Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
Una investigación en curso de Chequeado puso a prueba distintos modelos de lenguaje para medir su confiabilidad al responder sobre temas de actualidad. Los resultados preliminares muestran diferencias entre los agentes de IA.
Por: Jimena Rocío Lucero estudiante de 3° de la Licenciatura en Periodismo
Cada vez más usuarios recurren a la inteligencia artificial (IA) para resolver una duda, conocer el estado de una noticia o buscar información sobre un tema de actualidad. ChatGPT, Claude, Gemini y el Modo IA de Google permiten formular una pregunta en lenguaje cotidiano y recibir, en segundos, una respuesta redactada como un texto terminado.
Esa característica también modifica la forma en que se accede a la información. El usuario ya no recibe sólo una lista de resultados para consultar: obtiene una respuesta que selecciona datos, los organiza, los interpreta y, en algunos casos, incorpora referencias para respaldarlos. El problema aparece cuando esa respuesta contiene un error.
Los primeros hallazgos de una prueba realizada por Chequeado durante una Hackatón el 1° de agosto muestran que los distintos modelos no presentan las mismas dificultades. Algunos incorporan datos incorrectos; otros utilizan la información válida, pero la presentan de manera exagerada; y también hay casos en los que las referencias ofrecidas no permiten comprobar de dónde salió una afirmación.
Cuando una respuesta correcta contiene información incorrecta
Durante las pruebas, ChatGPT fue el modelo que acumuló la mayor cantidad de errores. Entre las dificultades observadas aparecieron respuestas que combinaban información correcta con datos incorrectos o desactualizados.
El caso de Flybondi permite observarlo con claridad. Frente a preguntas sobre la situación de la aerolínea, los modelos coincidieron en términos generales en que atravesaba una crisis operativa, pero utilizaron distintos datos y conclusiones para describirla. ChatGPT, por ejemplo, sostuvo que Flybondi había cancelado más del 20% de sus vuelos programados durante julio de 2026 y que operaba con una flota muy reducida. También afirmó que la empresa había recibido requerimientos de la Administración Nacional de Aviación Civil (ANAC).
El problema surgió cuando el chatbot comenzó a incorporar conclusiones que excedían la información disponible. En una de sus respuestas calificó la situación como una “mejora a su crisis respecto de su crisis de 2024”, antes de aclarar posteriormente que todavía no había una evidencia sostenida en su desempeño operativo.
Claude: menos errores y más contexto
Entre los modelos más analizados, Claude presentó una menor cantidad de errores y respuestas más consistentes. Una de las diferencias apareció al consultar sobre una supuesta mejora en el cumplimiento de Flybondi. La pregunta hacía referencia a una nota que citaba información de la ANAC y afirmaba que la aerolínea había mejorado su desempeño.
En lugar de descartar la afirmación, Claude identificó que existían datos anteriores que mostraban una mejora durante el primer semestre de 2025. Según el registro de la prueba, en ese período Flybondi había alcanzado un 85% de su cumpliento de programación, frente al 92% de Aerolíneas Argentinas y el 83% de JetSmart.
La clave estaba en el momento al que correspondían esos datos. La mejora registrada en 2025 no permitía describir como positiva la situación de la empresa durante 2026, cuando los indicadores se habían deteriorado. Claude logró incorporar esa dimensión temporal a la respuesta.
Gemini y el problema de exagerar los hechos
Gemini presentó otro tipo de dificultad. Durante las pruebas, el modelo tendió a utilizar recursos de exageración literaria para describir situaciones que podían explicarse de manera más precisa. El caso Flybondi volvió a mostrarlo. Al pedirle un titular que resumiera la situación de la aerolínea, respondió: “Flybondi empeoró: atraviesa la peor crisis operativa de su historia”.
Modo IA de Google: cuando la fuente tampoco se puede comprobar
El problema más delicado para la verificación apareció en el Modo IA de Google: la utilización de fuentes inexistentes o referencias que no respaldan las afirmaciones realizadas. Si una respuesta incluye enlaces, nombres de organismo o notas periodísticas, el usuario puede asumir que el dato fue comprobado.
Esto introduce una dificultad particular para el periodismo: el trabajo de verificación no termina al encontrar una cita al pie de una respuesta. Es necesario abrir la fuente, comprobar que existe, revisar qué dice y determinar si realmente respalda la afirmación del chatbot. En otras palabras, una respuesta con fuentes no es necesariamente una respuesta verificada.
Una nueva capa para el trabajo periodístico
Los resultados preliminares de la investigación muestran que el desafío no consiste sólo en detectar si un chatbot se equivoca. También es necesario identificar cómo se equivoca: un dato falso, una cifra desactualizada, una exageración narrativa y una fuente inexistente son problemas que requieren muchas formas de analizar.
El caso de Flybondi permitió observar esa diferencia en una misma secuencia de preguntas. Los modelos podían coincidir en que la aerolínea atravesaba una crisis y, sin embargo, construir respuestas muy diferentes alrededor de esa conclusión: con cifras distintas, referencias de diferente calidad y grados de certeza que no siempre coincidían con la evidencia disponible.
