarta parte de las afirmaciones carecía de respaldo; las medianas fueron del 36,9 %, el 69,6 % y el 50,3 %.
• El acceso a la web ayuda, pero no lo resuelve. En el estudio de Wu, los modelos sin acceso a la web produjeron URL que funcionaban solo entre el 41,2 % y el 68,7 % de las veces, y pocos enlaces rotos tenían versiones archivadas, lo que los autores interpretan como señal de que eran inventados. En DeepTRACE, GPT-5 Deep Research dejó sin respaldo el 12,5 %, y GPT-5 Web Search, el 58,9 %.
• Las respuestas completas salen peor paradas que las afirmaciones sueltas. En el estudio de Wu, entre el 44,7 % y el 93,0 % de las respuestas contenían al menos una afirmación sin respaldo. El benchmark ALCE de Princeton (EMNLP 2023) halló que alrededor del 50 % de sus respuestas de referencia de ChatGPT y GPT-4 en el conjunto de datos ELI5 no estaban plenamente respaldadas por los pasajes citados.
• Más fuentes no significan más respaldo. YouChat Deep Research listó 57,2 fuentes por respuesta, unas 3,1 veces las 18,3 de GPT-5 Deep Research, y dejó sin respaldo el 74,6 % de las afirmaciones. En palabras de los autores, “más fuentes y respuestas más largas no se traducen en fiabilidad”.

Trata estas cifras como una visión externa: en ninguna de las 21 filas la tasa base de “esta afirmación citada no está respaldada” baja de una de cada ocho (12,5 %).

¿Qué hacen los verificadores profesionales que los demás no hacen?

La prueba más clara de cómo comprueban la información desconocida las personas con pericia procede de Sam Wineburg y Sarah McGrew, de Stanford, que observaron a 45 personas pensando en voz alta mientras evaluaban sitios web reales: 10 historiadores con doctorado, 10 verificadores profesionales y 25 estudiantes de grado de Stanford.

Cómo evaluaron sitios web desconocidos los verificadores, los historiadores y los estudiantes

Medida (tarea)	Verificadores (n = 10)	Historiadores con doctorado (n = 10)	Estudiantes de grado (n = 25)
Tiempo medio hasta abandonar la página de inicio del American College of Pediatricians (tarea sobre acoso escolar)	32 s	88 s (8 de 10 la abandonaron)	100 s (los 16 que la abandonaron; 9 nunca lo hicieron)
Calidad media de la conclusión sobre ese sitio (0-2)	2	0,7	0,16
Calidad media de la conclusión sobre minimumwage.com antes de recibir una indicación (0-4)	3,3	1,3	0,52
Tiempo medio para identificar la organización matriz del sitio	51 s	3 min 40 s	5 min 18 s
Necesitaron una indicación para encontrarla	La encontraron sin indicación	6 de 10	Unas cuatro quintas partes
Tiempo medio para identificar quién financió una demanda (tarea Vergara)	2 min 8 s	2 min 1 s	1 min 42 s

Fuente: Wineburg y McGrew, Lateral Reading and the Nature of Expertise, Teachers College Record (versión previa a la publicación fechada el 28 de julio de 2018). Cifras tal como se publicaron.

La diferencia estaba en el método. Los verificadores se orientaban primero, practicaban la lectura lateral (abandonar un sitio tras un vistazo rápido para averiguar qué dicen otros sobre él) y la contención al hacer clic (revisar los resultados de búsqueda antes de pulsar). En la tarea sobre acoso escolar, el 60 % de los estudiantes consideró más fiable al College, un grupo escindido, que a la American Academy of Pediatrics; todos los verificadores eligieron la Academy. En la tarea de la demanda, los verificadores fueron los más lentos, pero “los más selectivos en cuanto a los sitios que visitaban”. Uno confirmó un nombre buscando en un artículo de prensa con el atajo Comando-F, el núcleo del paso 3 que se describe más abajo.

La mayoría de la gente carece de esta habilidad, y se puede enseñar. En una evaluación de 3.446 estudiantes de secundaria de EE. UU., el 96 % nunca descubrió que un sitio que afirmaba informar sobre datos climáticos tenía vínculos con la industria de los combustibles fósiles. En secciones de educación cívica emparejadas por docente que estudiaron Jessica Brodsky y sus colegas (136 estudiantes a los que se enseñó lectura lateral y 94 de control), la proporción de quienes leían lateralmente y llegaban a un veredicto correcto ante un problema de noticias falsas pasó del 2,2 % al 43,7 %; el grupo de control terminó en el 1,1 %. Un estudio de campo a escala de distrito de Wineburg y sus colegas, con seis lecciones de 50 minutos para 271 estudiantes frente a 228 en aulas ordinarias, halló que los estudiantes formados “mejoraron significativamente” al juzgar la credibilidad. Una caja de herramientas publicada en 2024 en Nature Human Behaviour, extraída de 81 artículos científicos, incluye la lectura lateral entre los nueve tipos principales de intervención contra la desinformación.

Para el trabajo con IA, la traducción es directa: una respuesta de IA es un sitio web desconocido sin página “Quiénes somos”. Leerla con más atención es lectura vertical; comprobarla significa salir de ella.

¿Por qué no basta con preguntar al modelo si está seguro?

Porque, sin información ajena a la conversación, el modelo tiene poco con lo que corregirse. Jie Huang y sus colegas de Google DeepMind y la Universidad de Illinois pusieron a prueba la autocorrección “intrínseca”, en la que el modelo revisa su propia respuesta sin retroalimentación externa (ICLR 2024).

Precisión antes y después de la autocorrección intrínseca (%)

Modelo	Benchmark	Prompt estándar	Tras dos rondas de autocorrección	Cambio (puntos)
GPT-3.5	GSM8K (matemáticas)	75,9	74,7	-1,2*
GPT-3.5	CommonSenseQA	75,8	41,8	-34,0*
GPT-4	GSM8K (matemáticas)	95,5	89,0	-6,5*
GPT-4	CommonSenseQA	82,0	80,0	-2,0*

Fuente: Huang et al., Large Language Models Cannot Self-Correct Reasoning Yet, ICLR 2024, tabla 3 (filas de GSM8K y CommonSenseQA). Cifras tal como se publicaron; * cambio calculado por CEOtudent.

Las mejoras solo aparecieron cuando al paso de corrección se le indicaba si la respuesta era correcta (GPT-3.5 en GSM8K subió de 75,9 a 84,3 con estas etiquetas “oráculo”), una información de la que no dispones en el uso real. La explicación de los autores es tajante: los modelos “no pueden juzgar adecuadamente si su razonamiento es correcto”. Para el hallazgo aparte de que un simple “¿Estás seguro?” a menudo hace cambiar una respuesta correcta, consulta la guía de señales de alerta.

La verificación estructurada funciona mejor. En Chain-of-Verification (Shehzaad Dhuliawala y sus colegas de Meta AI, Findings of ACL 2024), el modelo redacta una respuesta, planifica preguntas de verificación, las responde por separado y revisa. En preguntas de listas de Wikidata, la precisión se duplicó con creces, de 0,17 a 0,36; en biografías, el FactScore subió un 28 %, de 55,9 a 71,4. Hay dos detalles que también importan para las personas. Responder a las preguntas de verificación sin tener el borrador a la vista dio mejores resultados que responderlas junto a él (FactScore de 63,7 frente a 60,8), porque quien comprueba viendo el borrador puede repetir sus errores. Y en la variante factorizada, las comprobaciones de sí o no funcionaron peor que las preguntas abiertas; en los ejemplos de los autores, ChatGPT “tiende a estar de acuerdo con los hechos en un formato de pregunta de sí o no, tanto si son correctos como si no”.

El protocolo que sigue toma prestadas las tres lecciones: comprobar contra algo externo al borrador, hacer preguntas abiertas en lugar de “¿es cierto que…?” y responderlas sin que el borrador te guíe.

El protocolo de verificación en 5 pasos

Marco editorial de CEOtudent: el protocolo de verificación en 5 pasos

Paso	Qué hacer	La pregunta que hay que hacerse	Evidencia en la que se apoya	Regla de parada
1. Descomponer	Divide el resultado en afirmaciones únicas y comprobables, y etiqueta cada una por tipo. Marca por separado las opiniones y el encuadre.	“¿Qué se afirma exactamente aquí, y podría esta frase ser falsa por sí sola?”	Los estudios sobre citas evalúan afirmación por afirmación; en Chain-of-Verification, las preguntas breves y separadas se respondieron con más precisión que la consulta original	Cada frase está en la lista de afirmaciones o marcada como encuadre sin contenido fáctico
2. Hacer el triaje	Marca lo que está en juego en cada afirmación y elige un nivel de profundidad. Señala las afirmaciones que cambiarían una decisión si fueran falsas.	“Si esto es falso, ¿a quién afecta y se puede deshacer?”	Las tasas de respaldo varían entre el 2,5 % y el 87,5 % de las afirmaciones según el sistema (tabla anterior), así que ningún nivel de confianza general es seguro	Las afirmaciones de nivel 1 pueden quedar sin rastrear si se etiquetan como no comprobadas; toda afirmación crítica pasa al paso 3
3. Rastrear	Abre la fuente citada (o primaria). Busca en ella con Ctrl+F o Comando-F el término o la cifra clave. Copia la frase que la respalda.	“¿En qué frase, y en qué página, dice esto la fuente?”	Solo el 51,5 % de las afirmaciones plenamente respaldadas y el 74,5 % de las citas que respaldan su afirmación (Liu et al.); los verificadores localizan el texto exacto (Wineburg y McGrew)	Respaldada solo si puedes pegar la frase. Parcial: acota la afirmación a ella. Nada tras dos búsquedas específicas: sin respaldo, no la uses
4. Leer lateralmente	Sal de la fuente. Averigua quién está detrás y si una fuente independiente, o el registro primario, dice lo mismo.	“¿Quién publicó esto, qué dicen otros de ellos y coincide alguna fuente independiente?”	Los verificadores superaron a historiadores y estudiantes porque abandonaban pronto los sitios; la habilidad se puede entrenar (Brodsky et al.; Wineburg et al.)	Dos fuentes independientes coinciden, o tienes el propio registro primario (texto legal, documento oficial presentado, conjunto de datos, artículo original)
5. Recalcular y registrar	Rehaz todos los cálculos a partir de los datos de la fuente; comprueba el año, la unidad, el denominador y la edición. Registra el veredicto.	“¿Resiste cada cifra un nuevo cálculo, y podría otra persona repetir mi comprobación a partir del registro?”	La autorrevisión sin información externa redujo la precisión (Huang et al.); la verificación independiente la aumentó (Dhuliawala et al.)	Cada afirmación tiene un veredicto registrado: mantener, acotar, eliminar o escalar

Una nota práctica: en el paso 1, divide las frases compuestas. “Las ventas subieron con fuerza tras la nueva ley” contiene tres afirmaciones: que las ventas subieron, cuánto subieron y por qué.

¿Hasta dónde hay que profundizar?

No todo resultado merece los cinco pasos; el triaje según lo que está en juego fija la profundidad. Complementa los niveles de presupuesto de tiempo de la guía sobre el impuesto de verificación y el diseño de puntos de control de la supervisión humana por diseño.

Marco editorial de CEOtudent: triaje según lo que está en juego

Nivel	Resultados típicos	Pasos que aplicar	Quién comprueba
1. Privado y reversible	Notas personales, lluvias de ideas, primeros borradores, puntos de partida de búsquedas	Pasos 1-2 sobre todo el resultado; pasos 3 y 5 para cualquier cifra, nombre o cita textual que vayas a reutilizar	Tú
2. Compartido o relevante para decisiones	Memorandos internos, análisis que informan una decisión de equipo, código fusionado tras revisión	Los cinco pasos para cada afirmación crítica; paso 4 para cualquier fuente que no conozcas ya	Tú, con el registro adjunto
3. Con tu nombre, irreversible o regulado	Entregables para clientes, artículos publicados, contenido jurídico, médico, financiero o de seguridad	Los cinco pasos para cada afirmación fáctica; dos fuentes independientes o el registro primario para cada afirmación crítica	Tú, más un segundo lector que vuelve a ejecutar una muestra del registro

Sube un nivel en caso de duda. Bajar de nivel exige una razón que pudieras defender si el resultado resultara ser erróneo.

¿Qué comprobación corresponde a cada afirmación?

Las distintas afirmaciones fallan de maneras distintas, así que la comprobación primaria más rápida también es distinta.

Marco editorial de CEOtudent: matriz de enrutamiento por tipo de afirmación

Tipo de afirmación	Comprobación primaria más rápida	Modo de fallo típico
Cifra o estadística	La tabla o el conjunto de datos del editor original; haz coincidir año, edición, unidad y denominador	Cifra real del año o la base equivocados; una cifra derivada presentada como publicada
Cita textual	Busca la frase exacta en el texto original o la transcripción; comprueba quién habla y el contexto	Paráfrasis presentada como cita; palabras correctas, pero hablante equivocado o falta de contexto
Cita bibliográfica o referencia	Busca el título exacto o el DOI en el sitio del editor y aplícale el paso 3	Referencia que no existe; referencia real que no dice lo que se le atribuye
Fecha o acontecimiento	El registro primario fechado: anuncio oficial, documento oficial presentado, página de la publicación	Desfase de un año o de una versión; dos acontecimientos fundidos en uno
Ley o reglamento	El texto consolidado vigente en el registro oficial, con las fechas de modificación	Disposición o plazo ya sustituidos, citados como vigentes
Comportamiento del código	Ejecútalo en una prueba con respuesta conocida; lee la documentación de la versión instalada	Código que se ejecuta pero hace lo que no debe; una función u opción que no existe
Afirmación causal	El diseño del estudio y el tamaño del efecto en el propio artículo	Correlación presentada como causa; un solo estudio generalizado a todo el mundo
Estado “actual” o “más reciente”	La página de la última edición del propio editor y su fecha	Edición antigua presentada como la más reciente; fragmentos de búsqueda que van por detrás de la página en vivo

La guía sobre la mecánica explica por qué los datos arbitrarios, como fechas, títulos y cifras, son el terreno en el que los modelos adivinan con más frecuencia.

Un ejemplo práctico: una frase a través de los cinco pasos

La frase siguiente es un supuesto ilustrativo redactado al estilo de un resumen de IA, no un resultado de ningún sistema real. “Un estudio de Stanford halló que los verificadores profesionales fueron más rápidos que los historiadores y los estudiantes en todas las tareas, y que abandonaban los sitios web poco fiables cuatro veces más rápido.”

1. Descomponer. Tres afirmaciones: (a) un estudio de Stanford comparó estos grupos; (b) los verificadores fueron más rápidos en todas las tareas; (c) abandonaban los sitios cuatro veces más rápido.
2. Hacer el triaje. Destinada a una presentación para un cliente, así que nivel 3.
3. Rastrear. La afirmación (a) se sostiene: Wineburg y McGrew estudiaron a 10 verificadores, 10 historiadores y 25 estudiantes. La afirmación (b) falla: en la tarea de la demanda, los estudiantes fueron los más rápidos (1 min 42 s frente a 2 min 8 s). La afirmación (c) es parcial: en la tarea sobre acoso escolar, los verificadores abandonaron la página de inicio en 32 segundos, y los historiadores, en 88.
4. Leer lateralmente. El artículo fue aceptado por Teachers College Record, una revista académica; estudios posteriores en el aula respaldan el método, no la afirmación sobre la velocidad.
5. Recalcular y registrar. 88 / 32 = 2,75, lo que el artículo llama “casi tres veces”. En la tarea del salario mínimo, 3 min 40 s frente a 51 s son 4,3 veces, por lo que el “casi cuatro veces” del artículo se queda corto. Veredicto: acotar. Versión utilizable: “En un estudio de Stanford, los verificadores abandonaban un sitio desconocido en una media de 32 segundos, frente a 88 de los historiadores, pero no fueron los más rápidos en todas las tareas.”

El registro de verificación: una plantilla para copiar

Lleva una fila por cada afirmación comprobada. El registro convierte la comprobación en un documento que un colega puede auditar, y alimenta la revisión de errores de la guía sobre cómo aprender de los errores de la IA.

N.º	Afirmación (una frase)	Tipo	Nivel	Fuente abierta (título, fecha, página)	¿Se encontró la frase exacta que la respalda?	Segunda fuente independiente	Cifra recalculada	Veredicto	Comprobado por, fecha
1	Los verificadores abandonaban los sitios cuatro veces más rápido	Cifra	3	Wineburg y McGrew, versión previa a la publicación de 2018, tareas sobre acoso escolar y salario mínimo	Parcial: 32 s frente a 88 s; 51 s frente a 3 min 40 s	No necesaria: artículo primario	Sí: 2,75 y 4,3	Acotar	Iniciales, fecha

Lista de comprobación de una página antes de que nada salga de tus manos

• Cada frase fáctica está en la lista de afirmaciones o marcada como encuadre.
• Cada afirmación crítica tiene pegada una frase de respaldo de la propia fuente.
• Cada referencia se encontró en el sitio del editor, no solo en la respuesta de la IA.
• Cada fuente desconocida se leyó lateralmente: quién la gestiona, quién la financia.
• Cada cifra se recalculó a partir de los datos de la fuente, comprobando el año y la unidad.
• Ninguna afirmación se apoya solo en la propia revisión del modelo.
• El trabajo de nivel 3 lleva las iniciales de un segundo lector en una muestra de filas.

¿Qué significa esto para el CEO y para el estudiante?

La jugada del CEO: poner el estándar por escrito. Todo lo que sale con tu nombre necesita un estándar de verificación de una página: qué tipos de afirmación deben rastrearse (como mínimo, cifras, citas textuales, referencias y afirmaciones jurídicas o médicas en el trabajo externo), quién las rastrea, con qué nivel y dónde se guarda el registro. Añade una regla: sin frase de la fuente, no hay afirmación. La calibración de la confianza en la IA decide cuándo fiarse de una recomendación; el estándar decide qué hay que demostrar primero.

La jugada del estudiante: entrenar las dos habilidades de las que depende el protocolo. La descomposición de afirmaciones es un ejercicio: divide cualquier párrafo de IA en afirmaciones únicas hasta que ninguna pueda dividirse más. La lectura lateral es un hábito: antes de leer una fuente con detenimiento, averigua quién está detrás. Anota tu confianza en cada afirmación antes de comprobarla y compárala con el veredicto, como describe la guía de calibración de la confianza en tus juicios. Con el tiempo, el registro muestra qué tipos de afirmación te engañan más, el núcleo práctico de la brecha de discernimiento.

Lo que esto no significa

No significa que las respuestas de la IA suelan ser erróneas: una fuente que falta es un problema distinto de una afirmación falsa. No significa que los sistemas de la tabla se ordenen hoy de esa manera; se probaron entre 2023 y 2025. La evidencia sobre la lectura lateral procede sobre todo de estudiantes y sitios web, no de resultados de IA, así que su traslado al trabajo con IA es una inferencia. Y la verificación no hace que un resultado sea cierto; hace que tu confianza se ajuste a la evidencia de la que dispones.

Preguntas frecuentes

¿Cómo se sabe si una respuesta de la IA es cierta?
Solo rastreando sus afirmaciones críticas hasta una fuente primaria y encontrando la frase que respalda cada una. La fluidez, la seguridad y las notas al pie no son pruebas; en una auditoría, las respuestas que parecían más útiles eran a menudo las menos respaldadas.

¿Puede la IA comprobar su propia respuesta?
Úsala para listar afirmaciones y redactar preguntas de verificación, no como comprobación final. Sin información externa, la autocorrección redujo la precisión en las pruebas de Huang et al.; las preguntas estructuradas e independientes la mejoraron.

¿Son más fiables las respuestas de la IA con citas?
Las citas hacen posible la comprobación, no la vuelven innecesaria. En los tres estudios anteriores, la proporción de afirmaciones sin respaldo osciló entre el 12,5 % y el 97,5 % según el sistema.

¿Qué es la lectura lateral?
Salir de una fuente para averiguar qué dicen de ella fuentes independientes, en lugar de juzgarla por sus propias páginas. En el estudio de Stanford, los verificadores abandonaban una página desconocida en una media de alrededor de medio minuto; los estudios en el aula muestran que puede enseñarse en unas pocas lecciones.

¿Es un segundo modelo de IA una comprobación independiente?
No por sí solo. Puede señalar incoherencias, pero los estudios anteriores muestran que incluso los modelos con búsqueda web citan a menudo fuentes que no los respaldan. La comprobación independiente es la fuente primaria.

Fuentes

1. Liu, N. F., Zhang, T. y Liang, P. (2023). Evaluating Verifiability in Generative Search Engines. Findings of EMNLP 2023. arXiv 2304.09848, versión 2.
2. Wu, K., Wu, E., Zou, J. y colegas (2025). An automated framework for assessing how well LLMs cite relevant medical references. Nature Communications 16, 3615, y su información complementaria.
3. Narayanan Venkit, P., Laban, P., Zhou, Y. y colegas (2025). DeepTRACE: Auditing Deep Research AI Systems for Tracking Reliability Across Citations and Evidence. arXiv 2509.04499, versión 1 (preprint de autores de Salesforce AI Research y Microsoft Research; sin revisión por pares).
4. Gao, T., Yen, H., Yu, J. y Chen, D. (2023). Enabling Large Language Models to Generate Text with Citations. EMNLP 2023. arXiv 2305.14627.
5. Huang, J., Chen, X., Mishra, S. y colegas (2024). Large Language Models Cannot Self-Correct Reasoning Yet. ICLR 2024. arXiv 2310.01798, versión 2.
6. Dhuliawala, S., Komeili, M., Xu, J. y colegas (2024). Chain-of-Verification Reduces Hallucination in Large Language Models. Findings of ACL 2024, páginas 3563-3578. arXiv 2309.11495.
7. Wineburg, S. y McGrew, S. Lateral Reading and the Nature of Expertise: Reading Less and Learning More When Evaluating Digital Information. Teachers College Record. Versión previa a la publicación fechada el 28 de julio de 2018, Stanford Digital Repository.
8. Breakstone, J., Smith, M., Wineburg, S. y colegas (2021). Students’ Civic Online Reasoning: A National Portrait. Educational Researcher. Versión previa a la publicación, Stanford Digital Repository.
9. Brodsky, J. E., Brooks, P. J., Scimeca, D. y colegas (2021). Improving college students’ fact-checking strategies through lateral reading instruction in a general education civics course. Cognitive Research: Principles and Implications 6, 23.
10. Wineburg, S., Breakstone, J., McGrew, S. y colegas (2022). Lateral Reading on the Open Internet: A District-Wide Field Study in High School Government Classes. Journal of Educational Psychology 114, 893-909 (solo el resumen, registro ERIC EJ1372738).
11. Panizza, F., Ronzani, P., Martini, C. y colegas (2022). Lateral reading and monetary incentives to spot disinformation about science. Scientific Reports 12, 5678.
12. Kozyreva, A. y colegas (2024). Toolbox of individual-level interventions against online misinformation. Nature Human Behaviour, publicado el 13 de mayo de 2024 (solo el resumen).

Nota sobre los métodos. “¿Respalda la cita la afirmación?” es un análisis de CEOtudent de las fuentes 1-3; las celdas con asterisco, las medianas y los rangos se calculan a partir de las cifras publicadas, al igual que la columna de cambio de la tabla de autocorrección. El protocolo en 5 pasos, el triaje según lo que está en juego, la matriz de enrutamiento y el registro de verificación son marcos editoriales de CEOtudent; el ejemplo práctico usa una frase ilustrativa. Deliberadamente no hemos utilizado las cifras de 2025 del Tow Center for Digital Journalism sobre las citas en la búsqueda con IA, muy repetidas, porque no abrimos ni comprobamos ese informe. Las cifras de la auditoría de redacciones de la EBU y la BBC, de alucinaciones en tribunales, de referencias inventadas, de FActScore, de SelfCheckGPT y de entropía semántica aparecen en los artículos enlazados del clúster. Este artículo es información general, no asesoramiento jurídico, médico ni financiero.

---

Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: