¿Alguien ya se había hecho esta pregunta?

La búsqueda ya formaba parte del problema

Al mirar el registro de esa exploración, apareció algo inesperado. La inteligencia artificial no buscó mi pregunta de forma literal: la interpretó como un problema más amplio y la descompuso en asuntos relacionados con investigación asistida por IA, decisiones, selección de fuentes, transparencia, reconstrucción del recorrido y colaboración humano–IA. Esa fue una decisión de búsqueda declarada, no el hallazgo de una fuente.

Después propuso términos en inglés como AI-assisted research, source selection, transparency, provenance, audit trail, human-AI collaborative research y visible thinking + AI. Algunos, especialmente provenance y audit trail, no estaban en mi formulación inicial: fueron introducidos por la IA y abrieron rutas de búsqueda que yo todavía no había considerado.

Ese movimiento también podía sesgar la exploración. Otros términos, disciplinas o idiomas habrían podido conducir a antecedentes diferentes. Registrar las palabras introducidas no elimina ese límite, pero permite discutirlo en lugar de ocultarlo.

No tomo ese recorrido como una ventana al razonamiento interno del sistema. Lo que puedo observar son términos que aparecieron en la interacción, búsquedas realizadas, fuentes que fueron priorizadas y razones que quedaron declaradas o registradas. Una explicación verbal generada por un modelo tampoco garantiza, por sí sola, que revele fielmente los procesos que produjeron una respuesta (Parcalabescu & Frank, 2024).

Pero esa diferencia no vuelve inútil el recorrido. Al contrario: ayuda a nombrarlo con más cuidado. No se trata de afirmar que vemos «lo que piensa» una IA. Se trata de preguntarnos qué parte del camino queda disponible para ser revisada por la persona que investiga.

Recorrido documentable

Lo que una búsqueda deja disponible

1. 01Pregunta humanaLa inquietud que inicia la exploración.
2. 02Interpretación declaradaCómo la IA dice haber entendido la pregunta.
3. 03Términos y búsquedasPalabras introducidas y consultas registradas.
4. 04Rutas y resultadosCaminos abiertos y fuentes encontradas.
5. 05Fuente priorizadaGautam et al. (2026), priorizada por la IA en su respuesta.
6. 06Razón declaradaCercanía temática y empírica; una razón revisable, no una prueba de superioridad.
7. 07Decisión humanaAceptar, cuestionar o ampliar el recorrido antes de continuar.

Este esquema representa información declarada o registrada en la interacción. No representa el razonamiento interno de una IA.

Una palabra que ya existía: procedencia

La palabra provenance fue una de las primeras que me obligó a detenerme. En el marco PROV del W3C, la procedencia reúne información sobre las entidades, actividades y agentes que intervienen en producir o modificar algo. Su función no es prometer transparencia absoluta: permite conservar relaciones relevantes para poder preguntar de dónde viene un resultado y qué ocurrió en su producción (World Wide Web Consortium, 2013).

No adopté esa palabra como nombre definitivo de esta investigación. Pero encontrarla fue importante porque mostró que la preocupación por dejar rastros verificables no empezaba aquí. Una revisión sobre documentación de procedencia en inteligencia artificial también relaciona esa documentación con problemas de explicabilidad y confianza, sin reducirlos a una sola solución técnica (Kale et al., 2023).

La pregunta dejó entonces de ser solamente: «¿cómo puedo pedirle más explicaciones a una IA?». Empezó a ser: ¿qué información sobre el recorrido necesito conservar para poder discutir una respuesta con mayor responsabilidad?

Un antecedente más cercano de lo que esperaba

Una fuente resultó especialmente cercana al problema: Gautam, Liu, Choi y Lease (2026) estudiaron a 15 investigadores que utilizaban herramientas basadas en modelos de lenguaje durante tareas tempranas de investigación, como explorar literatura, sintetizar información e idear. El estudio registra tensiones alrededor de la confianza, la responsabilidad y la transparencia cuando las personas intentan evaluar resultados producidos con esas herramientas (Gautam et al., 2026).

La IA priorizó ese estudio en su respuesta y declaró una razón: su cercanía temática y empírica con el uso de IA en etapas iniciales de investigación, la exploración de literatura y los problemas de responsabilidad, transparencia, confianza y procedencia. Esa explicación permite discutir la elección, pero no reconstruye una clasificación completa ni demuestra que fuera la mejor fuente posible.

No es un estudio sobre Musipensantes ni propone la rutina que estoy buscando. Tampoco demuestra que una conversación con una IA pueda volverse completamente trazable. Su importancia para esta investigación es más concreta: confirma que la dificultad de saber de dónde viene una afirmación, qué fuente la sostiene o por qué fue priorizada no es una preocupación aislada.

Encontrar ese antecedente no cerró la búsqueda. La hizo más exigente. Ya no bastaba con pedir una lista de fuentes al final. Si una fuente llega a una respuesta, también quiero poder preguntar cómo fue presentada, qué relación tenía con la pregunta, qué límites tenía y qué decisión humana tomé al usarla.

También puedo preguntar qué términos condujeron hasta ella, qué otras fuentes quedaron fuera, qué cambiaría al buscar desde otra disciplina o en otro idioma y si la razón ofrecida para priorizarla resiste una lectura directa. Eso no exige revelar una cadena de pensamiento interna: exige conservar decisiones observables y someterlas a revisión.

Ver no basta

Aquí apareció una formulación que quiero mantener abierta, no como conclusión académica sino como hipótesis de trabajo:

Lo visible debe poder ser cuestionado.Hipótesis de trabajo

Una lista de enlaces puede ser visible y, aun así, no permitir una discusión real. Un término de búsqueda puede quedar anotado y, aun así, no explicar por qué parecía pertinente. Una fuente puede ser reconocida y, aun así, requerir que alguien compruebe qué afirma exactamente, en qué contexto y con qué alcance.

Por eso la transparencia que busco no consiste en acumular capturas, respuestas o enlaces. Consiste en conservar suficiente información para volver sobre una decisión: preguntar por qué se buscó una palabra, por qué una fuente pareció útil, qué otra posibilidad se dejó fuera y qué parte de la conclusión sigue siendo una interpretación mía.

Las investigaciones sobre interacción humano–IA recuerdan que la cuestión no termina cuando un sistema ofrece una explicación; también importa cómo las personas pueden intervenir, comprender y cuestionar el intercambio (Raees et al., 2024). No tomo esa literatura como una validación de mi propuesta. La tomo como señal de que esta conversación ya tiene antecedentes y límites que debo respetar.

La primera búsqueda no me dio un método

Lo que encontré no fue una rutina terminada ni una respuesta para todas las investigaciones. Encontré un campo de conceptos cercanos —procedencia, documentación, explicabilidad, interacción— y una advertencia: no debo convertirlos en sinónimos ni apropiarme de ellos como si resolvieran por sí mismos el problema.

Por ahora solo puedo formular una secuencia provisional: preguntar → mostrar el recorrido → interrogarlo → decidir → continuar. No es todavía un método validado; es una forma de hacer revisable la exploración mientras sigo investigando sus límites.

También encontré una decisión sencilla que puedo sostener desde ahora: cuando investigue con ayuda de una IA, no quiero conservar solamente el resultado. Quiero dejar disponibles, hasta donde sea posible, las preguntas, términos, fuentes, límites y decisiones humanas que hicieron parte del recorrido.

Todavía no sé cuál es la mejor forma de hacerlo. Y tampoco sé qué partes de ese camino podrán hacerse visibles con fidelidad. Pero la primera exploración dejó una nueva puerta abierta: ¿cómo transforma una inteligencia artificial una pregunta humana en términos de búsqueda, relaciones entre fuentes y una respuesta posible?

Esa será la pregunta del siguiente artículo.