El espacio de trabajo de IA para investigadores: lectura de contexto largo y redacción con citas

Las tres tareas de los modelos en un flujo de investigación

La investigación es el caso más claro para un espacio de trabajo multimodelo, porque el proceso tiene tres exigencias realmente distintas. Necesitas un modelo capaz de mantener una enorme cantidad de texto a la vez, un modelo que escriba con el cuidado suficiente para sobrevivir a la revisión por pares y un modelo que devuelva resultados estructurados y rígidos sin desviarse. Ningún producto es el mejor en las tres a la vez, y el costo de cambiar entre tres productos se paga volviendo a subir el mismo corpus una y otra vez. El costo marginal de cambiar dentro de un solo espacio de trabajo es pequeño y previsible: según el índice de costos de modelos de Whizi (tarifas de lista de OpenRouter, consultadas el 2026-08-20), Gemini 3.7 Flash sale a $0.001313 por respuesta estándar, Claude Sonnet 5 a $0.007 y GPT-5.6 Terra a $0.008, todos por debajo de un centavo por respuesta.

Etapa	Modelo	Qué hace
Leer un corpus de artículos	Gemini	Ventana de contexto de 1M de tokens, así que 15 a 30 PDFs caben en una sola conversación
Construir una tabla de evidencia	GPT	Esquemas estrictos, valores de columna consistentes, sin desviación editorial
Redactar la prosa y la síntesis	Claude	Registro académico cuidadoso y matizado, fiel a la fuente
Buscar trabajos recientes y verificar referencias	Un modelo conectado a la web	Recuperación contra fuentes en vivo en lugar de memoria
Revisión adversarial de tu propio argumento	Cualquier modelo que no lo haya redactado	Lector independiente, sin costo hundido

Lo más importante que debes entender antes de empezar: si le preguntas a un modelo de lenguaje sobre un artículo de memoria, inventará detalles, y lo hará con fluidez. Un modelo que lee un PDF que subiste está trabajando a partir del texto real. Son actividades distintas con niveles de fiabilidad distintos, y casi toda historia de terror sobre la IA en la investigación viene de confundir la primera con la segunda. Sube la fuente. Siempre.

Leer 20 artículos sin perder el hilo

El error es pedir un resumen. Un resumen de 20 artículos es un párrafo que podría describir cualquier grupo de 20 artículos del campo. Lo que realmente quieres es una tabla de evidencia, porque una tabla obliga al modelo a comprometerse con un valor específico por artículo y hace visibles los vacíos.

Prompt: la tabla de evidencia

He subido [n] artículos. Construye una tabla con una fila por artículo y estas columnas: cita (autores, año), pregunta de investigación, diseño del estudio, tamaño de la muestra y población, resultado principal medido, hallazgo principal con el tamaño del efecto o la estadística clave, limitaciones declaradas y fuente de financiación si se declara. Si un campo no se reporta en un artículo, escribe NO REPORTADO. No infieras valores. No incluyas ningún artículo que no haya subido.

Prompt: la pasada de síntesis

Usando solo la tabla que acabas de construir, responde: ¿en qué coinciden estos estudios, en qué difieren y qué explica la discrepancia (diseño, población, medición o periodo)? Identifica las preguntas de esta bibliografía que ningún estudio subido aborda. Para cada afirmación, cita las filas específicas en las que se basa.

Prompt: crítica metodológica

Para cada estudio de la tabla, señala la amenaza más grave a la validez: selección, medición, factores de confusión, potencia estadística o generalización. Sé específico según lo que reporta el artículo, no genérico. Si un estudio es metodológicamente sólido, dilo en lugar de inventar una crítica.

Esa última instrucción hace un trabajo real. Pide a un modelo que encuentre problemas y siempre encontrará problemas, incluso en un estudio bien realizado, porque la petición implica que existen. Darle permiso explícito para decir que un artículo es sólido mantiene honesta la crítica.

Para conocer la mecánica de introducir documentos largos en un chat de forma limpia, consulta cómo chatear con un PDF y la guía para resumir PDFs con IA.

Extracción: obtener datos estructurados de texto no estructurado

La extracción sistemática es la tarea en la que la IA ahorra más tiempo defendible, porque el resultado es verificable. Puedes comprobar un número contra la página 7. No puedes comprobar una intuición.

Prompt: extracción con esquema estricto

Extrae cada estadística reportada de este artículo en formato JSON. Esquema: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. Incluye solo cifras que aparezcan en el texto, las tablas o los pies de figura. No calcules valores derivados. No redondees. Si una cifra aparece tanto en una tabla como en el texto con valores distintos, devuelve ambas entradas y marca la discrepancia.

El campo location_in_paper es la parte que la gente omite, y es la parte que hace que el resultado sea utilizable. Convierte una verificación de releer todo el artículo en una comprobación puntual, lo que significa que la verificación realmente se hace.

Prompt: comparar entre artículos

En los artículos subidos, encuentra cada estimación reportada de [la magnitud que te interesa]. Devuelve una tabla con: artículo, estimación, unidad, población, método de estimación y año de recolección de datos. No los promedies. Señala explícitamente dónde las estimaciones no son comparables por definiciones o poblaciones distintas.

Indicar al modelo que no promedie no es pedantería. Promediar estimaciones no comparables es la forma más común en que una revisión bibliográfica asistida por IA produce un número que parece seguro pero es erróneo, y es el tipo de error que un revisor detecta de inmediato.

Redactar la revisión sin tomar prestadas las frases de nadie más

Claude es el mejor redactor aquí, pero el prompt tiene que imponer las dos reglas que importan en la escritura académica: las afirmaciones permanecen ligadas a las fuentes y se conservan los matices. Los modelos entrenados para ser útiles tienden a reforzar el lenguaje cuidadoso, convirtiendo "se asoció con" en "causó" sin que se les pida.

Prompt: redacción de sección

Redacta la sección [nombre de la sección] de una revisión bibliográfica usando solo la tabla de evidencia anterior. Reglas: toda afirmación debe poder atribuirse a una fila específica, conserva el matiz original (no conviertas una asociación en una afirmación causal), usa el formato [estilo de cita] y marca cualquier frase en la que te hayas sentido tentado a generalizar más allá de la evidencia con [CHECK]. Público: investigadores de [campo]. Extensión: aproximadamente [n] palabras.

Prompt: auditoría de matices

Revisa este borrador contra el material fuente. Enumera cada frase que exprese más certeza de la que respalda el estudio subyacente, y cada frase que atribuya un hallazgo a la fuente equivocada. Cita la frase y el texto de la fuente en conflicto lado a lado. No reescribas.

Aplica también la auditoría de matices a tu propia redacción, no solo al resultado del modelo. Detecta la misma desviación en un borrador humano escrito a las 11 de la noche.

La verificación de citas, que no es opcional

Esta es la sección que más importa, así que es deliberadamente directa. Los modelos de lenguaje inventan referencias. Producen citas con nombres de autores reales, títulos de revistas plausibles, números de volumen y página que parecen correctos, y DOIs que no resuelven a nada o a un artículo distinto. Artículos retractados han entrado en la bibliografía de esta manera. Reputaciones se han dañado por esto.

Las reglas que lo evitan:

• Nunca le pidas a un modelo que "encuentre fuentes" para una afirmación de memoria. Pide a un modelo conectado a la web que las recupere y luego abre cada enlace tú mismo.
• Verifica cada DOI resolviéndolo. Un DOI que no resuelve es una invención, no una errata.
• Comprueba que el artículo citado realmente dice lo que la cita afirma que dice. Un artículo real vinculado a una afirmación que no respalda es el error más difícil de detectar, y es más común que un artículo inventado.
• Nunca cites algo que no hayas abierto. Esta regla existía antes de la IA y la IA la ha vuelto ineludible.
• Mantén los PDFs subidos como la fuente de verdad. Cualquier cosa que el modelo te diga sobre un artículo que no subiste no está verificada por construcción.

Prompt: auditoría de referencias

Para cada referencia de esta lista, indica: si puedes confirmarla a partir de una fuente en esta conversación, o si proviene de tus datos de entrenamiento y por tanto no está verificada. No adivines. Marca claramente cada entrada no verificada. Las revisaré manualmente.

Ese prompt no hace que el modelo sea fiable. Lo hace explícito sobre qué afirmaciones están ancladas a algo que tú proporcionaste, que es la distinción que necesitas para saber qué comprobar.

Lo que esto no reemplaza

No reemplaza un protocolo de revisión sistemática. Si tu trabajo requiere PRISMA, la estrategia de búsqueda, el cribado y las decisiones de inclusión siguen siendo tuyas para documentar y defender. La IA puede ayudarte a redactar el protocolo y a acelerar la extracción de los estudios incluidos, pero no puede ser la búsqueda.

No reemplaza tu gestor de referencias. Mantén Zotero, Mendeley o EndNote como el registro de lo que realmente has leído. El chat es memoria de trabajo, no un archivo.

No reemplaza el análisis estadístico. Un modelo puede explicar un método, escribir el código en R o Python para él y revisar la coherencia de tu interpretación, pero ejecutar tu análisis dentro de una ventana de chat y confiar en la aritmética no es defendible. Genera el código, ejecútalo en tu propio entorno y comprueba el resultado.

Y no reemplaza la divulgación. Las revistas e instituciones exigen cada vez más una declaración de cómo se usaron las herramientas de IA. Anota lo que usaste en cada etapa a medida que avanzas, porque reconstruirlo al momento de enviar el trabajo es desagradable.