IA en el contenido técnico: dónde ayuda y dónde falla

Un equipo que escribe notas de aplicación para una nueva familia de sensores tiene un asistente de IA que redacta secciones en minutos. Los borradores se leen bien. Uno de ellos da una cifra de ruido parecida, pero no igual, a la de la hoja de datos (datasheet), y cita una cláusula de una norma que no existe. Así se ve hoy la IA en la producción de contenido técnico: de verdad más rápida para algunas tareas, y capaz de errores bien redactados que se escapan con facilidad justo en el contenido donde la precisión más importa. Este artículo resume lo que muestra la investigación sobre productividad y errores, y dónde encaja la IA en un flujo de trabajo de contenido técnico.

Puntos clave

• Los estudios controlados muestran mejoras de productividad: en el experimento de Noy y Zhang con 453 profesionistas (Science, 2023), tener acceso a ChatGPT redujo alrededor de 40 % el tiempo de las tareas de redacción y aumentó alrededor de 18 % la calidad evaluada.
• En un estudio de campo con 5,172 agentes de soporte al cliente, Brynjolfsson, Li y Raymond (Quarterly Journal of Economics, 2025) encontraron que un asistente de IA aumentó en promedio alrededor de 15 % los casos resueltos por hora, con las mayores mejoras en los trabajadores con menos experiencia y pequeñas bajas de calidad en los más experimentados.
• El riesgo principal es la confabulación. El Perfil de IA Generativa del NIST (AI 600-1, 2024) la define como sistemas de IA generativa que presentan con seguridad contenido erróneo o falso, y la incluye entre doce riesgos por gestionar.
• La alucinación es una propiedad bien documentada de la generación de lenguaje, no un error ocasional: la revisión de Ji y sus colegas (ACM Computing Surveys, 2023) analiza sus formas, causas y mitigaciones en distintas tareas.
• Usa IA donde los errores son baratos de detectar, mantén las especificaciones y los documentos fuente como la autoridad, y exige la revisión experta de cada afirmación factual.

El problema: texto fluido en un campo que castiga los errores pequeños

El contenido técnico es especialmente sensible a los errores pequeños. Una densidad de ruido equivocada por un factor de dos, un número de pin intercambiado, una norma citada con la cláusula incorrecta: cada uno le puede costar horas a un ingeniero, y cada uno daña la confianza en el producto. Los modelos de lenguaje producen texto que suena seguro y correcto lo sea o no, y los errores suelen ser verosímiles, cercanos al valor correcto, lo que los hace más difíciles de detectar que un disparate evidente.

Al mismo tiempo, buena parte del trabajo de producir contenido técnico no tiene que ver con datos: reestructurar un borrador, uniformar la terminología, escribir un primer esquema, adaptar un artículo a otro público. En esas tareas la IA puede ahorrar tiempo con poco riesgo, siempre que los datos se revisen por separado.

Qué dice la investigación

Mejoras de productividad en tareas de redacción

“Experimental evidence on the productivity effects of generative artificial intelligence”, de Noy y Zhang (Science, 2023), fue un experimento prerregistrado en el que 453 profesionistas con estudios universitarios hicieron tareas de redacción propias de su ocupación, y a la mitad se le dio acceso a ChatGPT. El acceso redujo el tiempo promedio alrededor de 40 % y aumentó alrededor de 18 % la calidad evaluada, y las diferencias entre trabajadores se redujeron. Las tareas eran de redacción profesional de nivel medio, como comunicados de prensa e informes breves, no documentación técnica con especificaciones, así que el resultado de calidad no debe leerse como evidencia sobre la exactitud de los datos en contenido de ingeniería.

Mejoras concentradas en los trabajadores con menos experiencia

“Generative AI at Work”, de Brynjolfsson, Li y Raymond (Quarterly Journal of Economics, 2025), estudió la introducción escalonada de un asistente de IA entre 5,172 agentes de soporte al cliente. La productividad, medida como casos resueltos por hora, subió en promedio alrededor de 15 %. Los agentes con menos experiencia y menor habilidad mejoraron en rapidez y en calidad, mientras que los más experimentados tuvieron pequeñas mejoras de rapidez y pequeñas bajas de calidad. Para los equipos de contenido, esto sugiere que la IA puede ayudar sobre todo a quienes empiezan, y que la revisión de los expertos sigue siendo el control de calidad.

La confabulación es el riesgo central

El Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile del NIST (NIST AI 600-1, julio de 2024) incluye la confabulación entre doce riesgos propios de la IA generativa o agravados por ella, y la define como sistemas que generan y presentan con seguridad contenido erróneo o falso. “Survey of Hallucination in Natural Language Generation”, de Ji y sus colegas (ACM Computing Surveys, 2023), revisa cómo surgen esos errores en resúmenes, diálogo, respuesta a preguntas y otras tareas, junto con las métricas y los métodos de mitigación propuestos. Los dos apuntan a la misma conclusión práctica: cuando los datos importan, el texto generado debe revisarse contra las fuentes.

Los buscadores juzgan el contenido, no la herramienta

La guía de Google Search Central sobre contenido útil, confiable y pensado para las personas pide a los creadores considerar quién hizo el contenido, cómo y por qué, incluido si se usó automatización, y trata como spam el contenido creado principalmente para manipular el posicionamiento, sin importar cómo se produjo. Para las empresas técnicas, el estándar es el mismo que para el contenido escrito por personas: exacto, útil y respaldado por experiencia real.

Dónde encaja la IA en un flujo de contenido técnico

Tarea	Papel de la IA	Riesgo	Revisión humana
Esquema a partir de un brief	Proponer estructuras	Bajo	Quien redacta elige y adapta
Reestructuración y edición para claridad	Sugerir cambios	Bajo a medio	Quien redacta revisa cada cambio
Consistencia de terminología y estilo	Señalar inconsistencias	Bajo	Quien redacta acepta o rechaza
Primer borrador a partir de notas verificadas	Redactar	Medio	Quien redacta y el experto revisan cada afirmación
Resúmenes de fuentes largas	Resumir	Medio	Contrastar con la fuente
Borrador de traducción	Redactar	Medio	Revisor técnico nativo del idioma
Especificaciones, números de parte, asignación de pines	Ninguno: copiar de la fuente	Alto	Verificar contra la hoja de datos
Citas y cláusulas de normas	Ninguno: buscar directamente	Alto	Verificar que cada referencia exista y diga lo que se afirma
Resultados medidos	Ninguno	Alto	Solo de mediciones reales

Qué hacer en la práctica

Mantén la fuente de verdad fuera del modelo

Las especificaciones, las mediciones y las citas deben venir de hojas de datos, reportes de prueba y las propias fuentes, nunca de la memoria de un modelo. Dale al modelo el material verificado al redactar, y revisa su salida contra ese material.

Usa IA donde los errores son baratos de detectar

Los esquemas, la reestructuración, las revisiones de consistencia y las redacciones alternativas son fáciles de evaluar. Empieza ahí, y mide si de verdad ahorra tiempo.

Exige una revisión de afirmaciones antes de publicar

Extrae del borrador cada número, número de parte, cita y afirmación factual, y revisa cada uno contra su fuente. Este es el paso que impide que los errores bien redactados salgan publicados.

Mantén a un experto con nombre en el proceso

Los estudios de productividad sugieren que la IA ayuda sobre todo a quienes tienen menos experiencia. Combínala con la revisión de alguien que conozca el tema y responda por la exactitud.

Sé transparente donde el lector lo espera

Sigue la política de tu organización sobre cómo declarar el uso de IA, y mantén precisa la información de autoría y revisión.

Cómo aplicarlo

Si tienes una hora

Enumera las tareas de tu flujo de contenido y marca cada una como de riesgo bajo, medio o alto para la IA usando la tabla. Elige una tarea de riesgo bajo para probar.

Si tienes un sprint

Prueba la IA en esa tarea con algunas piezas, compara el tiempo con tu proceso habitual e introduce una lista de revisión de afirmaciones para cualquier texto redactado con IA.

Si quieres que dure toda la vida del producto

Escribe una política de uso de IA para contenido técnico: tareas permitidas, fuentes de datos prohibidas, pasos de revisión obligatorios y reglas de transparencia. Revísala conforme cambien las herramientas y la evidencia.

La pregunta que debes hacerte: “Si la IA se equivocara en un número aquí, ¿lo detectaríamos antes que el cliente?”

Preguntas frecuentes

¿La IA puede escribir contenido técnico?

Puede redactar y reestructurar contenido técnico, y los estudios muestran ahorros de tiempo reales en tareas de redacción. No se le puede confiar como fuente de especificaciones, citas o resultados medidos, así que cada afirmación factual tiene que revisarse contra las fuentes.

¿Qué es la confabulación de la IA?

Es el término del NIST para cuando la IA generativa presenta con seguridad contenido erróneo o falso, también llamado alucinación. En contenido técnico suele aparecer como números, números de parte o referencias verosímiles pero equivocados.

¿La IA mejora la calidad de la redacción?

En el experimento de Noy y Zhang, la calidad evaluada de la redacción profesional de nivel medio subió alrededor de 18 % con acceso a ChatGPT. Eso mide la calidad general según los evaluadores, no la exactitud de los datos en contenido de ingeniería.

¿Quién aprovecha más las herramientas de redacción con IA?

En un gran estudio de campo de soporte al cliente, los trabajadores con menos experiencia fueron los que más mejoraron, mientras que los más experimentados tuvieron pequeñas bajas de calidad. La revisión experta sigue siendo indispensable.

¿Google penaliza el contenido generado con IA?

La guía de Google se centra en si el contenido es útil y confiable, no en cómo se produjo, pero el contenido generado principalmente para manipular el posicionamiento se trata como spam.

Lecturas relacionadas: cómo detectar especificaciones inventadas por IA, cómo escribir artículos técnicos que los ingenieros sí creen y cómo medir un demo de IA embebida.

Fuentes

1. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
2. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
3. National Institute of Standards and Technology (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. https://doi.org/10.6028/NIST.AI.600-1
4. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., et al. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730
5. Google Search Central. Creating helpful, reliable, people-first content. https://developers.google.com/search/docs/fundamentals/creating-helpful-content