La mayoría de los problemas que la gente tiene con la IA vienen de un solo hábito: leer la respuesta como si fuera la palabra final. Un par de cambios pequeños resuelven casi todo. Haga su propia suposición antes de mirar, y trate lo que recibe como un borrador. Ninguno de los dos requiere tiempo extra, y juntos hacen que la herramienta sea más segura y más útil.

Haga primero su propia suposición

Antes de leer la respuesta de la IA, tómese un segundo para preguntarse qué espera. Si está preguntando si una clínica acepta su seguro, deténgase y piense: ¿qué es lo que ya creo que es verdad aquí? Luego lea la respuesta y compárela con su suposición.

Este pequeño paso hace algo poderoso. Cuando la respuesta coincide con lo que esperaba, puede avanzar con más confianza. Cuando no coincide con su suposición, esa diferencia es una señal. No significa que usted tenía razón y la IA estaba equivocada, ni al revés. Significa que este es un punto que vale la pena revisar antes de actuar. Una investigación sobre personas que toman decisiones con la ayuda de una IA encontró que un pequeño paso que lo hace detenerse a pensar por su cuenta primero reduce la probabilidad de aceptar una respuesta equivocada solo porque suena segura (Buçinca et al., 2021).

Trate la respuesta como un borrador

Piense en una respuesta de la IA como pensaría en el consejo de un vecino con conocimientos. Su vecino ha pasado por el sistema, tiene buenas intenciones y puede ahorrarle tiempo de verdad. Su vecino también puede estar desactualizado, o tener razón sobre su propio caso pero equivocarse sobre el de usted. Usted aceptaría con gusto su ayuda y aun así confirmaría cualquier cosa importante antes de firmar un formulario o dejar pasar una fecha límite.

Una respuesta de la IA merece la misma lectura. Es un buen primer borrador: un punto de partida que usted puede moldear, cuestionar y verificar. Cuando la trata como un borrador, un error se convierte en algo que detecta durante la revisión en lugar de algo que descubre después de haber actuado según él.

Una buena manera de trabajar con un borrador es repetirlo con sus propias palabras antes de actuar según él. Pasar la respuesta por su propio entendimiento a menudo revela de inmediato un vacío o una suposición equivocada. Hay una rutina sencilla para esto cerca del final de la guía.

”No estoy seguro” es una buena señal

Podría esperar que una herramienta útil siempre suene segura. Es al revés. Cuando una IA dice algo como “no estoy seguro” o “esto puede variar, así que por favor confirme”, le está dando información honesta sobre dónde su respuesta es frágil. Un estudio con personas que usaban una herramienta de búsqueda con IA para responder preguntas médicas encontró que cuando la herramienta expresaba su incertidumbre en palabras sencillas, las personas confiaban menos en respuestas equivocadas y juzgaban las respuestas con más precisión (Kim et al., 2024). La incertidumbre es una característica que lo ayuda, así que dele la bienvenida cuando la vea, y sea un poco más cuidadoso con las respuestas que suenan seguras sobre datos específicos, locales o cambiantes.

Confianza en ambos sentidos

Usar la IA con sabiduría consiste en ajustar su confianza a la situación, y eso funciona en dos direcciones.

En una dirección, no crea todo. Una respuesta fluida y segura puede aun así estar equivocada, especialmente sobre números de teléfono, direcciones, costos y reglas de elegibilidad. Para saber cómo y cuándo verificar, vea La IA se equivoca y Usar la IA de forma segura para su salud.

En la otra dirección, tampoco descarte todo. Algunas personas han escuchado que la IA comete errores y deciden que todo lo que produce no es confiable. Eso les hace perder ayuda real. En un estudio, las personas calificaron el mismo consejo médico exacto como menos confiable y estuvieron menos dispuestas a seguirlo simplemente porque les dijeron que venía de una IA (Reis et al., 2024). Para direcciones, para explicar un término confuso, para redactar lo que va a decir y para prepararse para una cita, la IA es realmente útil. El objetivo no es temerle ni apoyarse en ella a ciegas. El objetivo es usarla para lo que hace bien y mantener a una persona involucrada en lo que realmente importa. El resto de esta guía le da las herramientas concretas: qué datos verificar dos veces, cómo verificar uno, qué preguntar después y cómo repetirlo con sus propias palabras.

Qué datos son más riesgosos de confiar

No todos los datos tienen el mismo riesgo. Las explicaciones generales y estables son las más seguras. Si pregunta qué es un copago, o qué significa la palabra “referido”, una respuesta de la IA suele ser sólida, porque ese tipo de información no cambia de semana en semana ni de ciudad en ciudad.

Los datos más riesgosos son los que son específicos, locales y cambiantes. Estos son los que hay que verificar dos veces siempre:

• Números de teléfono y direcciones. Detalles pequeños que son fáciles de equivocar ligeramente.
• Costos y copagos. Dependen de su plan y cambian con frecuencia.
• Horarios y tiempos de espera. El horario de una clínica este mes no es algo que una IA pueda saber.
• Quién califica. Las reglas de elegibilidad son detalladas, son locales y cambian.
• Si una clínica en particular acepta su plan en particular. Eso son dos datos cambiantes a la vez, así que necesita una verificación real.

Una regla general sencilla: mientras más ligado esté un dato a un solo lugar, un solo plan o al momento actual, más merece una llamada telefónica. Aquí es también donde confiar demasiado en una IA hace más daño. Los investigadores lo llaman sesgo de automatización, una tendencia bien documentada a aceptar la respuesta de una herramienta automatizada sin verificarla, incluso cuando una revisión rápida habría detectado el error; una revisión sistemática en el ámbito de la salud encontró que esta tendencia es real y común (Goddard et al., 2012). Saber qué datos son riesgosos es lo que le ayuda a decidir en qué usar su única llamada telefónica.

Cómo verificar un dato antes de actuar

La mayoría de las veces no está verificando toda una respuesta. Está verificando el único dato pequeño del que depende su próximo paso. Aquí tiene una rutina que puede usar cada vez:

Aquí tiene tres ejemplos de pasos reales que la gente da para llegar a atención de salud mental.

¿Esta clínica acepta mi seguro? La IA dice que una clínica cerca de usted acepta su plan. Eso es una pista útil, y también puede estar desactualizada, porque las clínicas cambian qué planes aceptan. Trátelo como un borrador. Luego confírmelo de dos maneras: revise el propio sitio web de la clínica, y llame a la clínica y léales el nombre del plan y el número de identificación de miembro de su tarjeta de seguro. Pregunte: “¿Aceptan este plan para un paciente nuevo?” La respuesta según la cual puede actuar es la que le dé la clínica por teléfono.

¿Es este el número de teléfono correcto? La IA le da un número de teléfono de una clínica o una línea de crisis. Un número de teléfono es exactamente el tipo de dato pequeño y específico que una IA puede equivocar o confundir. Antes de guardarlo, busque el mismo número en el sitio web oficial de la clínica. Si los dos no coinciden, confíe en el sitio web. Un número que nunca necesita buscar: para comunicarse con la Línea de Suicidio y Crisis en Estados Unidos, llame o envíe un mensaje de texto al 988.

¿Califico para este programa? La IA dice que un programa de bajo costo o de tarifa según sus ingresos está disponible para usted. Las reglas de elegibilidad son locales, detalladas, y cambian, así que esto es un borrador, no un sí definitivo. Haga una pregunta de seguimiento: “¿Cuáles son las reglas exactas de quién califica, y qué necesitaría llevar?” Luego confirme esas reglas con el propio programa antes de hacerse ilusiones o llenar un formulario largo.

Note el patrón en los tres casos. La IA es buena para señalarle una dirección. Una persona o una página oficial es lo que hace que el dato sea seguro para actuar.

Buenas preguntas de seguimiento para hacer

Una respuesta de la IA mejora cuando usted sigue preguntando. No tiene que aceptar la primera respuesta. Estas preguntas de seguimiento funcionan para casi cualquier pregunta sobre cómo obtener atención:

• “¿De dónde viene esto? ¿Hay un sitio web oficial que pueda revisar?”
• “¿Qué tan seguro está de esto, y qué podría hacer que estuviera equivocado?”
• “¿Cuándo podría haber cambiado esto?”
• “¿Qué necesitaría llevar o tener listo?”
• “¿Cuál es una buena pregunta para hacerle a la clínica cuando llame?”
• “¿Puede decir eso otra vez con palabras más sencillas?”
• “¿Qué no se me está ocurriendo preguntar?”

Esa última pregunta es silenciosamente poderosa. Le pide a la IA que llene los vacíos de su propio plan, que es una de las cosas que mejor hace.

Repítalo con sus propias palabras en una línea

La forma más rápida de detectar un problema es poner la respuesta en sus propias palabras antes de actuar según ella. Después de que la IA responda, complete esta oración en voz alta o en el chat:

“Entonces lo que me está diciendo es…”

Luego léale su versión a la IA y pregunte: “¿Entendí bien?” Suceden dos cosas buenas. Si malinterpretó la respuesta, lo detecta ahora en lugar de en la puerta de la clínica. Y si la respuesta misma era frágil, repetirla con palabras sencillas a menudo hace que el punto débil salga a la luz. Este es el mismo gesto que usaría con una enfermera o un trabajador social: repítalo y confirme antes de irse.

Sources

• Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287.
• Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089.
• Kim, S. S. Y., Liao, Q. V., Vorvoreanu, M., Ballard, S., & Vaughan, J. W. (2024). “I’m not sure, but…”: Examining the impact of large language models’ uncertainty expression on user reliance and trust. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘24). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658941.
• Reis, M., Reis, F., & Kunde, W. (2024). Influence of believed AI involvement on the perception of digital medical advice. Nature Medicine, 30(11), 3098–3100. https://doi.org/10.1038/s41591-024-03180-7.

LINC es un prototipo de investigación, no un servicio médico ni legal. La traducción puede tener errores; usted tiene derecho a un intérprete calificado y gratuito. Para cualquier cosa de alto riesgo, hágalo junto con un trabajador de salud comunitario o alguien de su confianza. En una crisis, llame o envíe un mensaje de texto al 988, o al 911 si hay peligro inmediato.