La investigación parecía devolverme al principio. Después de ocuparnos de búsquedas, fuentes, transparencia, procedencia y verificación, empecé a pensar que buena parte de mi responsabilidad estaba antes de buscar: en decidir qué quería averiguar, hasta dónde llegaría y qué me permitiría reconocer un punto de llegada. Pero no se trataba de fabricar una «pregunta perfecta». Una investigación puede comenzar con una intuición incompleta; una buena pregunta puede —y probablemente debe— cambiar cuando aparecen mejores conceptos o evidencia inesperada.
Pensé entonces en una primera rutina provisional: Antes de buscar. No como lista burocrática, sino como una conversación breve entre quien investiga y la IA que deje explícitas algunas decisiones. ¿Qué creo ahora, sin convertir todavía esa intuición en verdad? ¿Qué quiero averiguar? ¿Qué no estoy investigando? ¿Qué tendría que encontrar para considerar respondida, provisionalmente, la pregunta? ¿Qué hallazgo me haría detenerme —por ejemplo, una respuesta ya sólida, un concepto mal empleado o un método que resuelve exactamente el problema—? ¿Qué evidencia, problema de alcance o pregunta más fundamental me obligaría a cambiar de rumbo? Y, antes de invertir semanas: ¿qué necesito comprobar?
Esa última pregunta nació de nuestra propia búsqueda de «rutinas de criterio visible». Habría sido útil comprobar temprano qué existía ya. Pero descubrir un antecedente no significa abandonar. Puede quedar una población distinta, otro contexto, una réplica necesaria, una aplicación diferente o una pregunta todavía abierta. La decisión no debería reducirse a «¿ya existe?». Tendría que pasar por «¿qué existe?, ¿qué resuelve?, ¿qué no resuelve?, ¿queda una pregunta para nosotros?».
Nuestra investigación se volvió un ejemplo retrospectivo. Comenzamos queriendo crear rutinas de pensamiento visible de la IA. Si hubiéramos tenido esa conversación inicial, habríamos preguntado qué significa Pensamiento Visible, si es legítimo trasladar el concepto a una IA, qué se ha estudiado sobre transparencia y trazabilidad en investigación asistida por IA y qué tendría que faltar en esos antecedentes para justificar nuestra propuesta. Tal vez habríamos llegado antes a algunas correcciones. No por eso borraría el camino recorrido: fue ese camino el que nos permitió descubrir por experiencia por qué la rutina podría ser necesaria.
«Antes de preguntarle a la IA qué encuentra, quizá deberíamos preguntarnos juntos qué tendría sentido buscar». Me gusta esa frase, pero todavía no declararía Antes de buscar un método ni una rutina definitiva. Primero tendríamos que investigar los marcos existentes para formular, delimitar y evaluar preguntas antes de una búsqueda asistida por IA. Volvíamos al comienzo, sí, pero ya no al mismo lugar.
Entonces apareció una pregunta anterior a la pregunta. Quise saber cuánto pesa el contexto: lo que la IA recuerda, lo que sabe de mí, las preferencias que le he dado y lo que ya hemos construido juntos. ¿Podría todo eso orientar sus respuestas, incluso sus búsquedas? Cuando escribo una pregunta en ChatGPT, la IA no recibe necesariamente solo las palabras que acabo de escribir. La conversación actual ya puede darle un sentido que esas palabras, aisladas, no tienen.
Pienso en una pregunta que hice durante esta investigación: «¿Alguien ha investigado esto?». Para alguien que llega por primera vez, esto casi no significa nada. En nuestra conversación se refería al Pensamiento Visible, la investigación con IA, las fuentes, las decisiones de búsqueda, la trazabilidad y Musipensantes. También habíamos construido una forma de trabajar: separar evidencia, interpretación e hipótesis; pedir fuentes verificables; explicar términos técnicos; conservar las correcciones en vez de borrarlas. Esa historia compartida podía orientar la interpretación de una frase idéntica a la que escribiría otra persona.
La conversación no siempre es la única capa de contexto. Según las funciones disponibles y su configuración, ChatGPT puede usar recuerdos e información relevante de conversaciones anteriores, instrucciones personalizadas y, en ciertos casos, archivos o aplicaciones conectadas para personalizar sus respuestas. La disponibilidad varía por plan, región, plataforma y espacio de trabajo. Tampoco significa que consulte todo el historial para cada respuesta: la documentación describe un uso de información que considera relevante (OpenAI, s. f.-c). Una IA que lleva tiempo trabajando conmigo podría interpretar una pregunta de modo distinto de otra que acaba de conocerme; esa diferencia, por sí sola, no demuestra que alguna se equivoque.
Encontré algo más inquietante: el contexto puede intervenir antes de que aparezca la primera fuente. OpenAI documenta que, cuando la memoria está activada, ChatGPT puede emplear detalles relevantes al reformular una consulta de búsqueda. Su ejemplo combina una preferencia vegana con la ubicación de una persona para buscar restaurantes más pertinentes en esa zona (OpenAI, s. f.-a; OpenAI, s. f.-c). Es un ejemplo del producto, no una medición de lo que ocurre en una búsqueda académica ni una prueba de que toda información disponible se use siempre.
Hasta entonces representaba el recorrido así: pregunta → interpretación → reformulación para buscar → resultados. Ahora necesito agregar una condición que no había hecho visible: pregunta + contexto disponible → interpretación → decisión de buscar → reformulación de la consulta → resultados. El contexto puede intervenir en el camino que conduce a las fuentes, no solo en la respuesta que se escribe después de encontrarlas.
El contexto puede intervenir antes de la primera fuente
Contraste propuesto, todavía no ejecutado: una ruta con contexto disponible y otra en Chat temporal → Sin personalizar. Comparar no demuestra causalidad ni revela procesos internos.
Mi primera palabra para nombrar el problema fue sesgo. Necesito usarla con cuidado. Que el contexto oriente una respuesta no significa que la perjudique. Si llevamos semanas trabajando en Musipensantes, conocer nuestro alcance evita empezar desde cero o contestar como si estuviéramos preparando una campaña comercial. Esa orientación puede ser útil. A la vez, surge una posibilidad que no quiero convertir todavía en hecho: ¿podría el mismo contexto favorecer términos, fuentes o interpretaciones compatibles con la hipótesis que ya veníamos construyendo? «El contexto puede ayudarme y condicionarme al mismo tiempo» expresa mi inquietud, no un resultado experimental. No sé cuánto ocurre ni bajo qué condiciones.
Imaginé un contraste. En una búsqueda mantendríamos todo nuestro contexto: Pensamiento Visible, la hipótesis sobre trazabilidad, las fuentes ya vistas, el intento de formular rutinas. En otra pediríamos, con una pregunta equivalente pero sin esa personalización acumulada, una revisión crítica de cómo interviene la IA en la búsqueda académica y qué problemas o ventajas ha encontrado la literatura. Podrían surgir mapas bibliográficos diferentes. Podrían: todavía no hicimos la prueba.
Para volver comparables esas condiciones, hoy habría que precisar algo que no estaba resuelto del mismo modo en la formulación inicial del recorrido. No basta con decir «chat temporal»: la documentación vigente distingue entre iniciarlo Personalizado y Sin personalizar. Para el contraste propuesto elegiríamos Chat temporal → Sin personalizar, opción que no usa memoria, instrucciones personalizadas ni complementos para personalizar la conversación; pueden seguir aplicando restricciones de la cuenta o del espacio de trabajo (OpenAI, s. f.-b). Esta precisión es una comprobación posterior, no algo que fingimos haber sabido desde el comienzo. Y tampoco convierte ese chat en un laboratorio perfectamente aislado.
Guardaríamos las dos rutas completas. Compararíamos los términos empleados para buscar, las fuentes encontradas, sus coincidencias y diferencias, y la manera de interpretar la pregunta. No sería una competencia para elegir la búsqueda «mejor», ni bastaría para explicar el funcionamiento interno de la IA. Permitirá, si se ejecuta con cuidado, observar qué cambia al modificar una condición y formular mejores preguntas sobre nuestras propias decisiones. No puede, por sí solo, atribuir una diferencia a un mecanismo oculto ni medir cuánto de la investigación fue «sesgado» por el contexto.
Hay otro límite. Las fuentes de memoria que ChatGPT muestra pueden hacer visible parte de la información utilizada para personalizar una respuesta, pero la propia documentación advierte que no tienen por qué mostrar todos los factores que influyeron (OpenAI, s. f.-c). Hacer visible no significa verlo todo. Nuestro objetivo no puede ser declarar abierta por completo una caja negra; sí podemos observar, guardar, documentar y cuestionar la parte del recorrido a la que tenemos acceso.
Así, Antes de buscar cambió otra vez. A las preguntas sobre lo que creo, lo que quiero averiguar, el alcance, lo que queda fuera y qué me haría detenerme, tendría que sumar otras dos: «¿Qué sabe ya la IA de mí y de esta investigación que podría orientar su interpretación?» y «¿quiero usar ese contexto o contrastar esta búsqueda con otra menos condicionada por él?». Hasta ahora me preocupaba sobre todo por lo que la IA hacía después de recibir mi pregunta. Ahora también necesito mirar qué llevaba consigo antes de recibirla.
Quizá investigar con IA comience antes de la primera pregunta: en el contexto desde el cual será interpretada. Esa es todavía una hipótesis de trabajo, no una rutina validada. Nos deja una pregunta abierta que merece antecedentes y una prueba cuidadosamente registrada: ¿cuánto puede cambiar una investigación cuando la misma pregunta se formula con contextos diferentes? Ya no quiero responderla solamente leyendo. Quiero probarla.
Fuentes utilizadas
Para describir el funcionamiento actual de ChatGPT consultamos documentación oficial. Estas fuentes sostienen afirmaciones acotadas sobre memoria, búsqueda y chat temporal; no demuestran por sí mismas el efecto del contexto sobre una investigación completa. El contraste de dos rutas sigue propuesto, no ejecutado.