Verificar las respuestas de una IA es comprobar, antes de usarlas, que lo que dicen es cierto, actual y coherente: cada cifra contra su fuente, cada cita contra el original, cada fecha contra el calendario y cada instrucción con una prueba. Se aprende en unas horas, se aplica en minutos y evita los errores que más caros salen.
Es una de las habilidades que más se piden a quien trabaja con IA, por un motivo sencillo: el modelo escribe con la misma seguridad cuando acierta que cuando se inventa algo. Este artículo es para cualquiera que use ChatGPT, Copilot, Gemini o Claude para preparar algo que va a leer otra persona: un cliente, un jefe, un lector del blog.
Vas a encontrar por qué se equivoca una IA, los errores que más se repiten, las cinco comprobaciones que hacemos, una lista de ocho puntos para tener junto a la pantalla y lo que pide Google. Es un bloque fijo de nuestra formación en IA para equipos, porque es el que impide que una cifra inventada acabe en una oferta.
¿Por qué se equivoca una IA aunque suene segura?
Porque un modelo de lenguaje no consulta hechos: predice qué palabras son probables después de las anteriores. Cuando el dato está bien representado en lo que aprendió o en lo que acaba de buscar, acierta; cuando no, rellena el hueco con algo verosímil. El tono es idéntico en los dos casos, y por eso el error no se nota leyendo.
Google lo explica en sus directrices sobre contenido generado con IA: los modelos generativos predicen secuencias de palabras en lugar de recuperar hechos, pueden producir errores y hay que revisar y comprobar a mano lo que generan antes de publicarlo. Lo escribe la empresa que fabrica Gemini, no un crítico de la IA.
El volumen hace el resto. HubSpot mide que el 80 % de los profesionales de marketing usa IA para contenido (en inglés). Si cuatro de cada cinco personas que escriben marketing pasan sus textos por un modelo, verificar deja de ser una manía del editor y pasa a ser una tarea del puesto.
Con los asistentes que buscan en la web el error cambia de forma, pero no desaparece. El modelo encuentra una fuente real y después resume mal lo que dice, mezcla dos fuentes o atribuye a una el dato de la otra. Que una respuesta traiga enlaces no significa que los enlaces digan lo que dice la respuesta.
¿Qué errores comete una IA con más frecuencia?
Los típicos son cuatro: cifras inventadas o mal copiadas, citas que no existen, fechas mezcladas y enlaces que no dicen lo que el texto les atribuye. Hay dos más, menos visibles: conclusiones que el dato no sostiene y cálculos hechos de cabeza. Todos se detectan con método y casi ninguno leyendo deprisa, porque el texto que los rodea suena bien.
| Error | Cómo se ve | Por qué ocurre | Cómo se detecta |
|---|---|---|---|
| Cifra inventada | Un porcentaje con decimales y sin fuente, o con una fuente que no contiene esa cifra | El modelo completa el hueco con un número verosímil | Buscar el número exacto en la fuente original; si no aparece, se quita |
| Cita que no existe | Una frase entre comillas atribuida a una persona, un informe o una ley | Mezcla el estilo de quien cita con lo que «debería» haber dicho | Buscar la frase literal; si no está en el original, se quita o se parafrasea con su fuente |
| Fechas mezcladas | Un dato de hace dos años presentado como actual, una norma con la fecha de otra | Su conocimiento tiene fecha de corte y mezcla ediciones de un mismo estudio | Mirar cuándo se publicó la fuente y a qué periodo se refiere el dato |
| Enlace que no dice lo que el texto dice | Fuente real, pero el dato atribuido no está en ella o está en otra | Resume varias páginas a la vez y reparte mal los datos | Abrir cada enlace y buscar la afirmación concreta |
| Conclusión que el dato no sostiene | «Por tanto, esto funciona» a partir de una encuesta o de una correlación | Encadena ideas probables, no razonamientos comprobados | Preguntarse si el dato prueba eso o solo es compatible con ello |
| Cálculo mal hecho | Porcentajes que no suman, variaciones mal calculadas | Calcula prediciendo texto, no operando | Rehacer la cuenta en una hoja de cálculo |
En este blog, cada artículo pasa por un script que marca cualquier cifra sin una fuente enlazada en el mismo párrafo, y después una persona abre cada enlace y busca cada número. Es la parte aburrida del trabajo y no se salta. El script encuentra la cifra huérfana; solo la persona encuentra la cifra con fuente que la fuente no dice.
El error más difícil de ver es el de una cifra correcta mal leída. Lo detectamos al revisar otro artículo de este blog: un porcentaje de caída que el estudio calcula frente a una previsión estaba citado como si fuera la diferencia entre dos datos reales. La fuente era buena y el número estaba en ella; lo que fallaba era la frase que lo rodeaba.
¿Cómo se verifica una respuesta de IA paso a paso?
Cinco comprobaciones, en este orden: fuente (de dónde sale cada afirmación), cifra (si el número está tal cual en esa fuente), fecha (cuándo se publicó y a qué periodo se refiere), coherencia interna (si todo cuadra) y prueba (si lo que propone funciona al aplicarlo). Las tres primeras se hacen dato a dato; las dos últimas, sobre el texto entero.
| Comprobación | Qué te preguntas | Cómo se hace | Señal de alarma |
|---|---|---|---|
| Fuente | ¿De dónde sale esto? | Pedir al asistente la fuente de cada dato y abrirla; si no la da, buscarla tú | «Según diversos estudios», una fuente genérica, un enlace a la portada de un sitio |
| Cifra | ¿Está este número, tal cual, en la fuente? | Buscar el número en la página y leer la frase entera que lo contiene | Número redondo, decimal que no aparece, cifra sin unidad |
| Fecha | ¿Cuándo se publicó y a qué periodo se refiere? | Anotar la fecha de la fuente y la del dato, que no siempre coinciden | «Actualmente» sin año, ediciones distintas de un mismo informe mezcladas |
| Coherencia interna | ¿El texto se contradice o las cuentas no cuadran? | Releer juntas todas las cifras y afirmaciones; rehacer los cálculos | Un total que no cuadra, una recomendación que contradice el dato anterior |
| Prueba | ¿Funciona si lo aplico? | Ejecutar la fórmula, seguir los pasos en la herramienta real, abrir el enlace | Un menú que no existe, una fórmula que da error, un paso que se salta otro |
La fuente es la comprobación que más tiempo ahorra después. Si pides al asistente que acompañe cada dato con su enlace desde el principio, verificar es abrir y buscar; si no lo pides, es reconstruir de dónde pudo salir cada frase. Y si la fuente que da no existe o no se abre, el dato se trata como inventado hasta que se demuestre lo contrario.
La prueba es la que más se olvida, porque no parece necesaria en un texto. Lo es en cuanto el texto contiene instrucciones: pasos en un programa, una fórmula de hoja de cálculo, una configuración. Un asistente puede describir con todo detalle una pantalla que la herramienta tuvo hace dos versiones.
El AI Index 2026 de Stanford HAI (en inglés) da una medida de por qué la prueba no sobra: en 2025, los agentes que manejan un ordenador por su cuenta resolvieron el 66,3 % de las tareas del banco de pruebas OSWorld, frente al 72,35 % de las personas. Es un avance grande y, a la vez, una de cada tres tareas mal resuelta.
¿Qué lista de comprobación usar antes de enviar o publicar?
Una de ocho puntos, que cabe en una tarjeta y se repasa en minutos: fuente de cada dato, cifra exacta, fecha clara, citas literales, enlaces abiertos, cuentas rehechas, coherencia con lo que sabes del tema y una persona que firma. Si un punto falla, se corrige o se quita la frase. Nada se deja para luego.
- Cada dato tiene fuente. Si no la tiene, se busca o se quita.
- La cifra está tal cual en la fuente, con su unidad, sin redondear hacia arriba.
- La fecha está clara: cuándo se publicó la fuente y a qué periodo se refiere el dato.
- Las citas entre comillas existen y son literales; si no se encuentran, se parafrasea con la fuente o se quitan.
- Cada enlace se ha abierto y dice lo que el texto le atribuye.
- Las cuentas se han rehecho en una hoja: porcentajes, sumas, variaciones.
- El texto no se contradice ni choca con lo que sabes del tema; si choca, se investiga antes de dar por buena ninguna de las dos versiones.
- Una persona lo firma y responde de lo que dice.
El punto ocho es el que hace que se cumplan los otros siete. Un texto sin nombre no tiene a nadie que responda por él; uno firmado tiene a alguien que sabe que le van a preguntar.
No todo pide los ocho puntos. El esfuerzo va en proporción a lo que cuesta equivocarse:
| Uso del texto | Qué pasa si hay un error | Qué puntos aplicar |
|---|---|---|
| Borrador para ti o correo interno | Poco: lo corrige quien lo lee | 1 y 7 |
| Publicación en redes sociales | Error público, se borra pero se ve | Del 1 al 5, y el 8 |
| Artículo del blog o página web | Error público que se queda y se indexa | Los ocho |
| Oferta, contrato o informe para dirección | Error con consecuencias económicas o legales | Los ocho, y una segunda persona que revise |
| Texto con datos de clientes, empleados o salud | Riesgo legal además del error | Los ocho; y antes, comprobar que esos datos podían entrar en esa herramienta |
¿Qué pide Google al contenido hecho con IA?
Google no penaliza el contenido por estar hecho con IA; penaliza el contenido a escala que no aporta nada al usuario. Pide revisar y comprobar a mano lo generado antes de publicarlo, incluidos títulos, meta descripciones, datos estructurados y textos alternativos de las imágenes, y sugiere explicar cómo se ha creado, sobre todo si se ha generado de forma automática.
La parte de los metadatos es la que más se olvida. Las directrices de Google sobre contenido generado con IA la mencionan expresamente porque es lo que aparece en los resultados de búsqueda antes que el texto. Un título o una descripción con un dato inventado se ve en Google aunque el artículo esté bien.
Sobre la transparencia, en este blog cada categoría la firma una persona o un agente de IA presentado como tal, con una persona que lo supervisa y nombre en la página de equipo. Es nuestra forma de responder a la pregunta de quién ha escrito esto y quién responde de ello. Lo desarrollamos para el trabajo de redacción en IA para escribir contenido y lo que dice Google.
¿Cómo se enseña esta habilidad a un equipo?
Practicando sobre textos reales del propio equipo: se toma un borrador hecho con IA, se aplica la lista de ocho puntos en grupo y se anotan los errores encontrados. La lista se convierte en costumbre cuando se aplica cada semana, no cuando se explica una vez, y por eso se mide a los 60 días si se sigue usando.
El Reglamento (UE) 2024/1689 pide en su artículo 4 un nivel suficiente de alfabetización en IA del personal que usa estos sistemas, y el propio reglamento incluye en esa alfabetización saber interpretar los resultados que producen. Verificar el output es la parte más práctica de cumplirlo. El mismo AI Index 2026 (en inglés) registra un récord de 362 incidentes de IA reportados en 2025.
Encaja en la secuencia de la guía de IA aplicada al marketing para pymes: dirección decide, el equipo se alfabetiza y aprende a verificar, se automatiza un proceso y se mide. Lo básico entra en nuestro curso de alfabetización, desde 990 € por grupo de hasta doce personas, bonificable por FUNDAE.
Verificar también ayuda a decidir qué no se automatiza. Si un paso necesita una comprobación humana cada vez que se ejecuta, no está listo para un flujo sin supervisión, y lo explicamos en qué no automatizar todavía. Cómo comprobar si la costumbre se ha quedado, con horas y uso real, está en medir la formación a 60 días.
Si quieres seguir por aquí, tienes más en nuestros artículos de IA para marketing.
Preguntas frecuentes
¿Basta con pedirle a la IA que revise su propia respuesta?
No. Puede detectar alguna incoherencia, pero revisa con el mismo mecanismo que produjo el error. Lo útil es pedirle la fuente de cada dato y abrirla tú.
¿Los asistentes que buscan en internet se equivocan menos?
Se inventan menos datos sin fuente, pero resumen mal fuentes reales y mezclan unas con otras. La comprobación cambia de foco: menos buscar si el dato existe y más abrir el enlace para ver si dice eso.
¿Cuánto tiempo lleva verificar un texto?
Depende del número de datos, no de la longitud. Un correo sin cifras se repasa en un minuto; un informe con veinte datos necesita abrir veinte fuentes, y es justo el que más lo merece.
¿Hay que decir que un texto está hecho con IA?
Google sugiere explicar cómo se ha creado el contenido, sobre todo si se ha generado de forma automática. Lo que sí hace falta siempre es que una persona lo revise y responda de lo que dice.
—
Elena lleva la formación en IA en We Love SEO: prepara los programas para equipos, sobre procesos reales y no sobre ejercicios de manual. Más sobre ella en el equipo.
