Idea principal

Trabajar con una IA supone poder verificar lo que produce. Esa verificación no es una intención: es un presupuesto de lectura. Treinta o cuarenta archivos en el directorio dedicado a una oportunidad de producto se releen — en una mañana, un Product Manager puede abrirlos todos, detectar lo que no encaja y firmar lo que va a defender. Varios centenares de notas interconectadas no se releen, y pretender lo contrario equivale a no verificar nada.

El número no es, por tanto, un detalle de implementación: es el parámetro que decide si la auditoría existe. Un dispositivo en el que la auditoría es posible en teoría pero impracticable en la práctica se comporta exactamente como un dispositivo sin auditoría.

La consecuencia para el diseño es clara: el tamaño del perímetro confiado a una IA se elige según la capacidad de relectura humana, antes que según lo que sería útil meter dentro.

Por qué es importante

Esto convierte una cuestión de confianza en una cuestión de dimensionamiento. "¿Confiamos en el modelo?" no tiene respuesta estable; "¿cuántos archivos releeremos realmente antes de decidir?" sí la tiene, y se mide.

Explica también por qué engordar una base asistida por IA puede degradar su valor: pasado el umbral de relectura, cada archivo añadido aumenta lo que ya no está controlado.

Matices y límites

Un muestreo, unas pruebas automáticas o una verificación dirigida a lo que sostiene la decisión pueden ampliar el umbral sin exigir la relectura íntegra — al precio de un riesgo asumido en vez de suprimido.

Y el umbral no es universal: depende de la densidad de los archivos tanto como de su número, y cuarenta notas densas pueden costar más que doscientas líneas de hechos.

Preguntas abiertas

• ¿Cómo reconocer que un perímetro acaba de cruzar el umbral más allá del cual ya nadie lo relee?