Recientemente he estado reflexionando sobre un fenómeno: ¿por qué los chatbots y las herramientas de inversión en IA cada vez dan conclusiones más disparatadas? A simple vista parece un problema del modelo, pero en realidad la raíz suele estar en los datos.

He probado a preguntar por algunos datos básicos y los resultados estaban especialmente fuera de lugar — tras verificar, descubrí que la información en sí era incorrecta. ¿Dónde está el problema? Según datos del sector de 2025, más del 37% de los errores generados por IA provienen directamente de datos de entrenamiento contaminados o no rastreables. No es una cifra pequeña.

Imagina que un modelo de inversión da razones ambiguas, un asistente de chat habla con confianza y sin sentido, y tú no sabes de dónde proviene la información. Quién la modificó, la calidad de los datos, todo es una caja negra. Es como comer comida chatarra de un pedido a domicilio: no puedes saber en qué parte del proceso surgió el problema.

La industria ahora está formando un consenso: la competencia en IA ya no se trata solo de tamaño de los parámetros del modelo, sino de si los datos son "limpios" y verificables. Justamente, esto representa una oportunidad.

Recientemente, observé las acciones de una de las principales ecosistemas de cadenas públicas, que están usando un conjunto de tecnologías para abordar este problema. Entre ellas, hay un protocolo dedicado a la verificación y almacenamiento de datos, con una idea muy interesante: no solo almacenar datos, sino actuar como una "notaría" de datos en la era de la IA, permitiendo que cada información sea rastreable y verificable. Este enfoque merece atención, porque esa es la verdadera vía para resolver la credibilidad de la IA.