Los ocho errores que se repiten al usar IA en el trabajo

Casi todas las listas de errores al usar IA en el trabajo hablan de prompts: que sea específico, que dé contexto, que asigne un rol. Está bien y es lo de menos. Los fallos que cuestan dinero y credibilidad no vienen de escribir mal la petición, sino de encargarle al modelo una tarea en la que un error no se nota al revisar el resultado.

Los ocho que siguen son los que aparecen una y otra vez. Van ordenados de más frecuente a más caro, y cada uno lleva la señal por la que se detecta y el arreglo concreto.

Por qué un modelo prefiere inventar antes que decir «no sé»

Antes de la lista conviene entender el mecanismo, porque explica seis de los ocho errores.

Un modelo de lenguaje no busca la verdad: predice la continuación más probable de un texto. Eso ya se sabe. Lo que se sabe menos es por qué, después de años de mejoras, sigue prefiriendo una respuesta falsa a admitir que no sabe. OpenAI publicó en septiembre de 2025 un artículo dedicado a esa pregunta, y la respuesta no es técnica sino de incentivos: los exámenes con los que se mide a los modelos puntúan igual el blanco que el error. En un test así, quien arriesga siempre saca mejor nota que quien se abstiene, y el entrenamiento optimiza exactamente lo que el test premia.

La comparativa que acompañaba al artículo lo deja en dos líneas de números:

De ahí sale la regla que gobierna todo lo demás: una respuesta segura no es una respuesta verificada. El tono de seguridad es un producto del estilo, no de la certeza. Y si el modelo no va a marcar sus propias dudas, el trabajo de marcarlas es tuyo.

1. Delegar el criterio en vez de la tarea

Es el error de base y el más difícil de ver, porque el resultado parece bueno. «¿Qué proveedor elegimos?», «¿este contrato es aceptable?», «¿a este candidato lo pasamos a la siguiente fase?». El modelo responderá a las tres con argumentos bien construidos, y ninguna de las tres tiene una respuesta que él pueda saber.

La señal: la respuesta te convence y no sabrías decir qué la haría falsa.

El arreglo: reformular la pregunta de decisión en pregunta de preparación. En vez de «¿qué proveedor elegimos?», «monta la tabla comparativa con estos seis criterios y marca dónde falta información para decidir». Sigue ahorrando el mismo tiempo y la decisión se queda donde tiene dueño.

2. Dar por buenas cifras, citas y referencias

Los tres formatos que más se inventan son también los tres que menos se comprueban: el porcentaje atribuido a una consultora, la cita textual de una persona real y la referencia bibliográfica con año y editorial. Salen bien formateados, y el formato correcto es justo lo que apaga la sospecha. Los cinco tipos de invención y el minuto de comprobación que los caza están desglosados en la guía sobre las alucinaciones de la IA.

La medida más seria que existe sobre esto es el estudio de la Unión Europea de Radiodifusión y la BBC publicado en octubre de 2025: más de 3.000 respuestas de ChatGPT, Copilot, Gemini y Perplexity, evaluadas por 22 medios públicos de 18 países en 14 idiomas. El 45 % contenía al menos un problema importante; el 31 %, fallos graves de atribución —fuente mal citada, incompleta o engañosa—; el 20 %, errores de precisión, incluida información inventada o caducada.

En el ámbito profesional donde las citas se auditan con más rigor, el resultado está documentado caso por caso. La base de datos de resoluciones judiciales con citas fabricadas que mantiene el investigador Damien Charlotin reunía 1.871 registros a 11 de agosto de 2026. Dos ejemplos de la tanda de primavera: en Fletcher (18 de febrero de 2026) el tribunal contó dieciséis citas textuales fabricadas y reprochó además que se le ocultara el uso de IA; en Whiting v. City of Athens (13 de marzo de 2026), más de veinticuatro citas falsas y 15.000 dólares de sanción a cada letrado, más costas dobles.

El arreglo: comprobar por identificador, nunca por título. DOI, número de sentencia, número de BOE, ISBN. Un minuto por referencia, y solo para las que vayan a salir del borrador.

3. Pegar en el prompt lo que no debe salir de la empresa

Es el único error de la lista que no se puede arreglar después. Cuando el listado de clientes, el pliego sin firmar o la nómina ya han viajado a un servicio no aprobado, no hay revisión que lo deshaga.

La señal: estás copiando de un archivo que no habrías enviado por correo a un desconocido.

El arreglo: saber qué herramienta tienes aprobada para qué categoría de dato, y sustituir nombres por etiquetas cuando el prompt no necesita el nombre real. Está desarrollado en la guía sobre usar IA sin filtrar datos de clientes, con el criterio de la AEPD sobre agentes.

4. Pedir «un texto sobre X» y arreglarlo a mano

Genera un resultado correcto, genérico y con el tono de nadie. Después vienen veinte minutos de reescritura que suman más que escribirlo de cero. La sensación de haber ahorrado tiempo se sostiene porque el primer borrador llegó rápido.

El arreglo: dar la materia prima —notas, datos, media frase con la idea real— y pedir estructura y redacción sobre eso. Un modelo escribe mucho mejor con tu contenido que sobre tu tema. La guía de prompts tiene el patrón completo.

5. No dar contexto y culpar al modelo

Variante del anterior, tan común que merece línea propia: pedir una fórmula sin decir qué versión de la hoja, pedir un correo sin decir a quién, pedir un resumen sin decir para quién es. El modelo rellena los huecos con lo más probable, que casi nunca es tu caso.

El arreglo: tres datos fijos en la primera línea —quién eres, para quién es, qué formato quieres— y el resto de la petición después. Es la diferencia entre corregir y aprovechar.

6. Fiarse del resumen de un documento que no has leído

Aquí el error cambia de naturaleza. Un resumen no falla diciendo algo falso: falla omitiendo, y una omisión no se detecta leyendo el resumen. La cláusula de penalización, la excepción del anexo o el párrafo que cambia el plazo desaparecen sin dejar hueco visible.

El fenómeno tiene nombre en la literatura técnica —lost in the middle— y una forma medida: la precisión al recuperar un dato cae de manera acusada cuando ese dato está en el centro del documento en vez de al principio o al final, con caídas superiores al 30 % en los trabajos que lo describieron. Los modelos de 2026 han mejorado bastante en esa prueba concreta, pero la consecuencia práctica no ha cambiado: el medio de un documento largo es donde menos se puede confiar.

El arreglo: pedir el resumen con citas y número de página, y leer entero solo lo que sostiene la decisión. El método está en la guía sobre resumir documentos largos con IA.

7. Tratar la primera respuesta como la respuesta

La primera salida es un borrador que sale con aspecto de definitivo. Ese es todo el problema: un texto bien maquetado y sin titubeos parece cerrado, y quien lo recibe deja de buscarle el fallo.

El arreglo: una segunda vuelta de dos preguntas, siempre las mismas. «¿Qué parte de esta respuesta no puedes verificar?» y «¿qué le falta para que alguien pueda actuar con ella?». Cuestan diez segundos y suelen mover más el resultado que reescribir el prompt.

8. No dejar rastro de qué se hizo con IA

El error tardío. Seis meses después, nadie sabe si aquel informe se revisó, quién lo firmó ni con qué herramienta se hizo. El problema no aparece mientras todo va bien; aparece el día que alguien pregunta, y ese día la ausencia de rastro es indistinguible de la negligencia.

Desde el 2 de agosto de 2026 hay además un motivo normativo, con los deberes de transparencia del Reglamento Europeo de IA en aplicación y supervisión nacional capaz de sancionar. Está resumido en la guía del AI Act para empresas.

El arreglo: una línea en el propio documento —herramienta, fecha, quién revisó— en los entregables que salen fuera. No hace falta un registro corporativo para empezar.

Las tareas donde el error se ve y las tareas donde se publica

Si hay una sola idea que llevarse, es esta tabla. La columna de la derecha es donde se pierde la confianza de un cliente o de un jefe.

La columna derecha no significa «no uses IA». Significa que ahí el trabajo no termina cuando llega la respuesta.

La comprobación de treinta segundos

Antes de que algo salga de tu pantalla, cinco preguntas. Si las cinco son «no», el riesgo real es bajo.

1. ¿Hay alguna cifra, cita o referencia? Compruébala por identificador.
2. ¿Alguien va a decidir con esto? Entonces la decisión necesita un nombre humano.
3. ¿Resume un documento que no he leído? Lee las dos partes que sostienen la conclusión.
4. ¿Pegué algo que no debía salir? Si sí, ya es un incidente: avisa, no lo tapes.
5. ¿Se va a citar o firmar? Deja el rastro de revisión.

Ninguna de las cinco tiene que ver con escribir mejores prompts, y eso es el resumen del artículo. La calidad del prompt determina si el resultado sirve. El reparto de tareas determina si el error se va a ver.