Pregunta a un LLM — y ve más allá del artículo
Estás leyendo un artículo. El tema te atrapa. Pero tras la conclusión aparece una pregunta que el artículo no planteó — o la planteó, pero no en la dirección que te interesa.
Puedes cerrar la pestaña. Puedes buscar otro artículo que quizás no existe. O puedes preguntar a un modelo de lenguaje — y elegir tu propia dirección de exploración.
Esto no es una guía sobre IA. Es una demostración de una técnica concreta de trabajo con LLMs, basada en dos artículos de AI907. Utilizo Claude (Anthropic) como ejemplo — porque es el modelo al que recurro actualmente — pero la técnica descrita funciona igual de bien con ChatGPT, Gemini, Grok o cualquier otro modelo que tengas a mano.
Una advertencia al principio, antes de mostrar nada: los LLMs se equivocan con seguridad. Dan números incorrectos con tono de experto. Citan fuentes que no han verificado. Generan respuestas que suenan creíbles, porque así están construidos. Volveremos a esto.
Las respuestas que cito a continuación las muestro en forma bruta — sin iteración ni verificación. Son ejemplos de demostración, no material terminado. Ambas requerirían varias rondas de refinamiento antes de poder usarse para algo serio.
Tema primero: el escudo de regolito
El artículo sobre el escudo de regolito termina con la observación de que el verdadero desafío de construir una base lunar no es el diseño del hábitat, sino el traslado de cientos de toneladas de material. La física está descrita. La brecha de ingeniería — entre el conocimiento y la acción — también.
Pero para mí, tras ese artículo apareció otra pregunta. No «¿cuántas toneladas?» — eso sería profundizar en el mismo hilo. Mi pregunta era sistémica: ¿cambiaría la ecuación disponer cuatro hábitats con paredes adyacentes — tanto en términos de masa de regolito como de retención de calor durante la noche lunar?
El modelo me propuso tres otras direcciones de continuación. Ninguna me interesaba. Elegí la mía.
Prompt:
«¿Tiene sentido colocar hábitats adyacentes pared con pared (por ejemplo, 4 juntos en una disposición 2×2) para minimizar la cantidad de regolito necesario y la retención de calor durante la noche? ¿Cómo preparar las superficies de contacto para conectar los módulos después de la noche?»
Respuesta de Claude (fragmento):
«Sí, y tiene muchísimo sentido — pero con advertencias precisamente definidas.
Cada pared compartida es una superficie que no necesita cubrirse de regolito desde el exterior. Con 4 módulos en disposición 2×2, tienes 4 paredes compartidas en lugar de 16 independientes. Eso reduce realmente la masa de regolito requerida en un 20–35% dependiendo de la forma de los módulos y el grosor de capa necesario.
El efecto térmico es incluso mayor que el radiativo. Una pared compartida entre dos módulos calefactados está activamente aislada por ambos lados — en lugar de estar en contacto con el vacío a -170°C en el lado oscuro. El sistema de calefacción debe combatir una superficie de pérdida de calor menor.
El problema de la junta es genuinamente difícil operativamente y está casi ausente de la literatura popular. El aluminio y el acero de titanio cambian sus dimensiones lineales en aproximadamente un 0,2–0,5% de su longitud con una caída de temperatura de 200–300°C. Para un módulo de 8 metros, eso es un movimiento de 16–40 mm en cada dimensión. Tres enfoques para la junta: junta de compensación (expansion joint), junta seca desconectable, o sistema monolítico con escudo unificado enterrado bajo un montón de regolito — entonces todo el sistema se comporta como un único objeto térmicamente inerte.
El problema más serio es el polvo de regolito que se incrusta más profundamente en el sellado con cada movimiento térmico. Enfoque estándar: juntas metálicas de oro blando o indio, geometría de junta laberíntica, muelle que presiona constantemente la junta.»
Hay varias cosas que vale la pena señalar en esta respuesta. Primero — el LLM no solo respondió a la pregunta, sino que identificó un aspecto que «está casi ausente de la literatura popular». Puedo verificarlo. Segundo — dio números concretos (reducción de masa del 20–35%, movimiento de 16–40 mm). Estos son puntos que requieren verificación antes de usarlos en cualquier contexto serio.
Tema segundo: el espacio de vida humano
El artículo sobre el espacio de vida humano termina con una pregunta filosófica: si en la Tierra solo está disponible el 0,26% del volumen del planeta, ¿quizás la expansión al espacio es la consecuencia lógica? Es un buen punto de partida — pero a mí me interesaba otra dirección.
Prompt:
«Si quisiéramos duplicar el espacio disponible para los humanos sin abandonar la Tierra — ¿qué sería técnicamente más sencillo: excavar hacia abajo, construir hacia arriba, o acondicionar el Sahara?»
Respuesta de Claude (fragmento):
«Excavar hacia abajo es técnicamente la más difícil de las tres direcciones, contraintuitivamente. Por debajo de -1 km, la temperatura aumenta ~25–30°C por kilómetro de profundidad. A 3 km tienes ~80°C, a 5 km superas los 100°C. A 3 km de profundidad, la presión litoestática es de ~80 MPa. Cada túnel requiere soporte activo o materiales utilizados solo en aplicaciones industriales específicas.
Construir hacia arriba es técnicamente lo más barato — y aquí hay una trampa sutil. La construcción vertical no aumenta el volumen disponible en el sentido del artículo, lo densifica. Si tienes 8 mil millones de personas en rascacielos de 2 km de altura en lugar de casas unifamiliares, no estás añadiendo nada al volumen total de la biosfera.
Acondicionar el Sahara — si la pregunta es ‘qué es técnicamente más sencillo para añadir espacio’ — el desarrollo de los desiertos secos es la única opción que realmente expande la capa biológicamente accesible, sin luchar contra la física básica de los materiales. El ‘acondicionamiento real del Sahara’ no es enfriar literalmente 9 millones de km² — es infraestructura verde, cerrar el ciclo del agua. El Sahara en su óptimo climático hace ~8.000 años tenía lagos, ríos y sabana. Esto no es terraformación, es un retorno a condiciones que existieron recientemente en la escala geológica.
También hay una cuarta dirección que la pregunta no menciona — una que el artículo sugiere directamente como conclusión: la órbita y la Luna son en cierto modo más fáciles que 5 km bajo la superficie de la Tierra, porque al menos no estás luchando contra el calor del interior del planeta ni excavando túneles en roca bajo 80 MPa de presión.»
Llamo la atención sobre el último párrafo. El modelo mismo conectó el hilo de la pregunta con el tema del artículo — y propuso una cuarta dirección que no estaba en la pregunta. ¿Es interesante esa dirección? Sí. ¿La elegí? No. Me quedé con el Sahara y quería saber si alguien ya había intentado realizar tales conceptos. Otro prompt, otra iteración.
Vale la pena señalar el contexto técnico: adjunté el contenido de los artículos fuente a ambos prompts. Por eso en la respuesta sobre excavar, el modelo opera con profundidades de 1 km o más, y para construir hacia arriba — con alturas del orden de 2 km, porque esos eran los valores que aparecían en el artículo. Si iterara este hilo más adelante, comenzaría con profundidades de decenas o cientos de metros, no un kilómetro. La respuesta no es incorrecta — el prompt estaba insuficientemente especificado. Esta también es una observación práctica del trabajo con el modelo: responde a la pregunta que le hiciste, no siempre a la que tenías en mente.
Cómo verificar las respuestas del LLM
Dos métodos, ambos rápidos.
Método uno: una pregunta de seguimiento sobre la certeza.
Cuando el modelo dé un número concreto o una afirmación que quieras seguir usando — pregunta directamente:
«Dijiste que la reducción de masa de regolito en una disposición 2×2 es del 20–35%. ¿Estás seguro de este número? ¿De dónde viene?»
El modelo citará una fuente (que puedes verificar) o dirá que es una aproximación sin base concreta. Ambos resultados son valiosos. El segundo te dice que no puedes citar el número — solo tratarlo como orientación para buscar más.
Método dos: pide una definición en lugar de una fuente.
Una prueba más potente que «¿de dónde sacaste eso?» es «¿cómo lo defines?». El modelo a menudo opera con aproximaciones memorizadas cuyas definiciones son inconsistentes entre respuestas. La pregunta «¿cómo defines ‘espacio biológicamente accesible’?» revela inconsistencias más rápido que preguntar por la fuente.
Uso ambos métodos regularmente. Ninguno reemplaza verificar las fuentes primarias cuando los números necesitan tener peso más allá de la exploración privada.
Qué se desprende de esto
Un artículo tiene una dirección — la que el autor decidió describir. Una conversación con un LLM tiene tantas direcciones como preguntas tengas.
Algunas observaciones de la práctica:
Un LLM siempre propondrá una dirección. No siempre será la tuya. Vale la pena tener tu propia pregunta antes de abrir la conversación — porque el modelo llenará el vacío con su propia propuesta, y puede ser interesante, pero rara vez da en el blanco de lo que realmente te interesa.
Empieza simple, luego ajusta. Primer prompt sin jerga. Segundo con una solicitud de números o del aspecto que te interesa. No necesitas escribir instrucciones largas — el modelo maneja bien las preguntas simples si el contexto es claro.
Un LLM no reemplaza las fuentes. Ayuda a entender las fuentes que encontrarás tú mismo. Y ayuda a formular la pregunta correcta antes de empezar a buscar.
Un artículo es un punto de partida. Una conversación con el modelo es exploración. Donde termines depende de qué pregunta traigas.
Este artículo es parte de la categoría Human–AI Collaboration en AI907. Artículos fuente: Escudo de regolito: el elefante de 500 toneladas en la habitación y El espacio de vida convencional del ser humano.
