Tres IA coinciden. La pregunta sigue siendo tuya.

Preguntas a un modelo si una cláusula del contrato entraña algún riesgo. Dice que sí. Consultas al segundo y señala el mismo problema. El tercero coincide; hasta propone casi las mismas palabras para corregirla. Tres confirmaciones producen una sensación muy distinta de una sola. Parece que una votación ha eliminado la incertidumbre.

A veces es una práctica excelente. Otras veces son tres voces que visten de tres maneras el mismo punto ciego.

La independencia del acuerdo depende de la independencia de las fuentes

Dos modelos pueden tener arquitecturas, herramientas y estilos diferentes y compartir, sin embargo, muchísimos textos públicos y convenciones parecidas. Pueden heredar el mismo error extendido. Pueden entender la pregunta del mismo modo porque las instrucciones los han orientado sin decirlo. A veces coinciden porque la respuesta más fácil de explicar no es la que la situación necesita.

No se sigue de ahí que contrastar varios modelos carezca de valor. Si uno inventa una cita y los otros dos no la encuentran, has obtenido una señal útil. Si sistemas con herramientas de búsqueda diferentes convergen en un hecho y muestran sus fuentes, hay buenas razones para confiar más. Pero cuánto más tiene que corresponderse con la independencia real y la calidad de las pruebas.

Tres reformulaciones no equivalen a tres testigos.

El desacuerdo suele informar más

Cuando los modelos se contradicen, tendemos a preguntar cuál es más potente. Conviene empezar por localizar la discrepancia. ¿Usan hechos distintos, definiciones distintas, preferencias de riesgo distintas o criterios distintos del éxito?

Supongamos que un modelo recomienda lanzar el producto ya y otro aconseja esperar. Quizá sus previsiones comerciales sean parecidas. La diferencia puede estar en otro lugar: uno considera reparable un daño posterior a la reputación; el otro trata el daño a usuarios vulnerables como una condición para parar. Una vez visible, la diferencia ya no es una competición de inteligencia. Es la pregunta por lo que aceptamos dar a cambio de qué.

Pide a cada uno que diga qué supuesto tendría que cambiar para invertir su conclusión. Pídeles también que critiquen el planteamiento del otro, no solo sus detalles. Después saca las afirmaciones importantes fuera de los modelos y contrástalas con fuentes primarias, profesionales y observación directa.

Un segundo modelo vale más cuando permite ver un segundo marco, no cuando se limita a repetir la primera respuesta.

Organiza contrapesos, no un consejo de oráculos

Un buen procedimiento reparte tareas entre los sistemas. Uno genera posibilidades; otro busca debilidades en los hechos; otro, personas olvidadas y maneras en que el plan puede fallar. Después alguien decide qué objeciones exigen más pruebas, cuáles requieren hablar con las personas afectadas y cuáles muestran que la tarea estaba mal planteada desde el principio.

Esos papeles no deberían acabar fundidos en una sola puntuación. Si todas las críticas rinden cuentas al mismo indicador, la pluralidad aparente vuelve a reducirse a un único objetivo. Un contrapeso de verdad tiene que conservar esta frase: «Según el indicador establecido funciona muy bien, pero aun así no debería utilizarse».

En situaciones de alto riesgo, las personas afectadas también han de tener cabida en el procedimiento. Un candidato no debería recibir tres evaluaciones automáticas sin poder impugnar los datos. Un paciente tampoco debería recibir como única explicación que varios modelos coinciden, sin poder encontrar un médico dispuesto a explicar qué vio el sistema y qué dejó fuera. Multiplicar los modelos no sustituye la posibilidad de reclamar.

No todas las preguntas buscan un consenso

En algunas cuestiones, el consenso sí puede aumentar la confianza: si una cita aparece en la fuente, si un código pasa las pruebas, si se puede reproducir un cálculo. Otras preguntas permanecen abiertas aunque todos los modelos coincidan: perdonar o no, qué pérdida estamos dispuestos a aceptar, si una institución ya está exigiendo demasiado a las personas.

La IA puede iluminar esas cuestiones. La unanimidad no cambia de qué clase de preguntas se trata. Que diez sistemas recomienden sacrificar una relación por la carrera profesional no crea entre los diez una vida que pueda hacer ese sacrificio por ti. Que todos predigan la popularidad de una política tampoco demuestra que sea legítima.

Antes de consultar varios modelos, distingue qué buscas: hechos, explicaciones, predicciones, diseños o permiso. Lo último es lo más peligroso. Es donde más fácilmente disfrazamos la huida de la responsabilidad de una verificación escrupulosa.

La última comprobación no consiste en preguntarle a otro modelo

El bucle tendrá que terminar. Cuanto mayor sea el riesgo, más conviene fijar antes las reglas para detenerlo. Los hechos requieren pruebas primarias que se puedan rastrear. Las decisiones técnicas necesitan pruebas en las condiciones que de verdad importan. Las decisiones que afectan a personas deben conservar vías de impugnación y revisión humana. En los compromisos personales, hay que dejar claro qué no entregaremos por muchos modelos que añadamos.

Después, deja que trabajen. La velocidad y la diversidad de los modelos son ventajas reales. Pueden romper la complacencia de un equipo humano y encontrar errores que ningún individuo había visto. La conclusión no es creer por defecto a una persona antes que a muchas máquinas.

Importa recordar para qué existen los contrapesos: para que se pueda seguir pidiendo cuentas al poder, no para crear una voz más grande que nadie pueda cuestionar. Si tres IA coinciden, quizá dispones de pruebas más fuertes. Todavía no has obtenido, por eso, a alguien que responda de haber confiado en ellas.