Cómo verificar lo que te dice la IA (y detectar datos inventados)

La IA responde con el mismo tono seguro cuando acierta que cuando se lo está inventando. Esa es la trampa real: no falla como un buscador roto que devuelve un error, falla como un compañero muy convincente que te da una cifra redonda, con fuente y todo, que nunca existió. Aprender a verificar lo que te dice no es desconfianza: es la habilidad que separa a quien usa la IA con criterio de quien acaba publicando un dato falso con su nombre encima.

Por qué la IA inventa datos (y por qué suena tan bien)

Un modelo de lenguaje no consulta una base de datos: predice el texto más plausible. Si le pides una estadística sobre un tema donde ha visto miles de informes, generará algo con forma de estadística —un porcentaje creíble, una consultora conocida, un año reciente— aunque esa combinación exacta no exista. A esto se le llama alucinación, y el nombre engaña un poco: no es un fallo raro y visible, es el mismo mecanismo que hace que funcione tan bien, aplicado a algo que no sabe.

Por eso las invenciones tienen un patrón reconocible: suelen ser demasiado limpias. Un «37% de las empresas» atribuido a una gran consultora, una sentencia con número y fecha, un estudio de una universidad prestigiosa. Los datos reales son más feos: vienen con matices, rangos, metodología discutible y años que no cuadran del todo.

Cinco señales de que un dato puede ser inventado

• Cifra redonda y rotunda sin rango ni matiz: «reduce el tiempo un 40%». La realidad suele ser «entre un 20% y un 60% según el caso».
• Fuente prestigiosa pero vaga: «según McKinsey», «un estudio de Harvard», sin informe concreto, título ni enlace. Si no puedes llegar al documento, trátalo como inexistente.
• Encaja demasiado bien con lo que querías oír. Los modelos tienden a complacer; si tu pregunta sugería una conclusión, es fácil que te la devuelva «respaldada».
• Detalles verificables que no verificas: nombres propios, fechas, versiones de producto, precios. Son justo donde más falla y donde más fácil es comprobarlo.
• Enlaces que no abres. Una URL inventada tiene el mismo aspecto que una real hasta que la pinchas.

El método de verificación en tres pasos

No hace falta comprobarlo todo: hace falta comprobar lo que importa, y hacerlo rápido.

• 1. Separa hecho de razonamiento. Una explicación de cómo funciona algo puede ser útil aunque sea general. Un dato concreto (cifra, fecha, nombre, precio, cita legal) es una afirmación verificable. Marca esos.
• 2. Busca la fuente primaria, no una confirmación. El error clásico es preguntarle a la misma IA «¿estás seguro?»: te dirá que sí o inventará una disculpa. Ve a la web oficial del producto, al boletín oficial, al informe original. Si el dato existe, aparece en su casa.
• 3. Si no lo encuentras en dos minutos, fuera. Esta es la regla que más disgustos ahorra. Un dato que no puedes sostener no mejora tu texto: lo convierte en una bomba de relojería. Reescríbelo en cualitativo («reduce notablemente el tiempo») y sigue adelante.

Qué verificar siempre y qué puedes dejar pasar

Verificar el 100% es inviable y tampoco hace falta. Nuestra regla práctica:

• Siempre: cifras y porcentajes, citas legales y normativa, precios y planes, fechas, nombres de personas o empresas, referencias médicas o financieras, y cualquier enlace.
• Casi siempre: afirmaciones sobre qué hace o no hace una herramienta concreta (cambian cada mes).
• Puedes dejar pasar: explicaciones conceptuales, estructuras, resúmenes de tu propio texto, ideas y borradores que vas a reescribir de todas formas.

Fíjate en el patrón: lo que hay que verificar es justo lo que un lector podría comprobar y echarte en cara. Si algo puede desmontarse con una búsqueda, compruébalo tú antes que él.

Prompts que reducen las invenciones

No las eliminan —ninguna instrucción lo hace— pero cambian mucho el resultado:

• «Si no estás seguro de un dato, dilo explícitamente en lugar de estimarlo.» Da permiso al modelo para no saber, que es justo lo que no suele hacer.
• «No incluyas estadísticas ni cifras salvo que puedas citar la fuente exacta.» Evita el relleno numérico decorativo.
• «Responde solo con la información de este documento.» Anclarlo a un texto que tú aportas reduce drásticamente la invención; es la idea detrás de los sistemas RAG.
• «Marca con [VERIFICAR] cada afirmación que debería comprobarse.» Te deja el trabajo de revisión hecho a medias.

Y una herramienta con búsqueda en tiempo real y citas (tipo Perplexity) no te libra de verificar: te da el enlace, pero sigues teniendo que abrirlo y comprobar que dice lo que la IA resume.

Nuestra experiencia verificando contenido con IA

• Lo que más nos ha mordido: las cifras «de adorno». Frases que no aportaban nada al argumento pero sonaban autorizadas, con un porcentaje y una consultora. Al ir a buscar el informe, no existía. Ahora la norma es simple: si un número no tiene fuente localizable, se va o se convierte en cualitativo.
• La señal que mejor funciona: la incomodidad. Cuando un dato encaja sospechosamente bien, casi siempre hay algo. Ese pinchazo es el mejor detector que tenemos.
• Lo que no compensa: perseguir la perfección absoluta. Verificar lo verificable y ser cualitativo en el resto produce textos más honestos —y más útiles— que llenarlos de números que nadie ha comprobado.

Nuestra recomendación: usa la IA para pensar, estructurar y redactar rápido, y reserva tu tiempo humano para la verificación. Es el reparto de trabajo que mejor funciona. Puedes ver cómo lo aplicamos nosotros en nuestra metodología editorial.

Preguntas frecuentes

¿Por qué la IA me da fuentes que no existen?

Porque genera el texto más plausible, y una cita bien formada es muy plausible. El modelo no está copiando de una base de datos: está construyendo algo con aspecto de referencia. Por eso una cita puede tener autor real, revista real y un título que nunca se publicó.

¿Sirve preguntarle «¿estás seguro?»

Poco. A veces se corrige, pero también es capaz de reafirmarse con más aplomo o inventar una disculpa y otra cifra igual de falsa. La verificación tiene que salir del modelo: fuente primaria o nada.

¿Los modelos con búsqueda web ya no inventan?

Inventan menos en datos actuales, porque leen páginas reales, pero pueden resumir mal lo que leen o citar una fuente que no sostiene la afirmación. Ganas mucho, pero el paso de abrir el enlace sigue siendo tuyo.

¿Cómo verifico algo técnico que no domino?

Ve a la documentación oficial del producto o a la fuente normativa. Si el tema es médico, legal o financiero, la respuesta correcta no es verificar mejor: es consultar a un profesional. La IA puede prepararte las preguntas, no darte el veredicto.

Conclusión

La IA es un ayudante extraordinario y un testigo poco fiable. Trátala como a un compañero brillante que a veces se lo inventa con toda la seguridad del mundo: aprovecha su velocidad, pero no firmes nada suyo sin comprobarlo. Si te quedas con una sola idea: un dato sin fuente localizable no es un dato, es un riesgo. Y si quieres seguir por aquí, te interesa los mitos sobre la IA que conviene dejar de creer y por qué los detectores de IA fallan más de lo que parece.