El punto de partida
El control de calidad de un informe siempre fue trabajo humano y minucioso: revisar que las unidades sean consistentes, que los parámetros estén dentro de rango, que no haya un dato de laboratorio que contradiga al del campo, que ninguna tabla se haya quedado con un número viejo. Necesario, pero lento y fácil de agotar cuando son muchas páginas.
Lo que fuimos aprendiendo
Los errores que más duelen no suelen ser los grandes, sino los chiquitos: una unidad mal transcripta, un valor fuera de rango que pasó desapercibido, una inconsistencia entre dos secciones. Justo el tipo de cosa que la fatiga humana deja pasar y que una máquina, en cambio, detecta sin cansarse. Ese fue el punto donde la inteligencia artificial dejó de ser una moda para volverse una herramienta concreta dentro de nuestro flujo de trabajo.
Cómo usamos la IA (y qué herramientas)
Sumamos IA al proceso, pero con una regla clara desde el día uno: la usamos para buscar, ordenar y contrastar, no para decidir. En la práctica combinamos varias herramientas según la tarea:
- Kimi, para procesar y resumir documentación técnica extensa: normativa, antecedentes, informes previos de cientos de páginas que ningún humano puede releer entero en cada proyecto.
- Perplexity, para buscar y cruzar fuentes con referencias verificables, de modo que cada dato traído de afuera venga con su origen a la vista y se pueda auditar.
Las tratamos como asistentes, no como autores. Es una distinción que puede sonar sutil pero lo cambia todo: una IA que asiste te ahorra trabajo; una IA que decide te transfiere un riesgo que no controlás.
Por qué la validación humana no es negociable
Todo lo que una IA propone pasa después por revisión de una persona del equipo: se chequea la fuente, se valida el parámetro, se confirma que el dato tiene sentido en el contexto del proyecto. Esa validación humana es lo que separa un informe confiable de un texto que suena bien pero puede estar equivocado.
Los modelos de IA a veces "alucinan": afirman con total seguridad cosas que no son ciertas. En una charla informal eso es anecdótico; en un informe hidrogeológico o ambiental que respalda una decisión de inversión o una habilitación, es inaceptable. Por eso la IA no firma nada. Firma un profesional que se hace responsable, con nombre y matrícula. Esta forma de trabajar es coherente con algo que ya escribimos sobre nuestra relación con la tecnología en [Aprender IA para dejar de usarla](/blog/aprender-ia-para-dejar-de-usarla), y con el salto de medir a interpretar que contamos en [Cuando el problema deja de ser medir y pasa a ser interpretar](/blog/cuando-el-problema-deja-de-ser-medir-y-pasa-a-ser-interpretar).
Lo que ganamos
Ganamos velocidad, porque el equipo llega a la revisión final con la información ya buscada, ordenada y con las inconsistencias marcadas. Ganamos consistencia, porque aplicamos el mismo criterio de control de calidad a todos los informes. Y ganamos algo que en esta época vale oro: poder decir con honestidad que usamos IA, pero que ningún dato llega al cliente sin haber pasado por ojos humanos que lo validaron.
Así usamos IA en GEXPLO: como una capa que asiste el control de calidad de nuestros informes, siempre con validación humana por delante. Es parte de la [Plataforma GEXPLO](https://gexplo.com/#plataforma) que venimos construyendo. Si querés ver cómo lo aplicamos a un trabajo concreto, [escribinos](https://gexplo.com/#contacto).