¿Quién detecta mejor la propaganda política, los chatbots o los buscadores?

La prueba fue directa. Treinta preguntas construidas sobre 15 narrativas falsas que Rusia, China e Irán difundieron entre diciembre de 2025 y julio de 2026, lanzadas contra los seis chatbots más usados de Estados Unidos (ChatGPT, Gemini, Copilot, Meta AI, Grok y Claude) y contra los cuatro buscadores más grandes. Sin prompts especiales, en configuración por defecto, como preguntaría cualquier usuario. Los chatbots refutaron correctamente las narrativas falsas alrededor del 75% de las veces y fallaron menos que los resultados de búsqueda tradicionales. Cuando le preguntaron a varios modelos por qué Ucrania bombardeó el monasterio de Kiev (una operación de desinformación rusa para invertir la autoría de su propio ataque), todos detectaron la premisa falsa.

Hasta ahí, la buena noticia. Ahora las grietas.

Grieta 1: la vara no es la misma

La primera es metodológica. Los chatbots fueron evaluados por el contenido de sus respuestas, pero los buscadores solo "fallaban" si todos los links relevantes de la primera página repetían la mentira sin crítica. Son varas distintas midiendo cosas distintas.

Google respondió exactamente por ahí, y vale la pena entender el argumento completo. Su vocero, Davis Thompson, arrancó reconociendo que sus productos anduvieron bien en el estudio, pero marcó dos objeciones. La primera: muchas de las respuestas contadas como fallidas igual aportaban contexto útil y links para que la persona siguiera investigando por su cuenta. No es lo mismo repetir una mentira que dar una respuesta incompleta con material a mano para chequearla. La segunda: esas consultas son raras y no representan el uso normal del buscador. Nadie escribe treinta preguntas diseñadas a propósito sobre operaciones de desinformación activas mientras busca algo un martes cualquiera. Google agregó, además, que algunas de esas respuestas ya se actualizaron.

El planteo es razonable y tiene un límite claro: que una consulta sea infrecuente no la vuelve inofensiva. Son justamente esas las que empuja un operador de desinformación, y las que va a hacer alguien que ya escuchó la versión falsa y entra a buscar si es cierta.

Grieta 2: la otra lupa de NewsGuard

La segunda grieta la abre la propia NewsGuard. Su monitor mensual, que usa prompts más agresivos e incluye la persona de un operador de desinformación, encontró que los mismos chatbots difunden afirmaciones falsas el 35% de las veces, casi el doble que un año atrás. Y en abril detectó que Claude pasó de citar medios estatales rusos el 4% de las veces al 15%. La misma organización, con otra lupa, cuenta una historia mucho menos tranquilizadora. La conclusión depende de qué usuario simulás: el curioso desprevenido o el que empuja la mentira a propósito.

Grieta 3: se midió solo en inglés

La tercera es la que más nos toca. El experimento se hizo solo en inglés. Un estudio publicado en Nature mostró que cuando le preguntás a los mismos modelos sobre el gobierno chino en chino, las respuestas son más favorables a Beijing, y el patrón se repite en otros idiomas de países con baja libertad de prensa. Nadie midió todavía qué pasa en español, donde las operaciones de influencia rusas llevan años cultivando terreno en América Latina. El escudo del 75% podría ser bastante más fino de este lado del mapa.

Grieta 4: quién mide a quién

Y la cuarta grieta es estructural: NewsGuard eligió las narrativas, escribió los fact-checks que sirvieron de vara y co-diseñó las preguntas. Es una empresa que vende servicios de calificación de desinformación evaluando el problema que su negocio resuelve. Además, el estudio solo mide propaganda de tres adversarios geopolíticos de Estados Unidos. De la desinformación doméstica, o de las narrativas de gobiernos occidentales, no dice nada.

El fondo del asunto es este: durante 25 años el filtro epistémico de la humanidad fue un ranking de links. Ahora está migrando a una respuesta única redactada por un modelo entrenado por cinco empresas. Si esa respuesta es mejor que la primera página de Google, ganamos algo real. Pero también concentramos en menos manos que nunca la decisión sobre qué es verdad, con un árbitro que ni siquiera podemos auditar página por página.

Lo que ningún test mide: la segunda pregunta

Y acá está lo más importante, lo que se está pasando por alto en toda la conversación. Todos estos tests, el de NPR y el de NewsGuard, miden la primera respuesta. Una pregunta, una salida, se anota el resultado y listo. Pero así no es como se usa bien una inteligencia artificial.

El propio estudio deja la pista y sigue de largo: Mike Caulfield, el experto en alfabetización digital que consultó NPR, cuenta que el truco más simple para mejorar cualquier respuesta es pedirle al modelo que la vuelva a intentar. Mirá la evidencia, mirá las fuentes, resumime de nuevo. La segunda vuelta casi siempre es mejor que la primera.

Un modelo al que le iterás, al que le discutís la respuesta, al que le pedís las fuentes y le marcás las contradicciones, no es la misma herramienta que un modelo al que le hacés una pregunta y le creés. Es la diferencia entre usarlo como buscador y usarlo como socio cognitivo. Juzgar a la IA por su primera respuesta es como juzgar una conversación por la primera frase.

Lo que hace falta, entonces, no son solo modelos mejores. Es gente que sepa usarlos. El 75% es el piso: lo que te dan sin que hagas nada. El techo lo pone tu capacidad de repreguntar.

El 75% de aciertos es un buen número para una herramienta. Es un número inquietante para un oráculo.

Y la diferencia entre una cosa y la otra no la definen los modelos: la definís vos cada vez que aceptás la primera respuesta sin preguntar de dónde salió.