«Cuestiona mi razonamiento» parece un prompt potente.
A menudo produce un resultado débil: tres matices corteses, un cumplido sobre tu razonamiento cuidadoso y la misma recomendación con la que empezaste.
El problema es estructural. El modelo ya ha visto tu encuadre, tu respuesta preferida y a menudo el argumento que quieres que critique. Pedirle que «sea crítico» no elimina esas señales.
El desacuerdo útil surge al cambiar la información que recibe el modelo y el orden en que la recibe.
Los cinco patrones siguientes son formas prácticas de hacerlo. Ninguno convierte un chatbot en un experto independiente. Cada uno facilita la detección de un fallo.
Patrón 1: oculta la preferencia
Las señales de preferencia invitan al acuerdo. Elimínalas.
Prompt débil:
Quiero pasar a nuestro equipo de la Herramienta A a la Herramienta B.
Ayúdame a someter el plan a prueba.
El modelo sabe qué conclusión sería socialmente conveniente.
Prompt más fuerte:
Un equipo de diez personas está comparando dos opciones.
Opción A
- [current facts]
- [costs]
- [constraints]
Opción B
- [current facts]
- [costs]
- [constraints]
No recomiendes una opción.
Para cada una, identifica:
1. la razón más fuerte por la que podría fallar,
2. la evidencia que falta y que más importa,
3. la condición bajo la cual se convierte en la mejor opción.
No escribas «nuestro sistema actual» ni «la alternativa moderna». Hasta las etiquetas más breves pueden encerrar un veredicto.
Cuándo esto ayuda
- elecciones de proveedor;
- contratar frente a externalizar;
- construir frente a comprar;
- mantener frente a reemplazar un proceso;
- o cualquier elección donde ya tengas un favorito.
Qué no resuelve
Tú seleccionaste los hechos. Una comparación que oculte tu preferencia aún puede estar sesgada por lo que omitiste.
Patrón 2: separa a quien defiende de quien critica
Una sola respuesta tiende a buscar el término medio: un argumento, un matiz, una conclusión equilibrada.
Haz análisis separados con tareas incompatibles.
Análisis A:
Construye el argumento más sólido basado en pruebas a favor de la Opción A.
No discutas la Opción B.
Declara cada supuesto e identifica dónde falta evidencia.
Análisis B, en un chat nuevo:
Construye el argumento más sólido basado en pruebas a favor de la Opción B.
No discutas la Opción A.
Declara cada supuesto e identifica dónde falta evidencia.
Análisis C:
Compara estos dos argumentos.
No premies la elocuencia ni la longitud.
Enumera:
- afirmaciones respaldadas por los hechos suministrados,
- afirmaciones que requieren verificación externa,
- supuestos que entran en conflicto,
- y un experimento que reduciría la mayor incertidumbre.
[paste both arguments]
Los chats separados reducen el anclaje conversacional. No crean una independencia real, ya que los análisis aún pueden apoyarse en patrones de entrenamiento similares, pero impiden que el segundo rol se limite a reaccionar a la redacción del primero.
Patrón 3: exige pruebas antes del argumento
Si pides primero un argumento persuasivo, el modelo puede generar afirmaciones que encajen con él y buscar después cómo respaldarlas.
Invierte el orden:
Antes de formar una opinión, crea una tabla de pruebas.
Para cada criterio de decisión, registra:
- hechos suministrados,
- fuentes primarias necesarias,
- estimaciones y sus supuestos,
- desconocidos,
- y pruebas que refutarían cada opción.
No recomiendes nada hasta que yo compruebe y devuelva la tabla de pruebas.
Tras la verificación, proporciona solo la tabla corregida y pide análisis.
Esto es más lento que pedir una recomendación inmediata. Cuando la respuesta importa, esa lentitud es una ventaja.
Una regla de parada útil
Si la mayor incertidumbre podría invertir la decisión, no pidas una recomendación final. Diseña una prueba, recoge una medición o consulta a la persona responsable de la información que falta.
Patrón 4: asigna a un revisor crítico un objetivo acotado
«Haz de abogado del diablo» es una instrucción vaga. Asigna al revisor un área de fallo concreta.
Ejemplos:
Revisa este plan solo por fallo operativo.
Asume que la estrategia es razonable.
Indica dónde faltan una persona responsable, la supervisión, un mecanismo de reversión o el mantenimiento.
Revisa esta propuesta solo desde la perspectiva del empleado afectado.
Identifica cuáles de los beneficios alegados favorecen a la dirección y no al empleado.
Marca promesas que la empresa no puede verificar o cumplir.
Revisa este flujo de datos solo por exposición de privacidad.
Enumera cada clase de datos, destino, punto de conservación y persona con acceso.
No proporciones conclusiones legales.
Una revisión crítica y acotada resulta más útil que una agresividad teatral. «Sé brutalmente honesto» cambia el tono; un ámbito de revisión bien definido cambia la cobertura.
Usa varias revisiones acotadas cuando la importancia de la decisión lo justifique. Mantén sus hallazgos separados hasta que decidas qué riesgos son reales.
Patrón 5: usa un segundo análisis independiente
Somete el mismo planteamiento neutral a:
- una conversación nueva sin historial;
- una segunda familia de modelos;
- o un revisor humano que no haya visto la respuesta preferida.
Luego compara los desacuerdos:
Dos revisores analizaron la misma decisión.
Revisor 1:
[paste]
Revisor 2:
[paste]
Crea un registro de discrepancias:
- asunto,
- la afirmación de cada revisor,
- la evidencia en la que se basa cada uno,
- pruebas que faltan,
- y el responsable que puede resolverlo.
No elijas un ganador basándote en el aplomo o la calidad de la escritura.
El acuerdo entre dos modelos no es una confirmación. Los modelos pueden compartir fuentes, convenciones y puntos ciegos. El resultado útil es el registro de discrepancias y las pruebas que te indica que debes recopilar.
Ejemplo práctico: automatizar el procesamiento de facturas
Supón que el plan inicial es:
Deberíamos usar un agente de IA para leer facturas de proveedores, introducirlas en el software de contabilidad y enviarlas a aprobación para su pago.
Un prompt genérico de desafío puede devolver matices predecibles sobre precisión y supervisión humana.
Usa los cinco patrones en su lugar.
1. Neutraliza las opciones
- Opción A: mantener la entrada manual y mejorar la lista de comprobación.
- Opción B: usar extracción determinista más revisión humana.
- Opción C: usar un agente que extrae, introduce y enruta.
- Opción D: retrasar el proyecto y primero estandarizar los formatos de los proveedores.
2. Separa a quienes defienden cada opción
Cada opción recibe su propio argumento más sólido y explicita sus supuestos.
3. Construye la tabla de pruebas
Recoge:
- volumen mensual de facturas;
- tiempo de procesamiento actual;
- porcentaje de correcciones;
- porcentaje de formatos estándar;
- valor y frecuencia de facturas duplicadas o fraudulentas;
- permisos de integración;
- y quién se responsabiliza de resolver una excepción.
4. Ejecuta revisiones críticas acotadas
- control financiero;
- recuperación operativa;
- privacidad del proveedor;
- y flujo de trabajo del empleado.
5. Compara análisis independientes
Un revisor puede centrarse en el ahorro de tiempo de trabajo. Otro puede advertir que el proceso actual carece de un cotejo fiable con los pedidos de compra, lo que hace prematura la automatización.
El mejor resultado puede no ser un argumento más sólido a favor o en contra de la IA. Puede ser una medición de dos semanas que aclare la decisión.
Tres formas de obtener un desacuerdo engañoso
El modelo inventa objeciones
No todo contraargumento es plausible. Exige que la objeción identifique el supuesto o la evidencia que cuestiona.
El modelo optimiza por simetría
Algunas opciones no están equilibradas. Una puede tener pruebas mucho más sólidas. No exijas el mismo número de argumentos a favor y en contra; exige cuestiones relevantes.
El modelo adopta con aplomo una postura contraria a todo
Un prompt puede hacer que el modelo se oponga a todo. Una respuesta contraria sigue siendo contenido generado. Necesita la misma verificación que una respuesta complaciente.
La investigación ha documentado la adulación (sycophancy) en asistentes de IA y ha mostrado cómo las señales de preferencia pueden influir en sus respuestas (investigación de Anthropic sobre la adulación). La defensa no es una frase mágica. Es un proceso que reduce las señales de preferencia y hace visibles las pruebas.
Una secuencia de desacuerdo lista para copiar
Úsala para una decisión importante:
Fase 1: encuadre
Reformula el problema de tres formas materialmente distintas.
No lo resuelvas.
Fase 2: pruebas
Separa hechos suministrados, hechos verificables, estimaciones, inferencias y valores.
Enumera las pruebas que podrían invertir la decisión.
Fase 3: argumentos
Construye el argumento más sólido para cada opción por separado.
Declara supuestos y condiciones de fallo.
Fase 4: revisión
Ejecuta revisiones acotadas de operaciones, personas afectadas, seguridad/privacidad y coste.
Fase 5: apoyo a la decisión
Crea un registro de discrepancias y propón la prueba real más pequeña.
No tomes la decisión final.
Para conocer los fallos que motivan esta secuencia, lee las cuatro formas en que la IA puede fallar como compañera de reflexión. Para el flujo de trabajo más amplio, consulta IA para mejores decisiones.
El límite honesto
Puedes hacer que una IA discrepe. No puedes hacer que sepa que estás equivocado.
El modelo puede generar el mismo supuesto defectuoso desde un ángulo distinto. Puede citar una fuente desactualizada. Puede parecer independiente porque cambiaste la etiqueta del rol.
Trata el desacuerdo como una herramienta de búsqueda: saca a la luz supuestos, partes interesadas ausentes y pruebas que debes recopilar. El criterio final sigue perteneciendo a la persona que entiende el contexto y acepta las consecuencias.
