Conocimiento del entrenamiento
Lo que el modelo aprendió durante su entrenamiento. Tiene fecha de corte y puede estar desactualizado o incompleto: nunca asumas que conoce la información actual.
Investigar con IA: cómo hacerlo de forma confiable
Quiero utilizar IA para investigar un tema. ¿Cómo hacerlo de forma confiable?
La IA sirve para explorar un tema, localizar fuentes, resumir documentos, comparar posturas, extraer datos y organizar evidencia. Pero hay una regla crítica: la respuesta del modelo no es una fuente. Cada afirmación que uses tiene que rastrearse hasta una fuente verificable.
Investigar CON IA (usar herramientas de IA para estudiar cualquier tema) no es lo mismo que investigar LA IA (papers, benchmarks, reproducibilidad). Si querés lo segundo, el hub de Investigación enseña cómo funciona la investigación en IA.
Qué podés hacer
- Explorar un tema desconocido y descubrir sus términos clave
- Localizar fuentes relevantes sobre una pregunta
- Resumir documentos largos
- Comparar fuentes y detectar acuerdos y desacuerdos
- Extraer datos concretos de textos
- Construir cronologías de eventos
- Analizar papers paso a paso
- Formular mejores preguntas de investigación
- Descubrir vocabulario técnico del tema
- Organizar evidencia por afirmación
- Generar una síntesis con citas verificadas
De dónde sale lo que responde la IA
Búsqueda web
Algunos sistemas recuperan páginas actuales antes de responder. Útil para novedades, pero la calidad depende de las páginas encontradas.
Documentos que aportás vos
Cuando subís PDFs o textos, el modelo trabaja sobre ese material. Es la forma más confiable de investigar un corpus definido.
RAG (búsqueda + generación)
El sistema busca en una base de documentos y responde con ese contexto, idealmente citando fragmentos. Reduce invenciones pero no las elimina.
Fuentes primarias vs secundarias
Primarias: documentación, papers, datos, organismos, documentos originales. Secundarias: medios, análisis, blogs, resúmenes. Priorizá según tu pregunta: para hechos, primarias; para contexto, secundarias reconocidas.
Flujo de investigación confiable
La cadena completa va de la respuesta de la IA a la evidencia verificada. Saltarse pasos es como citar de oído.
- Formulá la pregunta con precisión: qué querés saber y para qué
- Definí el alcance: período, idioma, tipo de fuentes aceptables
- Buscá con la IA y pedí fuentes por afirmación
- Reuní las fuentes y separá primarias de secundarias
- Evaluá cada fuente: quién la publica, con qué datos, cuándo
- Contrastá: ninguna afirmación importante con una sola fuente
- Sintetizá distinguiendo hechos verificados de inferencias
- Citá las fuentes, no la respuesta del modelo
- Revisá antes de publicar o decidir
Respuesta de la IA → afirmaciones → fuentes → verificación → evidencia → síntesis. La respuesta del modelo es el punto de partida, nunca la cita.
Qué necesitás saber
Conceptos explicados en las guías existentes. Se escriben una vez y se reutilizan: son las mismas guías de la sección Explorar IA.
Cómo leer un paper de inteligencia artificial
Del titular al método: un flujo en nueve pasos para leer papers sin autoengañarse, y por qué el abstract solo no alcanza.
Leer guíaPaper, preprint y peer review
Qué es cada cosa, qué rol cumple arXiv y cómo cambia tu confianza según el estado de publicación de un trabajo.
Leer guía¿Qué es un benchmark de IA?
Qué mide un benchmark y qué no: tareas, métricas, versiones, contaminación y saturación. Sin rankings globales ni puntajes mágicos.
Leer guíaMétricas y leaderboards: cómo interpretarlos
Qué esconden las métricas, para qué sirve un leaderboard y por qué el primero de la tabla no es el mejor para todo.
Leer guíaReproducibilidad y limitaciones
Qué hace creíble un resultado: código y datos disponibles, baselines serios, ablation studies y limitaciones declaradas.
Leer guíaCómo evaluar anuncios de nuevos modelos
Checklist ante cada lanzamiento: tipos de evidencia, qué pesa cada una y cómo usar el Observatorio del sitio.
Leer guíaAnatomía de un buen prompt
Un mapa visual de las piezas de un prompt completo: objetivo, contexto, datos, restricciones, formato, ejemplos y validación. Y cuándo omitir cada una.
Leer guíaPrompts para practicar
Plantillas del Laboratorio de Prompting para pedir fuentes por afirmación y separar hechos de inferencias.
- Investigar con fuentes y fechas (Intermedio)
- Verificar una afirmación (Inicial)
Evaluaciones
Benchmarks verificados del observatorio. No existe un puntaje general: cada benchmark mide una capacidad distinta.
- GPQA Diamond (Conocimiento)
- MMLU (Conocimiento)
- RULER (Contexto largo)
- Global-MMLU (Idioma)
- AIME (Matematica)
- GSM8K (Matematica)
Riesgos y límites
- Alucinaciones: afirmaciones falsas dichas con total seguridad
- Fuentes inexistentes inventadas por el modelo
- Citas incorrectas o que no dicen lo citado
- Información desactualizada presentada como vigente
- Sesgo de selección: ver solo las fuentes que confirman tu idea
- Pérdida de contexto al resumir documentos largos
- Resumen excesivo que elimina matices importantes
- Confundir correlación con causalidad
- Confiar en un único documento
Próximo paso
Abrir ¿Qué IA necesito? Opciones de IA para estudiar Cómo leer un paper de IA Prompts para investigación Ver benchmarks