Son las 8:20. Preguntaste “¿esto es normal?” y volvió un texto largo, amable y que no nombra tu caso. Cierras el chat más cansado que al abrirlo. No falló solo la máquina. Falló la pregunta, y también la lectura: la tomaste como cierre. La ingeniería de consulta es dar contexto, objetivo y formato. La metacognición es notar si ya habías decidido antes de leer.
Por qué una pregunta pobre sale genérica
El modelo predice la frase más probable a partir de lo que le diste. Si solo llega “me siento mal”, completa con lo frecuente. Si llegan edad, desde cuándo, qué ya probaste y qué no puede afirmar, el texto se acota. En documentos largos, el dato del medio se pierde más que el del principio o el final: pon lo esencial arriba. Pedir que explique el paso a paso no lo hace verdadero. Deja ver en qué eslabón se inventó el salto.
Tres límites que ya se midieron
- Dónde pones el dato. En textos largos, el acierto baja si la clave queda en el medio. Repite al inicio qué tiene que usar y qué debe marcar como duda.
- El paso a paso. Pedir el razonamiento mejora problemas de varias etapas y permite tachar el tramo que no cierra.
- El sesgo de automatización. Una sugerencia errónea de imagen bajó el acierto de clínicos, más en quienes tenían menos experiencia. La supervisión humana no es un adorno: es el freno.
La mejor defensa no es desconfiar de todo. Es anotar qué pensabas tú antes de leer lo que sonó seguro.
Un hábito de dos minutos, no una dependencia
Antes de aceptar, escribe tres líneas: qué opinabas, qué cambió y qué enlace vas a abrir. Si ya no decides sin el chat, para una tarde. Los límites de la IA incluyen la dosis, el diagnóstico y el “no consultes”. Eso se reserva a la conversación con un médico. En RedSana esa supervisión es Medicina Integrativa: la pregunta la afinas tú, la decisión no se delega.
Referencias científicas:
1. Liu NF, Lin K, Hewitt J, et al. Lost in the middle: how language models use long contexts. Trans Assoc Comput Linguist. 2024;12:157-173. doi:10.1162/tacl_a_00638.
2. Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models. Adv Neural Inf Process Syst. 2022;35:24824-24837. doi:10.48550/arXiv.2201.11903.
3. Tschandl P, Rinner C, Apalla Z, et al. Human–computer collaboration for skin cancer recognition. Nat Med. 2020;26(8):1229-1234. doi:10.1038/s41591-020-0942-0. PMID: 32572267.
4. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012;19(1):121-127. doi:10.1136/amiajnl-2011-000089. PMID: 21685142.
5. Fleming SM, Dolan RJ. The neural basis of metacognitive ability. Philos Trans R Soc Lond B Biol Sci. 2012;367(1594):1338-1349. doi:10.1098/rstb.2011.0417. PMID: 22492751.