Una IA más fiable, revisada por otra familia de modelos.

El Debate tiene dos modos y elige uno por ti: verifica los hechos en la web cuando la respuesta los contiene; si no, una segunda IA la relee sin web. En «Verificación de hechos», la app extrae las afirmaciones de la respuesta, las busca en la web, etiqueta cada una y cita fuentes enlazadas en la versión final, sin inventar nunca una fuente. En «Revisión», un modelo de otra familia lee la respuesta y la critica sin consultar la web. La Verificación de hechos arranca cuando la respuesta contiene hechos verificables (cifras, fechas) en una pregunta factual, o cuando dice que no puede confirmar algo; el código y las preguntas de opinión van a Revisión. También puedes elegir el modo tú mismo.

Medimos la Revisión en 20 preguntas que no se pueden verificar. Antes de nuestra iteración, la versión final inventaba un hecho en 10 de las 20; después, en 1 de las 20, sin ninguna fuente inventada. Uno de cada 20 no es ninguno: por eso la Verificación de hechos va a la web en cuanto la respuesta tiene hechos que comprobar, y por eso conviene abrir las fuentes.

«Puntos de vista» es una pestaña premium para los temas que dividen. Dos defensores de familias distintas argumentan cada uno una postura con sus propias fuentes web, y después una síntesis los reúne. Cuesta unos 21 créditos por tema de media y es para suscriptores. Frente a una respuesta equilibrada de un solo modelo, un juez prefirió Puntos de vista en el 83 a 90 % de los casos medidos (6 y luego 15 temas), y en las 4 trampas donde los hechos están zanjados, se presentaron como zanjados 4 veces de 4.

Un modelo que relee su propia respuesta no corrige nada más: lo medimos. Los mismos errores, los mismos fallos, y el juez solo prefirió la versión releída en el 15 % de las tareas abiertas. Un modelo que se dejó algo la primera vez tiende a dejárselo la segunda, probablemente porque la laguna viene de cómo se entrenó y no de las prisas.

Un crítico de la misma familia no lo hizo mejor, y a veces peor. Al revisar una respuesta de DeepSeek, un crítico DeepSeek planteó más puntos, dio más falsas alarmas y el código corregido acabó con 46 errores sembrados corregidos de 49, frente a 47 de la respuesta sola. También se le escapó un acertijo invertido en el que la respuesta había caído: los modelos de una misma familia comparten sus puntos ciegos.

Un crítico de otra familia vio ese acertijo, rehízo un recuento que la respuesta había fallado (155 en lugar de 153) y encontró los dos últimos errores del código. Por eso la app nunca deja que un modelo revise a su propia familia: el crítico se elige en nuestro servidor y el navegador solo envía la profundidad que has elegido.

Un revisor que aprueba todo no sirve de nada, y uno que se inventa problemas para parecer riguroso es peor. Por eso el crítico trabaja con reglas estrictas: citar la línea o la afirmación exacta, explicar por qué es errónea con una prueba (un contraejemplo, un cálculo, el requisito que incumple), proponer la corrección e ignorar el estilo. Si, tras una comprobación real, no encuentra nada serio, lo escribe e indica qué ha verificado.

En el estudio, el crítico de otra familia planteó unos dos puntos por revisión. En el código, 17 de los 19 puntos que nombraban una función apuntaban a un error sembrado real. En un tercio de los casos dijo que no había nada serio que señalar; entonces la respuesta se queda como estaba y se salta el paso final.

El autor tampoco obedece a ciegas. Tiene la consigna de aceptar un punto solo después de verificarlo y de justificar cada rechazo. En 15 de las 20 versiones finales, al menos un punto se descartó con su motivo. Ves las dos listas bajo la versión final: lo que ha cambiado y los puntos descartados.

También medimos un intercambio más largo: dos modelos que se responden punto por punto durante dos o tres rondas, y luego una síntesis. No lo hizo mejor que la revisión única en el código, falló una pregunta más, el juez solo lo prefirió en la mitad de las tareas abiertas, costaba el triple y tardaba de dos a tres veces más.

Por eso la app hace una sola ronda, pero bien hecha: un borrador, un crítico de otra familia y una versión final corregida. Cuando el crítico no encuentra nada, el intercambio se detiene ahí, lo que ocurrió en un tercio de los casos de prueba.

Los consejos clásicos siguen valiendo. Pide las fuentes y ábrelas. Rehaz un cálculo por tu cuenta. Ejecuta el código antes de fiarte de él, idealmente con una prueba que cubra los casos límite: listas vacías, fechas alrededor de un cumpleaños, valores que no son números. Reformula la pregunta para ver si la respuesta se sostiene. Y pregunta a otro modelo, porque dos modelos de familias distintas rara vez cometen el mismo error.

«Debate» automatiza ese último paso y deja constancia por escrito. Es más útil donde un error cuesta algo: un código que vas a publicar, un cálculo detrás de una decisión, el resumen de un contrato, un plan con pros y contras, un correo importante. Para un intercambio corto o una cuestión de gusto, la respuesta sola suele bastar, y llega antes.

No sustituye tu criterio. En el modo Revisión, el crítico no consulta la web, y un punto en el que los dos modelos coinciden aún puede ser falso. Lo que aporta es una segunda lectura independiente ante tus ojos, con sus razones por escrito. Así, buscar una IA más fiable deja de ser una cuestión de fe en una marca y pasa a ser una comprobación que puedes leer.