{"id":326439,"date":"2026-10-10T12:37:34","date_gmt":"2026-10-10T09:37:34","guid":{"rendered":"https:\/\/ceotudent.com\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades"},"modified":"2026-10-10T12:37:34","modified_gmt":"2026-10-10T09:37:34","slug":"como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades","status":"publish","type":"post","link":"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades","title":{"rendered":"C\u00f3mo aprender de los errores de la IA: convierte los fallos del modelo en mejoras de tus propias habilidades"},"content":{"rendered":"<p><strong>TL;DR.<\/strong> Los errores de la IA son lo bastante frecuentes en el trabajo real como para ser un suministro constante de material de pr\u00e1ctica, y la mayor\u00eda de la gente tira ese material a la basura. En un experimento de campo aleatorizado con casi mil estudiantes de matem\u00e1ticas de secundaria (Bastani y colaboradores, PNAS, 2025), una interfaz simple de GPT-4 elev\u00f3 las notas de pr\u00e1ctica un 48 %, pero esos estudiantes obtuvieron un 17 % menos que el grupo de control cuando se retir\u00f3 la herramienta. Esa misma herramienta dio una respuesta correcta solo el 51 % de las veces. Una evaluaci\u00f3n de Stanford y Yale concluy\u00f3 que las principales herramientas de investigaci\u00f3n jur\u00eddica alucinan entre el 17 y el 33 % de las veces. En el lado del aprendizaje, un metaan\u00e1lisis de 24 estudios sobre el entrenamiento en gesti\u00f3n de errores hall\u00f3 un efecto medio positivo de d = 0,44, que sube a d = 0,80 en la transferencia a tareas estructuralmente nuevas. La jugada del CEO: ser due\u00f1o de un Registro de Errores de IA y de una pol\u00edtica de verificaci\u00f3n por escrito, para que los errores sean un riesgo gestionado y no una sorpresa. La jugada del estudiante: tratar cada error detectado como una repetici\u00f3n de pr\u00e1ctica, clasificarlo, rehacerlo sin la herramienta y revisar el registro cada semana.<\/p>\n<p>Este art\u00edculo pertenece al cl\u00faster de evaluaci\u00f3n. Empieza por la pieza central, <a href=\"\/es\/la-habilidad-de-evaluacion-juzgar-resultados-de-ia\">la habilidad de evaluaci\u00f3n: juzgar los resultados de la IA<\/a>, para conocer el m\u00e9todo general. Para la mec\u00e1nica que hay detr\u00e1s de los errores, consulta <a href=\"\/es\/por-que-la-ia-alucina-mecanica-errores-modelo-detectarlos-pronto\">por qu\u00e9 la IA alucina y c\u00f3mo detectar pronto los errores del modelo<\/a>. Para decidir cu\u00e1nta comprobaci\u00f3n merece una tarea, consulta <a href=\"\/es\/calibracion-de-la-confianza-cuando-fiarse-de-las-recomendaciones-ia\">calibraci\u00f3n de la confianza: cu\u00e1ndo fiarse de las recomendaciones de la IA<\/a>.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFPor-que-tratar-un-error-de-la-IA-como-datos-de-entrenamiento-y-no-como-una-molestia\" >\u00bfPor qu\u00e9 tratar un error de la IA como datos de entrenamiento y no como una molestia?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFCon-que-frecuencia-se-equivoca-realmente-la-IA\" >\u00bfCon qu\u00e9 frecuencia se equivoca realmente la IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFQue-ocurre-cuando-la-gente-no-aprende-de-los-errores-de-la-IA\" >\u00bfQu\u00e9 ocurre cuando la gente no aprende de los errores de la IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFQue-dice-la-ciencia-del-aprendizaje-sobre-los-errores-que-se-corrigen\" >\u00bfQu\u00e9 dice la ciencia del aprendizaje sobre los errores que se corrigen?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFQue-habilidad-humana-entrena-cada-tipo-de-error-de-la-IA\" >\u00bfQu\u00e9 habilidad humana entrena cada tipo de error de la IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFQue-debe-contener-un-Registro-de-Errores-de-IA\" >\u00bfQu\u00e9 debe contener un Registro de Errores de IA?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFCuanto-material-de-practica-hay\" >\u00bfCu\u00e1nto material de pr\u00e1ctica hay?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFComo-se-hace-la-revision-semanal\" >\u00bfC\u00f3mo se hace la revisi\u00f3n semanal?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFComo-es-el-lado-del-CEO-la-politica-de-verificacion\" >\u00bfC\u00f3mo es el lado del CEO: la pol\u00edtica de verificaci\u00f3n?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#%C2%BFEstas-aprendiendo-de-los-errores-de-la-IA-Un-cuestionario-de-8-preguntas\" >\u00bfEst\u00e1s aprendiendo de los errores de la IA? Un cuestionario de 8 preguntas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#Lo-que-esto-no-significa\" >Lo que esto no significa<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#Preguntas-frecuentes\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-13\" href=\"https:\/\/ceotudent.com\/es\/como-aprender-de-los-errores-de-la-ia-convertir-fallos-del-modelo-en-habilidades\/#Fuentes\" >Fuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2 id=\"por-qu-tratar-un-error-de-la-ia-como-datos-de-entrenamiento-y-no-como-una-molestia\"><span class=\"ez-toc-section\" id=\"%C2%BFPor-que-tratar-un-error-de-la-IA-como-datos-de-entrenamiento-y-no-como-una-molestia\"><\/span>\u00bfPor qu\u00e9 tratar un error de la IA como datos de entrenamiento y no como una molestia?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La reacci\u00f3n habitual ante un error del modelo es corregirlo y seguir adelante. Eso resuelve el resultado y desperdicia la lecci\u00f3n. Dos l\u00edneas de investigaci\u00f3n sugieren un uso mejor.<\/p>\n<p>La primera es la psicolog\u00eda del aprendizaje a partir de los errores. La revisi\u00f3n de Janet Metcalfe en el Annual Review of Psychology (2017) resume la evidencia de laboratorio en una frase: &ldquo;el aprendizaje con errores seguido de retroalimentaci\u00f3n correctiva es beneficioso para el aprendizaje&rdquo;. A\u00f1ade una condici\u00f3n que importa a cualquiera que trabaje con IA: &ldquo;La retroalimentaci\u00f3n correctiva, incluido el an\u00e1lisis del razonamiento que condujo al error, es crucial&rdquo;. Corregir una cifra equivocada no basta. La ganancia procede de averiguar por qu\u00e9 estaba equivocada.<\/p>\n<p>La segunda es la evidencia sobre lo que ocurre cuando la gente usa la IA sin ese an\u00e1lisis. Los autores del experimento de campo de PNAS exponen el riesgo con claridad. Como la IA generativa es falible, &ldquo;los usuarios deben comprobar con vigilancia sus resultados y corregir cualquier problema presente; si no aprenden las habilidades subyacentes, puede que carezcan de la pericia necesaria para hacerlo&rdquo;. La habilidad de comprobar depende de la habilidad de hacer. Si el uso de la IA erosiona la segunda, la primera se va con ella.<\/p>\n<p>Cada respuesta err\u00f3nea de un modelo es o bien un peque\u00f1o impuesto pagado y olvidado, o bien un problema con la retroalimentaci\u00f3n incluida. Esa es la mirada de CEO y de estudiante aplicada a un mismo objeto. Un director ejecutivo no trata un defecto como mala suerte; el defecto se registra, se clasifica y se rastrea hasta un proceso. Un buen estudiante no trata una respuesta incorrecta como una verg\u00fcenza; la respuesta incorrecta es el elemento m\u00e1s informativo de la p\u00e1gina. El Registro de Errores de IA que se describe m\u00e1s abajo es ambas cosas a la vez.<\/p>\n<h2 id=\"con-qu-frecuencia-se-equivoca-realmente-la-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFCon-que-frecuencia-se-equivoca-realmente-la-IA\"><\/span>\u00bfCon qu\u00e9 frecuencia se equivoca realmente la IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La respuesta honesta es que no existe una tasa \u00fanica. Las tasas de error publicadas difieren en m\u00e1s de un orden de magnitud seg\u00fan la tarea. Las cifras siguientes aparecen tal como est\u00e1n impresas en sus fuentes.<\/p>\n<table>\n<thead>\n<tr>\n<th>Tarea y sistema evaluado<\/th>\n<th>Cifra publicada<\/th>\n<th>Fuente<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Resumir un documento de noticias proporcionado, mejores modelos de la clasificaci\u00f3n HHEM<\/td>\n<td>Tasa de alucinaci\u00f3n m\u00e1s baja 1,3 % (dos modelos empatados), despu\u00e9s 1,4 % y 1,5 %<\/td>\n<td>Stanford HAI, AI Index Report 2025<\/td>\n<\/tr>\n<tr>\n<td>Preguntas breves de b\u00fasqueda de hechos (SimpleQA, m\u00e1s de 4.000 preguntas)<\/td>\n<td>El modelo con mejor rendimiento respondi\u00f3 con \u00e9xito el 42,7 % de las preguntas<\/td>\n<td>Stanford HAI, AI Index Report 2025<\/td>\n<\/tr>\n<tr>\n<td>Problemas de pr\u00e1ctica de matem\u00e1ticas de secundaria, GPT-4 tras una interfaz de chat simple<\/td>\n<td>Respuesta correcta el 51 % de las veces; errores l\u00f3gicos 42 %; errores aritm\u00e9ticos 8 %<\/td>\n<td>Bastani et al., PNAS, 2025<\/td>\n<\/tr>\n<tr>\n<td>Preguntas de investigaci\u00f3n jur\u00eddica, herramientas comerciales con recuperaci\u00f3n (202 consultas)<\/td>\n<td>Alucinaci\u00f3n entre el 17 % y el 33 % de las veces<\/td>\n<td>Magesh et al., preprint de 2024<\/td>\n<\/tr>\n<tr>\n<td>Preguntas directas y verificables sobre casos de tribunales federales, modelos de prop\u00f3sito general<\/td>\n<td>Alucinaci\u00f3n entre el 58 % (ChatGPT 4) y el 88 % (Llama 2) de las veces<\/td>\n<td>Dahl et al., 2024<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuentes: Stanford Institute for Human-Centered AI, AI Index Report 2025, cap\u00edtulo 3; Bastani et al., PNAS 122, 2025; Magesh et al., preprint de arXiv 2405.20362, 2024; Dahl et al., arXiv 2401.01301, de pr\u00f3xima publicaci\u00f3n en el Journal of Legal Analysis. Todas las cifras describen los modelos y las fechas concretos evaluados y no son tasas actuales de ning\u00fan producto.<\/em><\/p>\n<p>De la tabla se desprenden tres puntos.<\/p>\n<p>Primero, la tasa depende de la tarea mucho m\u00e1s que de la marca. El experimento de Harvard Business School y Boston Consulting Group dio nombre a esta irregularidad. Su resumen describe una &ldquo;frontera tecnol\u00f3gica irregular&rdquo;, en la que la ayuda de la IA &ldquo;mejora el rendimiento en algunas tareas pero lo empeora en otras, incluso dentro del mismo flujo de trabajo de conocimiento y con un nivel de dificultad aparentemente similar&rdquo;.<\/p>\n<p>Segundo, las herramientas especializadas reducen los errores sin eliminarlos. El estudio jur\u00eddico evalu\u00f3 productos cuyos proveedores hab\u00edan anunciado el fin de las alucinaciones. Los autores informan de que Lexis+ AI respondi\u00f3 con exactitud el 65 % de las consultas, de que AI-Assisted Research de Westlaw fue exacto el 42 % de las veces y de que &ldquo;M\u00e1s de 1 de cada 6&rdquo; consultas llevaron a Lexis+ AI y a Ask Practical Law AI a responder con informaci\u00f3n enga\u00f1osa o falsa. Su definici\u00f3n es \u00fatil para cualquier registro de errores: una respuesta cuenta como alucinada &ldquo;si es incorrecta o est\u00e1 mal fundamentada&rdquo;.<\/p>\n<p>Tercero, los modelos son malos jueces de sus propios errores. Dahl y colaboradores concluyen que los modelos &ldquo;tienen dificultades para predecir sus propias alucinaciones y a menudo aceptan sin cr\u00edtica las suposiciones jur\u00eddicas incorrectas de los usuarios&rdquo;. Un tono seguro no es una prueba.<\/p>\n<h2 id=\"qu-ocurre-cuando-la-gente-no-aprende-de-los-errores-de-la-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-ocurre-cuando-la-gente-no-aprende-de-los-errores-de-la-IA\"><\/span>\u00bfQu\u00e9 ocurre cuando la gente no aprende de los errores de la IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El experimento de PNAS es la evidencia m\u00e1s clara, porque midi\u00f3 tanto el rendimiento con ayuda como el rendimiento sin ayuda posterior. El estudio se llev\u00f3 a cabo en un instituto de secundaria de Turqu\u00eda en el semestre de oto\u00f1o del curso acad\u00e9mico 2023-2024, a lo largo de cuatro sesiones de 90 minutos y unas cincuenta clases. Los estudiantes practicaron con una de dos herramientas de GPT-4 o solo con libros de texto, y despu\u00e9s hicieron un examen a libro cerrado.<\/p>\n<table>\n<thead>\n<tr>\n<th>Medida<\/th>\n<th>Control (solo libros de texto)<\/th>\n<th>GPT Base (interfaz de chat simple)<\/th>\n<th>GPT Tutor (prompts dise\u00f1ados por docentes)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Nota de pr\u00e1ctica con ayuda, variaci\u00f3n frente al control (sobre 1)<\/td>\n<td>Media 0,28<\/td>\n<td>+0,137<\/td>\n<td>+0,361<\/td>\n<\/tr>\n<tr>\n<td>Mejora en la pr\u00e1ctica tal como est\u00e1 impresa<\/td>\n<td>&#8211;<\/td>\n<td>48 %<\/td>\n<td>127 %<\/td>\n<\/tr>\n<tr>\n<td>Examen sin ayuda, variaci\u00f3n frente al control (sobre 1)<\/td>\n<td>&#8211;<\/td>\n<td>-0,054<\/td>\n<td>-0,004<\/td>\n<\/tr>\n<tr>\n<td>Efecto en el examen tal como est\u00e1 impreso<\/td>\n<td>&#8211;<\/td>\n<td>Reducci\u00f3n del 17 %<\/td>\n<td>Estad\u00edsticamente indistinguible del control<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuente: Bastani H, Bastani O, Sungu A, Ge H, Kabakc\u0131 \u00d6, Mariman R, PNAS 122, e2422633122, 2025.<\/em><\/p>\n<p>Dos detalles hacen que esto sea m\u00e1s que una advertencia sobre escolares. Los autores auditaron la herramienta simple plante\u00e1ndole diez veces cada uno de los 57 problemas de pr\u00e1ctica. La herramienta &ldquo;da una respuesta correcta solo el 51 % de las veces de media&rdquo;, con errores l\u00f3gicos el 42 % de las veces y errores aritm\u00e9ticos el 8 % de las veces. Los estudiantes practicaban con un tutor que se equivocaba aproximadamente la mitad de las veces, y el examen sin ayuda muestra que no convirtieron esos errores en aprendizaje.<\/p>\n<p>Tampoco se dieron cuenta. Los estudiantes del grupo GPT Base &ldquo;no percibieron que rindieran peor ni que aprendieran menos&rdquo;. La sensaci\u00f3n de progreso y el hecho del progreso se separaron.<\/p>\n<p>El experimento de consultor\u00eda muestra el mismo patr\u00f3n en el trabajo profesional. Entre 758 trabajadores del conocimiento, quienes usaron GPT-4 en 18 tareas dentro de la frontera completaron un 12,2 % m\u00e1s de tareas y las terminaron un 25,1 % m\u00e1s r\u00e1pido. En una tarea seleccionada para quedar fuera de la frontera, ten\u00edan &ldquo;un 19 % menos de probabilidades de producir soluciones correctas en comparaci\u00f3n con quienes no usaban IA&rdquo;. La herramienta no anunciaba de qu\u00e9 lado de la frontera estaba una tarea. Solo quienes comprobaban pod\u00edan saberlo.<\/p>\n<p>La investigaci\u00f3n anterior sobre sistemas de apoyo a la decisi\u00f3n explica el mecanismo. Una revisi\u00f3n sistem\u00e1tica del sesgo de automatizaci\u00f3n en el Journal of the American Medical Informatics Association examin\u00f3 13.821 art\u00edculos e incluy\u00f3 74. En su an\u00e1lisis agrupado de cuatro estudios, la raz\u00f3n de riesgo fue de 1,26 (IC del 95 %: 1,11 a 1,44): cuando el consejo del sistema era err\u00f3neo, &ldquo;aument\u00f3 en un 26 % el riesgo de que se tomara una decisi\u00f3n incorrecta&rdquo;. La revisi\u00f3n describe dos clases de error humano: la comisi\u00f3n, seguir un consejo incorrecto, y la omisi\u00f3n, no actuar porque el sistema no lo indic\u00f3. Ambas pertenecen a un registro de errores, porque ambas son tuyas, no del modelo.<\/p>\n<h2 id=\"qu-dice-la-ciencia-del-aprendizaje-sobre-los-errores-que-se-corrigen\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-dice-la-ciencia-del-aprendizaje-sobre-los-errores-que-se-corrigen\"><\/span>\u00bfQu\u00e9 dice la ciencia del aprendizaje sobre los errores que se corrigen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Si los errores sin corregir perjudican, la investigaci\u00f3n sobre los errores corregidos apunta en sentido contrario. Las cifras aparecen tal como est\u00e1n impresas en cada fuente.<\/p>\n<table>\n<thead>\n<tr>\n<th>Hallazgo<\/th>\n<th>Base de evidencia<\/th>\n<th>Tama\u00f1o del efecto tal como est\u00e1 impreso<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Entrenamiento en gesti\u00f3n de errores, global (Keith y Frese, 2008)<\/td>\n<td>24 estudios, N = 2.183<\/td>\n<td>d de Cohen = 0,44<\/td>\n<\/tr>\n<tr>\n<td>\u00cddem, transferencia posterior al entrenamiento<\/td>\n<td>An\u00e1lisis de moderadores<\/td>\n<td>d = 0,56<\/td>\n<\/tr>\n<tr>\n<td>\u00cddem, tareas estructuralmente distintas (transferencia adaptativa)<\/td>\n<td>An\u00e1lisis de moderadores<\/td>\n<td>d = 0,80<\/td>\n<\/tr>\n<tr>\n<td>Resoluci\u00f3n de problemas antes de la instrucci\u00f3n (Sinha y Kapur, 2021)<\/td>\n<td>53 estudios, 166 comparaciones<\/td>\n<td>g de Hedge 0,36, IC del 95 %: 0,20 a 0,51<\/td>\n<\/tr>\n<tr>\n<td>\u00cddem, alta fidelidad a los principios del fracaso productivo<\/td>\n<td>Subconjunto<\/td>\n<td>g de Hedge entre 0,37 y 0,58<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuentes: Keith N, Frese M, Journal of Applied Psychology 93(1), 2008; Sinha T, Kapur M, Review of Educational Research 91(5), 2021. Ambos le\u00eddos solo a nivel de resumen.<\/em><\/p>\n<p>Cuatro hallazgos se trasladan directamente a la pr\u00e1ctica con la IA.<\/p>\n<p><strong>Los errores ayudan sobre todo en problemas nuevos.<\/strong> Keith y Frese hallaron el mayor efecto en la transferencia adaptativa, 0,80 frente a 0,44 en el conjunto, unas 1,8 veces la media. El entrenamiento basado en errores es &ldquo;m\u00e1s adecuado que los m\u00e9todos de entrenamiento que evitan los errores para fomentar la transferencia a tareas novedosas&rdquo;. Las tareas novedosas son aquello de lo que se compone cada vez m\u00e1s un empleo en la era de la IA.<\/p>\n<p><strong>Intentarlo primero importa, incluso cuando el intento fracasa.<\/strong> Kornell, Hays y Bjork realizaron seis experimentos en los que los participantes ten\u00edan que adivinar respuestas que no pod\u00edan conocer antes de verlas. Su conclusi\u00f3n: &ldquo;Los intentos de recuperaci\u00f3n fallidos mejoraron el aprendizaje con ambos tipos de materiales&rdquo;. La implicaci\u00f3n para el uso de la IA es una regla de secuencia. Formula tu propia respuesta, estimaci\u00f3n o esquema antes de leer la del modelo.<\/p>\n<p><strong>Los errores cometidos con seguridad son los m\u00e1s corregibles.<\/strong> Butterfield y Metcalfe esperaban que los errores de alta confianza fueran los m\u00e1s dif\u00edciles de arreglar. Encontraron lo contrario: &ldquo;los errores de alta confianza fueron los que con mayor probabilidad se corrigieron en una prueba posterior&rdquo;. Por eso el registro de m\u00e1s abajo anota tu confianza antes de la comprobaci\u00f3n. Las entradas en las que estabas seguro y te equivocaste son las m\u00e1s valiosas.<\/p>\n<p><strong>La retroalimentaci\u00f3n tiene que incluir el razonamiento.<\/strong> La condici\u00f3n de Metcalfe, citada m\u00e1s arriba, descarta la versi\u00f3n perezosa de un registro de errores. Una lista de resultados err\u00f3neos ense\u00f1a poco. Una lista de resultados err\u00f3neos con la causa y la comprobaci\u00f3n que los habr\u00eda detectado es un plan de estudios.<\/p>\n<p>Una cautela: Sinha y Kapur informan de que, para &ldquo;el aprendizaje de habilidades de dominio general&rdquo;, los tama\u00f1os del efecto favorecieron la instrucci\u00f3n primero. Comprobar los resultados de la IA es en parte una habilidad general, as\u00ed que aprende tambi\u00e9n las comprobaciones de forma expl\u00edcita. La taxonom\u00eda siguiente es esa instrucci\u00f3n.<\/p>\n<h2 id=\"qu-habilidad-humana-entrena-cada-tipo-de-error-de-la-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-habilidad-humana-entrena-cada-tipo-de-error-de-la-IA\"><\/span>\u00bfQu\u00e9 habilidad humana entrena cada tipo de error de la IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Marco editorial de CEOtudent: la taxonom\u00eda de errores de la IA.<\/strong> Las seis primeras filas son errores del lado del modelo; las dos \u00faltimas son errores del lado humano, tomados de la literatura sobre el sesgo de automatizaci\u00f3n. La correspondencia con las habilidades es un juicio editorial, no un resultado medido.<\/p>\n<table>\n<thead>\n<tr>\n<th>C\u00f3digo<\/th>\n<th>Tipo de error<\/th>\n<th>Qu\u00e9 aspecto tiene<\/th>\n<th>Habilidad humana que entrena<\/th>\n<th>La repetici\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>F<\/td>\n<td>Fuente o hecho inventado<\/td>\n<td>Una cita, un caso, una declaraci\u00f3n o una estad\u00edstica que no existe<\/td>\n<td>Verificaci\u00f3n de fuentes<\/td>\n<td>Abre el original y localiza la l\u00ednea exacta antes de usarla<\/td>\n<\/tr>\n<tr>\n<td>M<\/td>\n<td>Afirmaci\u00f3n mal fundamentada<\/td>\n<td>Una fuente real citada para algo que no dice<\/td>\n<td>Lectura atenta<\/td>\n<td>Compara la afirmaci\u00f3n con el pasaje citado palabra por palabra<\/td>\n<\/tr>\n<tr>\n<td>L<\/td>\n<td>Error l\u00f3gico<\/td>\n<td>Pasos plausibles que no se siguen, o el m\u00e9todo equivocado<\/td>\n<td>Razonamiento y estructuraci\u00f3n de problemas<\/td>\n<td>Rehaz los dos primeros pasos sin ayuda y despu\u00e9s localiza d\u00f3nde se separan los caminos<\/td>\n<\/tr>\n<tr>\n<td>A<\/td>\n<td>Error aritm\u00e9tico o de unidades<\/td>\n<td>M\u00e9todo correcto, n\u00famero incorrecto<\/td>\n<td>Estimaci\u00f3n<\/td>\n<td>Escribe una estimaci\u00f3n de orden de magnitud antes de leer la respuesta<\/td>\n<\/tr>\n<tr>\n<td>P<\/td>\n<td>Premisa falsa aceptada<\/td>\n<td>El modelo construye sobre una suposici\u00f3n err\u00f3nea del prompt<\/td>\n<td>Formulaci\u00f3n de preguntas<\/td>\n<td>Haz la misma pregunta con la premisa planteada de forma neutra<\/td>\n<\/tr>\n<tr>\n<td>S<\/td>\n<td>Desviaci\u00f3n del alcance o respuesta incompleta<\/td>\n<td>Responde a una pregunta cercana u omite una parte requerida<\/td>\n<td>Redacci\u00f3n de encargos<\/td>\n<td>Reescribe el encargo con una definici\u00f3n de terminado y vuelve a ejecutarlo<\/td>\n<\/tr>\n<tr>\n<td>C<\/td>\n<td>Comisi\u00f3n (humana)<\/td>\n<td>Aceptaste un resultado err\u00f3neo sin comprobarlo<\/td>\n<td>Disciplina de verificaci\u00f3n<\/td>\n<td>Nombra la comprobaci\u00f3n que se omiti\u00f3 y a\u00f1\u00e1dela a la pol\u00edtica<\/td>\n<\/tr>\n<tr>\n<td>O<\/td>\n<td>Omisi\u00f3n (humana)<\/td>\n<td>Pasaste algo por alto porque el modelo no lo plante\u00f3<\/td>\n<td>Exploraci\u00f3n independiente<\/td>\n<td>Enumera lo que debe contener una buena respuesta antes de escribir el prompt<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Los c\u00f3digos siguen distinciones hechas en las fuentes: respuestas incorrectas frente a mal fundamentadas en el estudio jur\u00eddico, errores l\u00f3gicos frente a aritm\u00e9ticos en la auditor\u00eda de PNAS (42 frente a 8 %), premisas falsas aceptadas en Dahl y colaboradores, y comisi\u00f3n frente a omisi\u00f3n en la revisi\u00f3n sobre el sesgo de automatizaci\u00f3n.<\/p>\n<p>Un patr\u00f3n en los c\u00f3digos es un diagn\u00f3stico. Muchas entradas S significan que los encargos son d\u00e9biles. Muchas entradas C significan que no se est\u00e1 siguiendo la pol\u00edtica de verificaci\u00f3n. Muchas entradas F y M en un mismo dominio significan que la herramienta ha sobrepasado su frontera para esa tarea. Para el lado de la redacci\u00f3n de encargos de este ciclo, consulta <a href=\"\/es\/manual-gestion-ia-dirigir-evaluar-mejorar\">el manual de gesti\u00f3n de la IA<\/a>.<\/p>\n<h2 id=\"qu-debe-contener-un-registro-de-errores-de-ia\"><span class=\"ez-toc-section\" id=\"%C2%BFQue-debe-contener-un-Registro-de-Errores-de-IA\"><\/span>\u00bfQu\u00e9 debe contener un Registro de Errores de IA?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Marco editorial de CEOtudent: la plantilla del Registro de Errores de IA.<\/strong> Una fila por cada error detectado. Basta con una hoja de c\u00e1lculo o un archivo de notas.<\/p>\n<table>\n<thead>\n<tr>\n<th>Columna<\/th>\n<th>Qu\u00e9 escribir<\/th>\n<th>Por qu\u00e9 est\u00e1 ah\u00ed<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fecha y tarea<\/td>\n<td>Qu\u00e9 se estaba produciendo y para qui\u00e9n<\/td>\n<td>Muestra qu\u00e9 flujos de trabajo generan errores<\/td>\n<\/tr>\n<tr>\n<td>Nivel de riesgo<\/td>\n<td>Bajo, medio o alto<\/td>\n<td>Vincula la entrada con la pol\u00edtica de verificaci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>Herramienta y modo<\/td>\n<td>Modelo, con o sin b\u00fasqueda o documentos<\/td>\n<td>Las tasas de error difieren seg\u00fan la tarea y la configuraci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>El error, citado<\/td>\n<td>La frase o el n\u00famero err\u00f3neo exacto<\/td>\n<td>Evita el recuerdo vago<\/td>\n<\/tr>\n<tr>\n<td>C\u00f3digo<\/td>\n<td>F, M, L, A, P, S, C u O<\/td>\n<td>Hace posible el recuento semanal<\/td>\n<\/tr>\n<tr>\n<td>C\u00f3mo se detect\u00f3<\/td>\n<td>Qu\u00e9 comprobaci\u00f3n, o qui\u00e9n lo encontr\u00f3 aguas abajo<\/td>\n<td>Muestra qu\u00e9 comprobaciones compensan su tiempo<\/td>\n<\/tr>\n<tr>\n<td>Confianza antes de la comprobaci\u00f3n<\/td>\n<td>De 0 a 100 en que el resultado era correcto<\/td>\n<td>Saca a la luz los fallos cometidos con seguridad, el tipo m\u00e1s corregible<\/td>\n<\/tr>\n<tr>\n<td>Causa en el lado humano<\/td>\n<td>Encargo d\u00e9bil, contexto ausente, comprobaci\u00f3n omitida, dominio desconocido<\/td>\n<td>Traslada la lecci\u00f3n del modelo al usuario<\/td>\n<\/tr>\n<tr>\n<td>Respuesta correcta y fuente<\/td>\n<td>La correcci\u00f3n, con el lugar donde se verific\u00f3<\/td>\n<td>La retroalimentaci\u00f3n correctiva en s\u00ed<\/td>\n<\/tr>\n<tr>\n<td>Cambio de regla<\/td>\n<td>La l\u00ednea a\u00f1adida a la pol\u00edtica de verificaci\u00f3n, o &ldquo;ninguno&rdquo;<\/td>\n<td>Convierte el error en un cambio de proceso<\/td>\n<\/tr>\n<tr>\n<td>Fecha de repetici\u00f3n de la prueba<\/td>\n<td>Cu\u00e1ndo rehacer este elemento sin ayuda<\/td>\n<td>Programa la repetici\u00f3n de pr\u00e1ctica<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Dos columnas hacen la mayor parte del trabajo. Las entradas detectadas aguas abajo por un colega, un cliente o un revisor son fugas; su proporci\u00f3n sobre el total de entradas muestra si la comprobaci\u00f3n est\u00e1 funcionando. La columna de confianza protege frente a la brecha de percepci\u00f3n del estudio de PNAS: un n\u00famero escrito antes de la comprobaci\u00f3n no puede revisarse despu\u00e9s.<\/p>\n<p>Para el mismo formato de antes y despu\u00e9s aplicado a las decisiones, consulta <a href=\"\/es\/diario-de-decisiones-plantilla-y-protocolo-para-mejorar-tu-juicio\">la plantilla y el protocolo del diario de decisiones<\/a>.<\/p>\n<h2 id=\"cunto-material-de-prctica-hay\"><span class=\"ez-toc-section\" id=\"%C2%BFCuanto-material-de-practica-hay\"><\/span>\u00bfCu\u00e1nto material de pr\u00e1ctica hay?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>An\u00e1lisis de CEOtudent de las tasas publicadas anteriores.<\/strong> La tabla convierte cada tasa impresa en lo que encontrar\u00eda una persona que comprueba todos los resultados. Supone que cada resultado es una extracci\u00f3n independiente a la tasa impresa, lo cual es una simplificaci\u00f3n: los errores reales se agrupan por tipo de tarea.<\/p>\n<table>\n<thead>\n<tr>\n<th>Contexto y tasa impresa<\/th>\n<th>Errores esperados por cada 20 resultados<\/th>\n<th>Probabilidad de al menos un error en 10 resultados<\/th>\n<th>Un error de media cada<\/th>\n<th>Errores encontrados en 50 semanas con 20 resultados comprobados a la semana<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Res\u00famenes de documentos, mejores modelos, 1,3 %<\/td>\n<td>0,3<\/td>\n<td>12,3 %<\/td>\n<td>76,9 resultados<\/td>\n<td>13<\/td>\n<\/tr>\n<tr>\n<td>Herramientas de investigaci\u00f3n jur\u00eddica, extremo inferior, 17 %<\/td>\n<td>3,4<\/td>\n<td>84,5 %<\/td>\n<td>5,9 resultados<\/td>\n<td>170<\/td>\n<\/tr>\n<tr>\n<td>Herramientas de investigaci\u00f3n jur\u00eddica, extremo superior, 33 %<\/td>\n<td>6,6<\/td>\n<td>98,2 %<\/td>\n<td>3,0 resultados<\/td>\n<td>330<\/td>\n<\/tr>\n<tr>\n<td>Respuestas de matem\u00e1ticas de GPT-4 simple, 49 % (100 menos 51)<\/td>\n<td>9,8<\/td>\n<td>99,9 %<\/td>\n<td>2,0 resultados<\/td>\n<td>490<\/td>\n<\/tr>\n<tr>\n<td>Chatbot general en preguntas de jurisprudencia, extremo inferior, 58 %<\/td>\n<td>11,6<\/td>\n<td>m\u00e1s del 99,9 %<\/td>\n<td>1,7 resultados<\/td>\n<td>580<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuente: c\u00e1lculos de CEOtudent (calc.py) a partir de las tasas impresas en el AI Index Report 2025, Magesh et al. 2024, Bastani et al. 2025 y Dahl et al. 2024. Ilustrativo, no una previsi\u00f3n para ninguna herramienta actual.<\/em><\/p>\n<p>Con una tasa del 17 %, quien acepta diez resultados sin comprobar tiene un 84,5 % de probabilidades de que al menos uno sea err\u00f3neo. La misma tasa, con comprobaci\u00f3n, proporciona unos 170 ejemplos resueltos con retroalimentaci\u00f3n en un a\u00f1o. El extremo inferior del chatbot general es 3,4 veces el de las herramientas especializadas, de modo que la elecci\u00f3n de la herramienta cambia la carga sin eliminarla.<\/p>\n<p>Con un 1,3 %, un error llega aproximadamente una vez cada 77 resultados, la condici\u00f3n en la que la atenci\u00f3n se dispersa. Las tareas de tasa baja necesitan una regla fija de muestreo en la pol\u00edtica, no vigilancia.<\/p>\n<h2 id=\"cmo-se-hace-la-revisin-semanal\"><span class=\"ez-toc-section\" id=\"%C2%BFComo-se-hace-la-revision-semanal\"><\/span>\u00bfC\u00f3mo se hace la revisi\u00f3n semanal?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Protocolo editorial de CEOtudent: 20 minutos, una vez a la semana.<\/strong> A lo largo de 50 semanas esto supone unas 16,7 horas.<\/p>\n<ol>\n<li><strong>Contar y clasificar (5 minutos).<\/strong> Suma las entradas de la semana por c\u00f3digo. Anota las fugas, las entradas que detect\u00f3 otra persona.<\/li>\n<li><strong>Rehacer un error sin ayuda (5 minutos).<\/strong> Toma la entrada con la confianza m\u00e1s alta antes de la comprobaci\u00f3n. Sin la herramienta, produce la respuesta correcta o el m\u00e9todo correcto. Este es el intento de recuperaci\u00f3n; funciona incluso cuando fracasa, siempre que despu\u00e9s se revise la respuesta correcta.<\/li>\n<li><strong>Rastrear la causa (5 minutos).<\/strong> Para los dos c\u00f3digos m\u00e1s frecuentes, escribe una frase sobre la causa del lado humano. Usa la condici\u00f3n de Metcalfe como prueba: la nota debe describir el razonamiento que condujo al fallo, no solo el fallo.<\/li>\n<li><strong>Cambiar una regla (3 minutos).<\/strong> A\u00f1ade, endurece o elimina una l\u00ednea de la pol\u00edtica de verificaci\u00f3n. Un cambio a la semana es suficiente; m\u00e1s no se cumplir\u00e1n.<\/li>\n<li><strong>Programar la repetici\u00f3n de la prueba (2 minutos).<\/strong> Fija una fecha para volver a rehacer el elemento de esta semana, y rehaz el elemento de una semana anterior al que le ha llegado el turno.<\/li>\n<\/ol>\n<p>Una vez al mes, comprueba que la proporci\u00f3n de fugas est\u00e1 bajando y que la mezcla de c\u00f3digos se aleja de C y S.<\/p>\n<h2 id=\"cmo-es-el-lado-del-ceo-la-poltica-de-verificacin\"><span class=\"ez-toc-section\" id=\"%C2%BFComo-es-el-lado-del-CEO-la-politica-de-verificacion\"><\/span>\u00bfC\u00f3mo es el lado del CEO: la pol\u00edtica de verificaci\u00f3n?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Un registro sin pol\u00edtica es un diario. La pol\u00edtica es un documento escrito breve que dice cu\u00e1nta comprobaci\u00f3n recibe cada clase de trabajo antes de salir de tus manos. La investigaci\u00f3n sobre el sesgo de automatizaci\u00f3n respalda ponerla por escrito. La revisi\u00f3n de JAMIA incluye &ldquo;la formaci\u00f3n y el \u00e9nfasis en la responsabilidad del usuario&rdquo; entre los mitigadores, e informa de un estudio en el que las personas que se percib\u00edan a s\u00ed mismas como responsables cometieron menos errores de sesgo de automatizaci\u00f3n. Parasuraman y Manzey son menos optimistas y concluyen que el sesgo de automatizaci\u00f3n &ldquo;no puede prevenirse mediante formaci\u00f3n o instrucciones&rdquo;. Las dos revisiones coinciden en el punto pr\u00e1ctico: las buenas intenciones no son un control. Un responsable con nombre y un procedimiento fijo s\u00ed lo son.<\/p>\n<p><strong>Marco editorial de CEOtudent: una pol\u00edtica de verificaci\u00f3n de tres niveles.<\/strong><\/p>\n<table>\n<thead>\n<tr>\n<th>Nivel<\/th>\n<th>Trabajo t\u00edpico<\/th>\n<th>Comprobaci\u00f3n m\u00ednima<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>1. Riesgo bajo, reversible<\/td>\n<td>Borradores, lluvia de ideas, notas internas<\/td>\n<td>Leer una vez; comprobar por muestreo un hecho por documento<\/td>\n<\/tr>\n<tr>\n<td>2. Riesgo medio<\/td>\n<td>Texto dirigido a clientes, an\u00e1lisis que fundamenta una decisi\u00f3n, c\u00f3digo que se va a ejecutar<\/td>\n<td>Verificar cada n\u00famero, nombre, fecha y cita con una fuente; repetir los c\u00e1lculos de forma independiente<\/td>\n<\/tr>\n<tr>\n<td>3. Riesgo alto o fuera de tu especialidad<\/td>\n<td>Contenido jur\u00eddico, m\u00e9dico, financiero o de seguridad; cualquier cosa firmada o publicada<\/td>\n<td>Comprobaciones del nivel 2 m\u00e1s la revisi\u00f3n de una persona cualificada; sin fuente, no hay afirmaci\u00f3n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Dos reglas mantienen la honestidad de la pol\u00edtica. Cada fuga sube ese tipo de tarea un nivel hasta que pase un mes sin otra. Y cada regla nombra su comprobaci\u00f3n, no una intenci\u00f3n (&ldquo;abre la p\u00e1gina citada&rdquo;, no &ldquo;ten cuidado&rdquo;).<\/p>\n<p>La encuesta de Lee y colaboradores, de Microsoft Research y Carnegie Mellon, muestra por qu\u00e9 la pol\u00edtica no puede apoyarse en la sensaci\u00f3n. Entre 319 trabajadores del conocimiento que compartieron 936 ejemplos de uso de la IA generativa en el trabajo, &ldquo;una mayor confianza en la IA generativa se asocia con menos pensamiento cr\u00edtico, mientras que una mayor confianza en uno mismo se asocia con m\u00e1s pensamiento cr\u00edtico&rdquo;. La confianza en la herramienta redujo la comprobaci\u00f3n justo donde la comprobaci\u00f3n era la \u00fanica salvaguarda. La distancia entre la confianza en la herramienta y la confianza en uno mismo es el tema de <a href=\"\/es\/brecha-de-discernimiento-produccion-ia-pensamiento-humano\">la brecha de discernimiento<\/a>.<\/p>\n<h2 id=\"ests-aprendiendo-de-los-errores-de-la-ia-un-cuestionario-de-8-preguntas\"><span class=\"ez-toc-section\" id=\"%C2%BFEstas-aprendiendo-de-los-errores-de-la-IA-Un-cuestionario-de-8-preguntas\"><\/span>\u00bfEst\u00e1s aprendiendo de los errores de la IA? Un cuestionario de 8 preguntas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Cuestionario editorial de CEOtudent.<\/strong> Punt\u00faa cada pregunta con 0 (no), 1 (a veces) o 2 (de forma constante). M\u00e1ximo 16.<\/p>\n<ol>\n<li>\u00bfFormulas tu propia estimaci\u00f3n, esquema o respuesta antes de leer la del modelo?<\/li>\n<li>\u00bfAnotas en alg\u00fan sitio los errores detectados, con el texto err\u00f3neo exacto?<\/li>\n<li>\u00bfClasificas cada error por tipo?<\/li>\n<li>\u00bfEscribes tu confianza antes de comprobar?<\/li>\n<li>\u00bfAnotas la causa del lado humano, no solo el fallo del modelo?<\/li>\n<li>\u00bfRehaces al menos un error sin ayuda cada semana?<\/li>\n<li>\u00bfTienes una pol\u00edtica de verificaci\u00f3n por escrito con niveles seg\u00fan el riesgo?<\/li>\n<li>\u00bfHaces seguimiento de los errores que otra persona detect\u00f3 despu\u00e9s de ti?<\/li>\n<\/ol>\n<table>\n<thead>\n<tr>\n<th>Puntuaci\u00f3n<\/th>\n<th>Lectura<\/th>\n<th>Siguiente paso<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>0-6<\/td>\n<td>Los errores se corrigen y se olvidan<\/td>\n<td>Empieza el registro con cinco columnas: tarea, error, c\u00f3digo, causa, correcci\u00f3n<\/td>\n<\/tr>\n<tr>\n<td>7-11<\/td>\n<td>Los errores se capturan, pero a\u00fan no se convierten<\/td>\n<td>A\u00f1ade la columna de confianza y el trabajo semanal de rehacer sin ayuda<\/td>\n<\/tr>\n<tr>\n<td>12-16<\/td>\n<td>Los errores son un plan de estudios en funcionamiento<\/td>\n<td>Sigue la proporci\u00f3n mensual de fugas y poda las reglas que nunca se activan<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2 id=\"lo-que-esto-no-significa\"><span class=\"ez-toc-section\" id=\"Lo-que-esto-no-significa\"><\/span>Lo que esto no significa<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Los errores de la IA no son buenos, y m\u00e1s errores no es mejor.<\/strong> La investigaci\u00f3n sobre el aprendizaje trata de errores corregidos en contextos de bajo riesgo. La revisi\u00f3n de Metcalfe recomienda permitir los errores &ldquo;mientras se encuentren en situaciones de aprendizaje de bajo riesgo&rdquo;, no en un trabajo que llega a un cliente o a un tribunal.<\/p>\n<p><strong>El v\u00ednculo entre los errores de la IA y la habilidad humana es una inferencia.<\/strong> Los estudios sobre aprendizaje citados aqu\u00ed examinan los errores de las propias personas, sobre todo en aulas, laboratorios y cursos de formaci\u00f3n. Ning\u00fan estudio abierto para este art\u00edculo puso a prueba si registrar los errores de un modelo mejora el juicio del usuario. El marco aplica principios establecidos a un contexto nuevo; no es un efecto medido.<\/p>\n<p><strong>Las tasas de error son instant\u00e1neas.<\/strong> Describen modelos concretos evaluados en 2023 y 2024. Los autores del estudio jur\u00eddico advierten de que su estimaci\u00f3n &ldquo;no pretende ser una estimaci\u00f3n insesgada&rdquo; de la tasa poblacional de alucinaciones en las consultas de IA jur\u00eddica. Las herramientas actuales pueden hacerlo mejor o peor en cualquier tarea dada.<\/p>\n<p><strong>La tabla de material de pr\u00e1ctica es aritm\u00e9tica, no predicci\u00f3n.<\/strong> Supone errores independientes a una tasa constante y que todos los errores se detectan.<\/p>\n<h2 id=\"preguntas-frecuentes\"><span class=\"ez-toc-section\" id=\"Preguntas-frecuentes\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfCu\u00e1ntos errores hacen falta para que un registro sea \u00fatil?<\/strong><br \/>\nUnos pocos. El protocolo semanal funciona con una sola entrada, porque el paso 2 solo necesita un elemento que rehacer. Los patrones en los c\u00f3digos suelen necesitar unas semanas de entradas.<\/p>\n<p><strong>\u00bfDeben registrarse los errores cuando el riesgo era trivial?<\/strong><br \/>\nS\u00ed, brevemente. Los errores de bajo riesgo son el material de pr\u00e1ctica m\u00e1s seguro, y revelan las mismas debilidades en los encargos y en las comprobaciones que causan los errores de alto riesgo.<\/p>\n<p><strong>\u00bfMerece la pena registrar los errores que fueron culpa del usuario?<\/strong><br \/>\nEsas son las entradas m\u00e1s \u00fatiles. Los c\u00f3digos C y O existen porque la literatura sobre el sesgo de automatizaci\u00f3n trata como errores humanos el seguir un consejo err\u00f3neo y el pasar por alto cuestiones no se\u00f1aladas.<\/p>\n<p><strong>\u00bfUn modelo mejor hace innecesario el registro?<\/strong><br \/>\nNo. Unas tasas de error m\u00e1s bajas hacen que cada error sea m\u00e1s raro y, por tanto, m\u00e1s f\u00e1cil de pasar por alto. El registro pasa entonces de ser una fuente de pr\u00e1ctica a ser un registro de muestreo que demuestra que las comprobaciones se siguen haciendo.<\/p>\n<p><strong>\u00bfCu\u00e1l es el primer paso m\u00e1s r\u00e1pido?<\/strong><br \/>\nAntes de la pr\u00f3xima respuesta de la IA sobre algo que importe, escribe una estimaci\u00f3n de una l\u00ednea de cu\u00e1l deber\u00eda ser la respuesta. Despu\u00e9s compara. Ese \u00fanico h\u00e1bito aplica el hallazgo sobre la recuperaci\u00f3n y hace que la primera entrada del registro sea f\u00e1cil de escribir.<\/p>\n<h2 id=\"fuentes\"><span class=\"ez-toc-section\" id=\"Fuentes\"><\/span>Fuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ol>\n<li>Bastani H, Bastani O, Sungu A, Ge H, Kabakc\u0131 \u00d6, Mariman R. Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences 122, e2422633122, 2025. Una correcci\u00f3n de 2025 afecta \u00fanicamente a la afiliaci\u00f3n de un autor.<\/li>\n<li>Magesh V, Surani F, Dahl M, Suzgun M, Manning CD, Ho DE. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. Preprint de arXiv 2405.20362, 2024.<\/li>\n<li>Dahl M, Magesh V, Suzgun M, Ho DE. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. arXiv 2401.01301, 2024, de pr\u00f3xima publicaci\u00f3n en el Journal of Legal Analysis.<\/li>\n<li>Maslej N, et al. The AI Index 2025 Annual Report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, abril de 2025. Cap\u00edtulo 3, Responsible AI.<\/li>\n<li>Dell&rsquo;Acqua F, McFowland E, Mollick E, Lifshitz-Assaf H, Kellogg KC, et al. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2): 403-423, 2026. Solo resumen.<\/li>\n<li>Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association 19(1): 121-127, 2012.<\/li>\n<li>Parasuraman R, Manzey DH. Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors 52(3): 381-410, 2010. Solo resumen.<\/li>\n<li>Lee HP, Sarkar A, Tankelevitch L, et al. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI Conference on Human Factors in Computing Systems, 2025.<\/li>\n<li>Metcalfe J. Learning from Errors. Annual Review of Psychology 68: 465-489, 2017. Solo resumen.<\/li>\n<li>Keith N, Frese M. Effectiveness of Error Management Training: A Meta-Analysis. Journal of Applied Psychology 93(1): 59-69, 2008. Solo resumen.<\/li>\n<li>Sinha T, Kapur M. When Problem Solving Followed by Instruction Works: Evidence for Productive Failure. Review of Educational Research 91(5): 761-798, 2021. Solo resumen.<\/li>\n<li>Kornell N, Hays MJ, Bjork RA. Unsuccessful Retrieval Attempts Enhance Subsequent Learning. Journal of Experimental Psychology: Learning, Memory, and Cognition 35(4): 989-998, 2009.<\/li>\n<li>Butterfield B, Metcalfe J. Errors Committed With High Confidence Are Hypercorrected. Journal of Experimental Psychology: Learning, Memory, and Cognition 27(6): 1491-1494, 2001. Solo resumen.<\/li>\n<\/ol>\n<p><em>Las tablas de datos recogen las cifras tal como est\u00e1n impresas en sus fuentes. La taxonom\u00eda de errores, la plantilla del Registro de Errores, la tabla de material de pr\u00e1ctica, el protocolo de revisi\u00f3n semanal, la pol\u00edtica de verificaci\u00f3n y el cuestionario son an\u00e1lisis o marcos editoriales de CEOtudent; los m\u00faltiplos 1,8 y 3,4 son c\u00e1lculos de CEOtudent. No utilizados: la versi\u00f3n en documento de trabajo del experimento de consultor\u00eda, que no pudo abrirse; los valores del estudio jur\u00eddico para GPT-4 disponibles solo en gr\u00e1fico; la estimaci\u00f3n ajustada por sesgo de 0,87 en Sinha y Kapur; y las afirmaciones populares de que los chatbots se equivocan una proporci\u00f3n fija de las veces, que ninguna fuente abierta aqu\u00ed respalda.<\/em><\/p>\n<hr>\n<p><em>Este contenido fue recopilado con el apoyo de la IA tras una investigaci\u00f3n exhaustiva, y luego redactado y preparado para su publicaci\u00f3n por el equipo editorial de CEOtudent.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>En un experimento de campo con casi mil estudiantes de secundaria, una interfaz simple de GPT-4 elev\u00f3 las notas de pr\u00e1ctica un 48 % y despu\u00e9s dej\u00f3 a los estudiantes un 17 % peor en el examen sin ayuda, mientras que la propia herramienta respond\u00eda correctamente solo el 51 % de las veces. Las tasas de error publicadas van del 1,3 % en res\u00famenes de documentos a entre el 17 y el 33 % en herramientas de investigaci\u00f3n jur\u00eddica. Esta gu\u00eda convierte esos errores en material de pr\u00e1ctica: una taxonom\u00eda de errores vinculada a la habilidad humana que entrena cada tipo, una plantilla de Registro de Errores de IA, una revisi\u00f3n semanal de 20 minutos y un cuestionario de 8 preguntas.<\/p>\n","protected":false},"author":1,"featured_media":326440,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4599,18],"tags":[],"class_list":["post-326439","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gelisim","category-strateji"],"_links":{"self":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326439","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/comments?post=326439"}],"version-history":[{"count":0,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/posts\/326439\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media\/326440"}],"wp:attachment":[{"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/media?parent=326439"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/categories?post=326439"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ceotudent.com\/es\/wp-json\/wp\/v2\/tags?post=326439"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}