Si la misma IA busca las pruebas y juzga el resultado, siempre se va a dar la razón
Por eso tiene sentido dividir las dos tareas en lugar de pedírselas a la misma herramienta.
Gemini Notebook trabaja exclusivamente con las fuentes que tú le proporcionas y referencia cada afirmación. Es útil para rastrear el origen de cada dato.
Gemini 2.5 Pro Argon no tiene esa restricción. Su función es cuestionar la lógica de una conclusión desde fuera.
Si le encargas ambas cosas a la misma IA, el resultado es un análisis que se valida a sí mismo.
A continuación tienes el método en seis pasos. Esto es lo que añadiría a cada uno.
1. Reúne las fuentes
Antes de subir cada archivo, coloca el año al inicio del nombre. «2023 – Informe del sector» y «2026 – Informe del sector» no contienen la misma información, y con ese formato lo detectas de un vistazo en la tabla.
2. Notebook construye el mapa
A las cinco columnas del esquema original añádele una más: tipo. Indica si cada elemento es un dato, una opinión o una previsión. Una previsión con cifra tiene el aspecto de un dato. No lo es.
3. Busca los huecos
Pregunta también por lo que falta en las fuentes:
«¿Qué preguntas relevantes no responde ninguna de mis fuentes?»
Lo que no está presente también condiciona la decisión. Y Notebook no lo señalará si tú no se lo pides.
4. Argon actúa como auditor externo
Pásale únicamente la tabla y tu conclusión. Nada más. Así solo puede operar con aquello que tiene trazabilidad.
Añade esta línea al prompt:
«Dame la mejor explicación alternativa para los mismos datos.»
Si no puedes descartar esa alternativa, la conclusión todavía no está cerrada.
5. Contrasta los puntos débiles
Cada objeción que plantee Argon regresa a Notebook en forma de pregunta: «¿Alguna fuente responde a esto? Cítala.»
Hay tres desenlaces posibles:
→ Una fuente lo resuelve. Continúa.
→ Una fuente lo contradice. Revisa la conclusión.
→ Ninguna dice nada al respecto. Es un punto pendiente, no una confirmación.
6. Decide con los límites sobre la mesa
Del esquema 3-2-1, la parte que casi nadie redacta es la última: qué evidencia te haría cambiar de posición.
Ejemplo:
Recomendación: subir los precios un 8 % en enero.
Qué me haría reconsiderarlo: que dos de mis cinco mejores clientes amenacen con irse.
Escríbela y ponle una fecha de revisión. Así, corregir el rumbo no es echarse atrás, sino seguir el plan.
Notebook aporta el rastro. Argon aporta la presión. La decisión la pones tú.
Soy Marcos. Ayudo a negocios y emprendedores a utilizar la IA con criterio y sin ruido. En mi perfil encontrarás una galería de recursos gratuitos: guías, prompts, skills de Claude y mucho más sobre inteligencia artificial.
¿Qué IA usas tú para que te lleve la contraria?
Separación de roles en IA para análisis crítico: Gemini Notebook como fuente trazable y Gemini 2.5 Pro Argon como auditor lógico
Resumen técnico
El método propone dividir el análisis en dos agentes con funciones distintas. Gemini Notebook opera como base de conocimiento cerrada: ingiere documentos propios, genera respuestas citadas y traza cada dato hasta su fuente original. Gemini 2.5 Pro Argon actúa sin acceso a esas fuentes, evaluando únicamente la coherencia lógica de la conclusión. El flujo se estructura en 6 pasos: carga de fuentes con fecha explícita, mapeo en tabla con columna de tipo —dato, opinión o previsión—, identificación de lagunas, auditoría externa, verificación cruzada y cierre con condiciones de reversión documentadas.
Análisis de implicaciones
Usar un único modelo para búsqueda y validación introduce sesgo de confirmación sistémico: el modelo optimiza coherencia interna, no veracidad. La separación fuerza una arquitectura de doble capa donde Notebook garantiza trazabilidad y Argon genera presión adversarial. La columna de tipo —dato, opinión, previsión— añade una capa semántica crítica que los pipelines de RAG estándar no implementan por defecto. El paso de lagunas explícitas obliga al sistema a reconocer límites del corpus, algo que ningún modelo hace de forma espontánea.
Aplicación práctica
Implementación directa: cargar informes con prefijo de año —«2023 – Informe del sector», «2026 – Informe del sector»— antes de indexar en Notebook. Exportar la tabla resultante con columnas: fuente, dato, tipo, cita textual y página. Pasar tabla más conclusión a Argon con el prompt: «Dame la mejor explicación alternativa para los mismos datos». Cada objeción generada vuelve a Notebook como consulta cerrada. El entregable final incluye la condición de reversión con fecha: por ejemplo, «revisión si 2 de 5 clientes clave comunican baja antes del 31 de marzo».
Contexto del sector
La separación entre recuperación y razonamiento es un problema abierto en arquitecturas RAG actuales. Frameworks como LangGraph o AutoGen permiten implementar agentes con roles diferenciados, pero requieren infraestructura técnica. Este método replica ese patrón usando herramientas nativas de Gemini sin código. Con la proliferación de decisiones apoyadas en IA, la trazabilidad de fuentes y la auditoría adversarial se convierten en requisitos operativos, no opcionales.
