English

Agrega una línea a cada prompt de investigación con IA

Tu investigación con IA muchas veces es solo sesgo de confirmación con citas.

Le haces una pregunta amplia a un modelo de lenguaje — "¿deberíamos adoptar X?", "¿es Y una buena estrategia?" — y tiende a devolverte un caso bien documentado a favor de lo que tu pregunta ya insinuaba que querías. Los enlaces parecen confiables. El razonamiento se lee limpio. Pero pediste el veredicto hacia el que te inclinabas, y el modelo, entrenado para ser complaciente y completar el patrón que planteaste, te da las ventajas y descarta en silencio el resto. Eso no es investigación. Es teatro de investigación.

Por qué el modelo te da la razón

Dos fuerzas empujan al modelo hacia tu creencia previa. Primero, el encuadre revela la intención: "¿por qué X es la opción correcta?" prepara una respuesta distinta a "¿cuándo falla X?". El modelo completa el marco que le entregaste. Segundo, el entrenamiento de alineación premia la utilidad y la amabilidad, así que los modelos tienden a confirmar en lugar de cuestionar. El resultado es una adulación sutil: destaca la evidencia a favor, minimiza la contraria y rara vez ofrece por su cuenta el mejor argumento en contra a menos que se lo exijas.

El peligro es que las citas hacen que el sesgo se sienta riguroso. Te vas más seguro y menos informado.

La solución: una línea, siempre

Agrega una sola instrucción a cada prompt de investigación:

Include the strongest contrarian evidence and the main downside cases.
Present the best argument against this position, not just for it.

Esa línea cambia el objetivo de la búsqueda y la generación. Ahora el modelo tiene que ir a buscar y exponer los riesgos, los modos de falla y la disidencia creíble, justo al lado de las ventajas. Ya no lees un informe escrito para convencerte; lees ambos lados y decides sobre el panorama completo.

Una versión un poco más larga que funciona bien para preguntas de mayor riesgo:

For this question:
1. Give the strongest case FOR.
2. Give the strongest case AGAINST, steelmanned.
3. List the conditions under which the AGAINST case wins.
4. Flag where the evidence is thin or contested.

Movidas avanzadas

• Conviértelo en un system prompt o instrucción guardada, no en algo que reescribes. Si cada conversación de investigación arranca con "muestra los contraargumentos y los escenarios negativos", nunca lo olvidas el día en que más importa.
• Pide la prueba que refute. "¿Qué evidencia cambiaría tu recomendación?" obliga al modelo a nombrar una condición falsable en lugar de escurrirse.
• Separa los roles. Corre una pasada como defensor y una segunda, desde cero, como escéptico, y luego compara. Dividir los dos trabajos supera a pedirle a una sola respuesta que sea equilibrada.
• Cuidado con el equilibrio falso. Un simbólico "sin embargo, algunos críticos dicen…" no es un análisis de desventajas. Insiste hasta que el caso en contra sea tan concreto y documentado como el caso a favor.

Por qué funciona

No buscas volver pesimista al modelo. Corriges un sesgo estructural cambiando el objetivo que optimiza. Cuando "buena respuesta" se define como útil para decidir en lugar de complaciente, el modelo hace el trabajo más difícil y valioso: mostrarte los riesgos y contraargumentos junto a las ventajas, para que seas dueño de todo el trade-off en lugar de una porción curada.

Recursos

• Anthropic — Sycophancy in language models
• OpenAI — Prompt engineering guide
• Confirmation bias — Stanford Encyclopedia of Philosophy
• Steelmanning — LessWrong concept reference