Prompt resumen de investigación — claims, evidencia, contradicciones
El default 'resume esto' produce resúmenes en prosa que pierden el punto de cada estudio matizado. Este prompt extrae un objeto estructurado — claims, tipo de evidencia, ubicación de fuente y contradicciones entre documentos — que puedes escanear en 60 segundos.
Resumirás los documentos abajo. Salida como tabla estructurada, no prosa. Para cada claim importante en las fuentes, extrae: - Claim: <una oración> - Tipo de evidencia: <estudio empírico / argumento teórico / opinión experta / anécdota / sin soporte> - Fuente: <nombre del documento + página o sección> - Fortaleza: <fuerte / moderada / débil — basado en tipo de evidencia y tamaño de muestra> - Caveats: <límites que la fuente misma reconoce> Después de la tabla, agrega tres secciones: 1. CONTRADICCIONES: lista lugares donde los documentos discrepan o donde el claim de un documento entra en conflicto con datos de otro. 2. MAPA DE CONFIANZA: califica la confiabilidad general de cada claim mayor — alta (múltiples fuentes fuertes coinciden), media (una fuente fuerte o varias débiles), baja (una sola fuente débil o aserción sin soporte). 3. QUÉ FALTA: 3-5 preguntas que un lector cuidadoso aún tendría tras leer estos documentos. Marca cada una como 'abordable desde estos documentos con más lectura' o 'requiere fuentes externas'. Reglas duras: - Cita página o sección para cada claim. Si no puedes, marca [page unknown]. - No sintetices más allá de lo que los documentos dicen. Si dos tocan un tema pero no se comparan directamente, dilo — no inventes la comparación. - Distingue 'el documento afirma X' de 'X es verdad'. El resumen reporta qué se afirmó, no qué es correcto. Documento(s): [pega el texto completo o sube PDFs]
Cuándo usar esto
- Leyendo 5-10 papers para revisión de literatura — pasa cada uno por este prompt, luego compara mapas de confianza para encontrar consenso y gaps.
- Evaluando un reporte de industria recibido de un vendor — la columna de fortaleza expone dónde el reporte es data-driven vs marketing.
- Verificando un artículo de noticias — alimenta el artículo + el estudio subyacente; las contradicciones aparecen al instante.
Consejos por modelo
- claude
- Mejor distinguiendo claim de tipo de evidencia. La regla 'no sintetices' es la más respetada por Claude (Sonnet 4.6+).
- perplexity
- Fuerte cuando el documento está en la web abierta — Perplexity agrega verificación de fuente automáticamente. Menos útil para PDFs privados.
- chatgpt
- Funciona pero tiende a ablandar el veredicto 'sin soporte' a 'mencionado'. Sé explícito: 'usa "sin soporte" cuando el documento presente un claim sin citar datos, aunque suene razonable.'
Ejemplo: 3 papers sobre productividad en remoto
| Claim | Evidencia | Fuente | Fortaleza | Caveats | |---|---|---|---|---| | Trabajadores remotos auto-reportan 13% más productividad | encuesta, n=2400 | Bloom 2024 p.7 | moderada | sesgo de auto-reporte reconocido | | Trabajo remoto reduce innovación de equipo | entrevista cualitativa, n=42 managers | Smith 2023 p.14 | débil | muestra sesgada a managers, no ICs | | Híbrido (3-días) supera a remoto total en retención | A/B test en una empresa | Chen 2025 p.22 | moderada | una sola firma, puede no generalizar | CONTRADICCIONES: - Bloom 2024 reporta ganancia de productividad; Smith 2023 implica baja (vía 'innovación reducida'). Los dos usan definiciones diferentes — Bloom = output por hora, Smith = output estratégico. No directamente comparables. MAPA DE CONFIANZA: - 'Trabajo remoto cambia productividad' → alta (efecto claro, dirección debatida) - 'Trabajo remoto reduce innovación' → media (un estudio, cualitativo) - 'Híbrido es óptimo' → baja (un A/B en una firma) QUÉ FALTA: 1. Efecto en empleados junior específicamente [requiere fuentes externas] 2. Desglose por industria [abordable: Bloom 2024 tiene datos en apéndice] 3. Efecto en transferencia de conocimiento / mentoría [requiere fuentes externas]
Cómo funciona
Por qué los resúmenes en prosa fallan para investigación
Un resumen de párrafo mezcla cada claim al mismo nivel de autoridad. El lector no puede distinguir si 'los estudios muestran que…' está respaldado por una encuesta de baja potencia o un metaanálisis de cuarenta ensayos. El resumen LLM default hereda este defecto y lo amplifica — claims fuertes y débiles obtienen el mismo peso de prosa.
La extracción estructurada (tabla + mapa de confianza) preserva la autoridad diferencial de los claims. Puedes escanear y ver inmediatamente que el hallazgo titular descansa en evidencia sólida mientras el claim secundario es esencialmente editorial. Esta es la diferencia entre informado y falsamente confiado.
La regla más difícil: distinguir claim de verdad
Los resumidores default se deslizan de 'el documento X dice Y' a 'Y es verdad' sin marcar la transición. La regla 'distingue claim de verdad' es explícita porque los modelos fallan por default en ello. Cuando la regla se mantiene, lees el resumen y sabes exactamente qué aserciones son del documento, no editorialización del modelo.
Si el modelo viola la regla (afirma X como hecho cuando el documento solo lo afirmó), responde 'reformula para atribuir cada claim a su fuente'. Después de una corrección, Claude tiende a mantener la atribución en el resto del documento.
Workflows multi-documento
Para revisiones de literatura, corre cada paper individualmente primero — el contexto del modelo y la calidad ambos se benefician de un-doc-a-la-vez. Luego en una segunda pasada, pega solo las tablas resultantes y pregunta: 'Identifica puntos de consenso, puntos de desacuerdo, y el claim individual más fuerte.' Esto es mucho más rápido que alimentar todos los papers en un solo shot.
Construye una regla de 'decaimiento de confianza': cualquier claim que aparezca en una sola fuente automáticamente baja un nivel cuando se integra a un resumen multi-fuente. Esto fuerza a la revisión integrada a pesar más los hallazgos replicados que los novedosos-pero-aislados, lo cual coincide con buena práctica académica.
Preguntas frecuentes
›¿Funciona para PDFs muy largos?
Claude maneja PDFs de 200K tokens en un shot; ChatGPT/GPT-5 manejan 128K. Para más, divide por capítulo y resume cada uno, luego resume los resúmenes. El formato estructurado mantiene la calidad consistente entre pasadas.
›¿Puede citar quotes específicos?
Sí — agrega 'Para cada claim, incluye un snippet citado de 5-15 palabras de la frase original' al prompt. Útil cuando la redacción importa (documentos legales, specs técnicas).
›¿Qué si el documento no tiene números de página claros (artículo web)?
Usa headings de sección o números de párrafo en su lugar. El 'página o sección' del prompt permite esto. Para artículos web, índice de párrafo ('párrafo 5') funciona bien.
›¿Cómo se compara con usar NotebookLM?
NotebookLM auto-maneja upload de documentos y citaciones pero produce resúmenes narrativos por default. Este prompt produce salida de extracción estructurada que es mejor para comparación sistemática. Usa ambos: NotebookLM para exploración chat-style, este prompt para resúmenes write-once-skim-many.
›¿Por qué forzar la sección 'qué falta'?
Porque cada resumen de investigación debería dejarte con follow-ups explícitos, no la falsa impresión de completitud. La sección 'qué falta' también revela cuándo el documento fundamentalmente no puede responder tu pregunta — útil antes de gastar más tiempo leyéndolo.
›¿Funciona en investigación que no esté en inglés?
Sí — Claude y GPT-5 manejan prosa académica japonesa / china / alemana / francesa bien. La salida estructurada permanece en el idioma de tu prompt; el idioma de la fuente puede ser distinto.
›¿Cómo evito números de página alucinados?
Si el modelo da un número de página, spot-check uno o dos. Si están mal, agrega 'Si no puedes verificar un número de página, marca [page unknown] — nunca adivines.' al prompt.
›¿Puedo usarlo para transcripciones de podcast?
Sí — reemplaza 'página' por 'timestamp' y el resto funciona. La extracción estructurada de claims es aún más útil para podcasts, donde los claims flotan alrededor de prosa más larga sin marcadores claros.
Calculadoras relacionadas
Prompts relacionados
Última actualización: