Ideas clave sobre el flujo de investigación con IA
- Una cita generada por un modelo de IA no es, por sí sola, una evidencia verificada. Es una afirmación sobre el origen de una información, y esa afirmación hay que contrastarla con la fuente real antes de que nadie se apoye en ella.
- Que una fuente cite a otra no es una verificación independiente de una afirmación. Rastrear la afirmación hasta su origen, y no solo hasta el documento más cercano que la repite, es la disciplina central que enseña esta guía.
- La solidez de la evidencia y el encaje con la afirmación son dos preguntas distintas: cuán sólida es esta fuente en general y si esta fuente concreta respalda de verdad esta afirmación concreta. Una fuente sólida puede encajar mal con una afirmación determinada.
- Las evidencias creíbles que se contradicen deben registrarse, y no resolverse en silencio quedándose con la fuente más conveniente. El paquete de investigación debe mostrar que la organización se enfrentó al conflicto, no que este nunca existió.
- El resultado de este flujo es un paquete de investigación con la aprobación de una persona con nombre, no un montón de enlaces. La redacción nunca debe empezar a partir de una investigación sin aprobar.
Definición y el fallo de investigación que corrige esta guía
Un flujo de investigación con IA es el proceso gobernado que, a partir de una pregunta y un alcance de investigación aprobados, produce un conjunto trazable y respaldado por evidencias de fuentes, afirmaciones, resultados de verificación, huecos identificados y síntesis, antes de que empiece cualquier redacción. La IA puede acelerar de forma significativa el descubrimiento, la extracción, la comparación entre fuentes y la organización de los hallazgos en una estructura utilizable. Lo que no puede hacer, y lo que esta guía insiste en que ninguna organización le pida sin supervisión, es decidir qué fuentes son autorizadas, interpretar evidencias ambiguas o contradictorias, determinar qué afirmaciones son seguras para publicar o dar el veredicto final sobre si la investigación está lo bastante completa como para pasar a la redacción.
El fallo concreto que corrige esta guía es lo bastante habitual como para nombrarlo sin rodeos, y lo bastante frecuente como para que la mayoría de las organizaciones de contenidos que usan herramientas (en inglés) de IA generativa ya se hayan topado con alguna versión de él: tratar una cita que genera un modelo como si fuera una evidencia verificada. Un sistema de IA generativa al que se le pide respaldar una afirmación suele producir algo que parece exactamente una cita (el nombre de una fuente, a veces una URL, a veces un número de página) con total seguridad y sin indicar si esa cita existe de verdad, si dice realmente aquello para lo que se cita o si se inventó para ajustarse al patrón de lo que debería parecer una cita. Recuperar información rápido no es lo mismo que investigar con verificación, y una organización que confunde ambas cosas acabará publicando, con cierta regularidad, afirmaciones de apariencia segura atribuidas a fuentes que no existen o que no dicen lo que el contenido les atribuye.
El resultado que promete esta guía es un paquete de investigación aprobado y un registro de afirmaciones que una persona redactora o un flujo de redacción pueden usar con seguridad, sin tener que volver a verificar ellos mismos la investigación de base. Ese traspaso, de un paquete de investigación verificado a una tarea de redacción que confía en él, es lo que hace que el sistema operativo editorial con IA de cuatro fases funcione realmente al ritmo que permite la IA.
El contrato de investigación
La investigación empieza con un contrato, y no con una instrucción abierta de «echar un vistazo» a un tema. El contrato especifica la decisión que debe respaldar la investigación, las preguntas concretas de las que depende esa decisión, los límites del alcance (qué queda expresamente fuera, para evitar que la investigación se disperse por terrenos contiguos pero innecesarios), los factores de riesgo conocidos (por ejemplo, si afecta a una afirmación de nivel sensible según la Gobernanza editorial con IA) y un plazo realista para la profundidad que exige realmente la decisión.
Un contrato de investigación sin una decisión claramente formulada tiende a producir una investigación amplia pero poco útil, porque nadie ha definido qué significa «útil» en este caso concreto. Si la decisión de fondo es «¿publicamos la afirmación de que la tecnología X reduce el tiempo de revisión en un porcentaje determinado?», el contrato de investigación debe decirlo exactamente así, y no limitarse a un encargo vago de «investigar la productividad con IA», porque la decisión concreta es la que determina qué evidencias bastan y cuáles no.
Las exclusiones del alcance merecen el mismo trato explícito que las inclusiones. Un contrato de investigación que no dice qué queda fuera suele ampliarse por su propia inercia, porque los hallazgos colaterales interesantes son fáciles de perseguir y difíciles de resistir una vez que quien investiga, sea una persona o un flujo asistido por IA, ya está metido de lleno en un tema. Fijar el límite desde el principio, aunque sea de forma aproximada, facilita mucho reconocer cuándo la investigación se ha desviado de su propósito real.
El riesgo debe evaluarse en la fase de contrato, y no descubrirse a mitad de la investigación. Un contrato que acabará respaldando una afirmación jurídica o financiera de nivel sensible debe señalarlo desde el principio, para que el equipo de investigación aplique desde la primera búsqueda el estándar más exigente de niveles de fuentes y de verificación, y no intente añadir rigor a posteriori a una investigación que se había planteado para una afirmación rutinaria. Corregirlo a posteriori es más difícil y menos fiable que partir del estándar adecuado, porque exige que alguien recuerde, después de los hechos, qué fuentes se comprobaron con ligereza y cuáles merecen una segunda revisión más cuidadosa.
El campo del plazo del contrato merece la misma honestidad. Un plazo fijado sin tener en cuenta el nivel de evidencia que exige realmente la decisión suele producir uno de dos malos resultados: una investigación apresurada, que pasa de largo la verificación real para cumplir la fecha, o un plazo que se incumple en silencio cuando el equipo se da cuenta de que el tema necesita más tiempo del previsto. Indicar el nivel de riesgo y el nivel de evidencia exigido al mismo tiempo que el plazo permite a quien encarga el trabajo ver desde el principio si el calendario es realista para lo que pide, y no descubrir la discrepancia a mitad de camino.
Estrategia de fuentes
Antes de investigar en serio, el flujo construye una jerarquía de fuentes adecuada a los tipos de afirmación que exige el contrato. Las fuentes primarias (datos originales, documentación oficial, declaraciones directas de una empresa) son las que más pesan y deben buscarse primero siempre que la importancia de una afirmación justifique el esfuerzo. Las fuentes secundarias (análisis, comentarios y reportajes sobre fuentes primarias) pueden aportar contexto y enfoque útiles, pero nunca deben sustituir a la consulta directa de la fuente primaria cuando una afirmación factual concreta depende de ella.
Un plan de descubrimiento debe especificar dónde buscar para cada tipo de afirmación antes de empezar a investigar, y no improvisar la estrategia de búsqueda afirmación a afirmación. Y una regla de parada importa tanto como un plan de partida: la investigación puede ampliarse indefinidamente si no hay un punto definido en el que el equipo decida que ya se han comprobado suficientes fuentes creíbles e independientes. Una regla de parada razonable combina la saturación de fuentes (seguir buscando solo devuelve las mismas fuentes una y otra vez, no otras nuevas) con el encaje con el contrato (la evidencia reunida responde ya a las preguntas que formula el contrato).
La independencia de las fuentes merece una atención especial al construir la jerarquía, porque el entorno informativo actual hace extraordinariamente fácil confundir volumen con corroboración. Una estadística que nació en una sola nota de prensa puede aparecer, en pocos días, en decenas de artículos, cada uno con su propio enfoque pero ninguno con una verificación independiente. Una estrategia de fuentes que toma el volumen de resultados de búsqueda como indicador de credibilidad sobrevalorará sistemáticamente justo este tipo de afirmaciones. El hábito correctivo es sencillo de enunciar y fácil de saltarse bajo presión de tiempo: antes de dar por bien respaldada una afirmación muy repetida, rastree al menos una de sus apariciones hasta el lugar donde se originó y compruebe si esa fuente original cumple por sí misma el nivel de autoridad y de actualidad que exige la importancia de la afirmación.
También conviene distinguir la autoridad general de una fuente de su encaje con una afirmación concreta. Una fuente primaria de gran autoridad, como el estudio publicado por una gran institución de investigación, no es automáticamente una fuente sólida para cualquier afirmación que alguien quiera atribuirle. El mismo estudio puede ser una excelente evidencia para un hallazgo concreto y callar, o rozar apenas, otra afirmación contigua que alguien se siente tentado a atribuirle porque la fuente parece creíble. Evaluar el encaje afirmación a afirmación, en lugar de dar por hecho que una fuente creíble respalda de forma creíble todo lo que tiene alrededor, es donde la fase de verificación de afirmaciones y evidencias que se describe más abajo hace su verdadero trabajo.
| Tipo de afirmación | Nivel de fuente adecuado | Consideración de autoridad | Método de verificación |
|---|---|---|---|
| Dato estadístico o resultado de una investigación | Primaria (estudio original, conjunto de datos o informe oficial) | Comprobar la fecha de publicación, la muestra y el método | Abrir directamente la fuente primaria; confirmar la cifra exacta y su alcance declarado |
| Hecho regulatorio o jurídico | Primaria (la propia norma, ley u orientación oficial) | Confirmar la aplicabilidad vigente y la jurisdicción | Leer la disposición concreta; señalarla para revisión jurídica cualificada |
| Tendencia del sector u opinión de expertos | Secundaria, claramente etiquetada como opinión | Valorar la experiencia declarada de la persona autora y cualquier conflicto de intereses | Distinguir la opinión del hecho en el registro de afirmaciones; no presentarla como un hecho establecido |
| Capacidad de una empresa o de un producto | Primaria (documentación propia del fabricante) | Comprobar la fecha de la documentación frente a la versión actual del producto | Confirmar con la documentación propia vigente, y no con una reseña antigua |
| Hecho histórico o definitorio | Primaria si existe; si no, una fuente de referencia bien establecida | Comprobar el consenso entre fuentes independientes | Contrastar al menos dos fuentes independientes en las definiciones de las que depende el argumento |
Descubrimiento y extracción asistidos por IA
La IA resulta realmente útil en varias tareas de descubrimiento y de extracción: sacar a la luz fuentes candidatas que el equipo de investigación quizá no habría encontrado solo con la búsqueda manual, resumir documentos fuente largos para ayudar a una persona investigadora a decidir qué merece una lectura más atenta, extraer cifras o citas concretas de un documento a un formato estructurado y comparar varias fuentes en paralelo para identificar dónde coinciden, dónde discrepan o simplemente dónde no abordan la misma pregunta.
Cada una de estas tareas necesita un punto de control humano antes de dar por buenos sus resultados. Una lista de fuentes candidatas necesita que una persona confirme que esas fuentes existen de verdad y son de fiar antes de que nadie las cite. Un resumen necesita que alguien lo contraste por muestreo con el documento original, porque un resumen puede ser fluido y rotundo y a la vez falsear sutilmente lo que decía realmente la fuente. Una cita extraída hay que comprobarla carácter por carácter con el original, y no aproximadamente, porque una paráfrasis cercana presentada como cita textual es un fallo de integridad concreto y evitable.
El planteamiento útil es que la IA amplía lo que un equipo de investigación puede mirar, no lo que puede concluir. Un equipo que usa la IA para reducir cien fuentes candidatas a las quince que merecen una lectura atenta ha acelerado de verdad su trabajo; un equipo que deja que un sistema de IA decida, sin comprobarlo, cuáles de esas quince fuentes respaldan realmente una afirmación determinada se ha saltado el paso que todo este flujo existe para hacer cumplir.
Este límite es más fácil de mantener cuando cada tarea de apoyo con IA del flujo se acota a un resultado concreto y comprobable, en lugar de agruparse en un único encargo de investigación abierto. Una tarea formulada como «extrae todas las estadísticas que se mencionan en este documento concreto, con las referencias de página» produce un resultado que una persona puede verificar rápidamente, línea a línea, con la fuente. Una tarea formulada como «investiga este tema y dime qué es importante» produce un resultado que parece investigación pero que ha tomado en silencio decenas de decisiones sobre relevancia, credibilidad e interpretación que nadie ha explicitado, y que la persona revisora difícilmente puede desentrañar después. La primera formulación es la que recomienda esta guía; la segunda es la que tiende a derivar, con el tiempo, justo hacia el fallo de las citas sin verificar que esta guía existe para evitar.
Verificación de afirmaciones y evidencias
Esta es la fase en la que la investigación se vuelve fiable o no, y merece más rigor que cualquier otra fase de este flujo. La descomposición de las afirmaciones desglosa una investigación en cada una de sus aseveraciones factuales, porque un solo párrafo de hallazgos contiene a menudo varias afirmaciones distintas que necesitan su propia verificación, y no una comprobación conjunta como si fueran una sola.
Después, cada afirmación se rastrea hasta su fuente: no el documento más cercano que la enuncia, sino el punto de origen, es decir, el estudio original, la declaración oficial, el conjunto de datos primario. Una afirmación que aparece en tres artículos distintos pero se remonta a una única fuente original está respaldada por una evidencia, no por tres, y el paquete de investigación debe registrarlo con exactitud en lugar de contar la repetición como corroboración independiente. Esta distinción, entre la verificación independiente de verdad y una fuente que simplemente cita a otra, es la disciplina más importante de toda esta guía, porque es la que más fácilmente se omite bajo presión de tiempo y aquella cuya ausencia es más difícil de detectar con solo leer el contenido terminado.
Cada afirmación verificada se califica con una escala de solidez de la evidencia basada en la proximidad de la fuente (cuán cerca está esta fuente de la información original), la transparencia del método (si se puede comprobar de verdad la metodología de una estadística), la actualidad (si sigue vigente, sobre todo en lo que describe una capacidad o una condición de mercado que cambia deprisa), la independencia (si la corrobora una fuente realmente distinta, y no una repetición de la misma) y el encaje con la afirmación (si esta fuente concreta respalda esta afirmación concreta, con este nivel de precisión concreto, y no una afirmación afín pero más laxa).
Las contradicciones entre fuentes creíbles deben registrarse de forma explícita en un registro de contradicciones, y no resolverse eligiendo en silencio la respuesta más conveniente. Cuando dos fuentes de prestigio discrepan en una cifra o en una conclusión, el paquete de investigación debe anotar ambas, señalar qué podría explicar la discrepancia si es posible discernirlo (una metodología distinta, otro periodo, otra población) y dejar que las fases de redacción y de revisión decidan con conocimiento de causa cómo tratar el desacuerdo en el contenido publicado, en lugar de presentar uno de los lados como un hecho establecido.
El trabajo de verificación es también el momento en que la IA puede reintroducir en silencio el mismo riesgo que esta guía quiere eliminar, si se usa sin cuidado en esta fase. Pedir a un modelo que «confirme» si una fuente respalda una afirmación es una tarea distinta de pedir a una persona que abra esa fuente y lo compruebe, y la confirmación de un modelo conlleva el mismo riesgo de invención que su cita original. El patrón más seguro es que la IA localice y extraiga el pasaje concreto relevante para una afirmación, citado textualmente, para que una persona revisora lea ese pasaje exacto y juzgue por sí misma si respalda la afirmación tal como está formulada, en lugar de fiarse del juicio del propio modelo sobre si existe ese respaldo.
Un registro de afirmaciones mantenido de este modo se convierte con el tiempo en un verdadero activo de la organización, y no solo en un documento de cumplimiento para una pieza concreta. Una vez que una afirmación se ha rastreado, verificado y calificado, no hace falta volver a verificarla desde cero cada vez que otro contenido futuro quiera referirse a ella, siempre que el registro anote cuándo se comprobó por última vez y qué debería provocar una nueva comprobación: una nueva edición de la fuente, una ventana razonable de caducidad para una cifra sensible al tiempo o un cuestionamiento directo de su exactitud. Es el mecanismo concreto por el que el trabajo de investigación cuidadoso sobre una pieza reduce la carga de investigación de todas las piezas relacionadas que vengan después.
| ID de afirmación | Afirmación (tal como se propone usarla) | Fuente primaria | Solidez de la evidencia (proximidad / método / actualidad / independencia / encaje) | Alcance y limitaciones | Estado de aprobación |
|---|---|---|---|---|---|
| Ejemplo: RC-01 | «El X % de las organizaciones declara el resultado Y» | Informe primario con nombre, editor y fecha | Proximidad alta, método transparente, vigente, fuente única (señalarlo si no hay corroboración independiente) | Anotar el tamaño de la muestra, la población y cualquier limitación que indique la propia fuente | Pendiente de aprobación de la persona revisora |
| Ejemplo: RC-02 | «El Reglamento Z exige informar de W» | La norma concreta o la orientación oficial, con la disposición citada | Proximidad alta (texto jurídico primario), requiere revisión jurídica de su aplicabilidad vigente | Anotar la jurisdicción y cualquier periodo transitorio o exención | Requiere revisión jurídica cualificada antes de usarse |
Síntesis y ganancia de información
La síntesis es el momento en que las evidencias verificadas se convierten en algo más útil que una lista de datos sueltos: un análisis coherente, una comparación, un planteamiento original que conecta los hallazgos de una manera que ninguna fuente por sí sola había formulado. Es también el momento en que la investigación puede aportar una auténtica ganancia de información, un valor que el lector no podía obtener de ninguna fuente individual, siempre que la síntesis se mantenga dentro de lo que la evidencia respalda realmente y no extrapole más allá.
La disciplina aquí consiste en distinguir una inferencia que la evidencia respalda realmente de una inferencia que solo suena verosímil a la vista de la evidencia. «Tres estudios independientes encontraron un aumento de la adopción en esta categoría, lo que sugiere que la tendencia probablemente continuará» es una síntesis razonable si esos tres estudios lo encontraron de verdad. «Esta tendencia transformará sin duda todo el sector en dos años» es una afirmación que la misma evidencia no respalda, y un paquete de investigación que deja que la síntesis derive hacia ese tipo de extrapolación ha superado en silencio su propia base de evidencias. El campo de notas de síntesis del paquete de investigación debe dejar explícito qué conclusiones están directamente respaldadas por evidencias y cuáles son la interpretación razonable del propio equipo de investigación, para que la redacción y la revisión posteriores sepan qué afirmaciones conllevan qué grado de confianza.
La ganancia de información genuina suele proceder de unos pocos movimientos concretos, y no de limitarse a repetir lo que ya dijo una fuente de autoridad. Combinar hallazgos de fuentes que normalmente no se comentan juntas, aplicar un hallazgo general a un escenario concreto y específico que las propias fuentes no abordaron o identificar un hueco, una pregunta a la que la base de evidencias existente aún no ha respondido, producen contenido que ofrece al lector algo que no podía obtener de ninguna fuente individual del paquete de investigación. Una síntesis que se limita a resumir con otras palabras la mejor fuente ha acelerado la escritura, pero no ha añadido nada que una persona atenta que leyera esa fuente original no tuviera ya.
Traspaso y captura del conocimiento
El resultado de este flujo es un Research Evidence Packet: un contrato de investigación, un registro de consultas que documenta qué se buscó y dónde, un registro de fuentes, un registro de afirmaciones con las calificaciones de solidez de la evidencia, un registro de contradicciones, una lista de los huecos de evidencia que la investigación no pudo cerrar, notas de síntesis, los permisos necesarios para determinado material de fuentes y la aprobación de una persona revisora con nombre. Este paquete, y no un montón informal de enlaces ni la transcripción de un chat, es lo que se traspasa a la fase Drafting del sistema operativo editorial con IA.
La investigación aprobada no debe desaparecer una vez publicada una sola pieza. Las fuentes verificadas, las afirmaciones y la síntesis propia de la organización deben pasar a la base de conocimiento de marketing con IA más amplia, para que el siguiente contenido sobre un tema relacionado parta de lo que ya está verificado en lugar de repetir la misma investigación desde cero. Esto conecta directamente con la captura del conocimiento de expertos, para los hallazgos que proceden de un experto interno en la materia y no de una fuente externa, y con la Authority Engineering, que explica cómo la investigación verificada y acumulada se convierte con el tiempo en un activo de autoridad duradero y no en un insumo puntual de un solo artículo.
El propio traspaso merece un paso de aceptación definido, y no la suposición de que la fase de redacción confiará sin más en lo que le llegue. Quien redacta, o quien es responsable de un flujo de redacción, y recibe un paquete de investigación debería poder confirmar de un vistazo qué afirmaciones están aprobadas para usarse con plena confianza, cuáles llevan una limitación anotada que debe reflejarse en cómo se formula la afirmación y cuáles siguen siendo huecos abiertos que el contenido debe evitar o señalar expresamente como sin resolver. Un paquete que se traspasa con claridad en este aspecto evita una de las fuentes más habituales de reproceso en la fase de revisión: que quien revisa descubra, ya redactado el texto, que el respaldo real de una afirmación era más débil de lo que daba a entender la prosa terminada.
Una base de conocimiento madura construida de este modo acaba cambiando la economía de toda la función de investigación. Al principio de la vida de un programa de contenidos, casi cada pieza exige una investigación nueva sustancial, porque la base de conocimiento contiene aún muy poco material verificado. A medida que crece la base de afirmaciones aprobadas y calificadas, una proporción cada vez mayor del contenido nuevo puede apoyarse en material que ya ha pasado por todo el proceso de verificación, y el esfuerzo de investigación realmente nuevo se concentra en el hueco concreto que introduce cada pieza. Es la misma dinámica acumulativa que se describe en todo el sistema operativo editorial con IA, aplicada específicamente a la función de investigación y no a la producción en su conjunto.
Modos de fallo del flujo de investigación con IA
El modo de fallo más dañino es la cita alucinada: una fuente citada con total seguridad que no existe o que no dice aquello para lo que se cita. El segundo es el blanqueo de fuentes, en el que una afirmación pasa por varias fuentes secundarias que se citan sucesivamente unas a otras y crean la ilusión de una corroboración amplia que se desmorona en cuanto alguien la rastrea hasta una única fuente original, posiblemente débil. El tercero es la evasión de los huecos de evidencia: eliminar en silencio las cautelas y las limitaciones de una afirmación durante la síntesis porque la versión sin matices resulta más persuasiva, lo que convierte una afirmación razonablemente respaldada en una exagerada sin que nadie lo haya decidido de forma explícita.
Preguntas frecuentes
¿En qué se diferencia de pedirle sin más a su herramienta de IA que «investigue y cite fuentes»?
Pedir a un modelo que investigue y cite fuentes, sin un contrato definido, sin un paso de verificación y sin una calificación de la solidez de la evidencia, produce exactamente el riesgo de cita alucinada que esta guía existe para evitar. Este flujo trata el resultado de la IA como un punto de partida para una investigación verificada por personas, y no como la investigación en sí.
¿Qué cuenta como verificación independiente de una afirmación?
Una segunda fuente realmente distinta que llegó al hallazgo mediante su propia investigación, y no una fuente que a su vez cita a la primera. Si al rastrear una afirmación lo bastante lejos se descubre que detrás de varios artículos que la citan hay una única fuente original, eso es una sola evidencia y no varias, por muchos sitios en los que aparezca.
¿Quién aprueba un paquete de investigación antes de empezar a redactar?
Una persona revisora con nombre y con la familiaridad adecuada con la materia, documentada en el campo de aprobación del paquete de investigación, según la estructura de derechos de decisión de la Gobernanza editorial con IA. La redacción nunca debe empezar a partir de un paquete de investigación que no haya recibido ese visto bueno.
¿Qué hacer cuando fuentes creíbles discrepan realmente?
El desacuerdo se registra en el registro de contradicciones, y no se resuelve eligiendo un bando durante la investigación. La decisión sobre cómo tratar en el contenido publicado un desacuerdo genuino y sin resolver es una decisión de redacción y de revisión, que se toma con el desacuerdo a la vista, y no una decisión de la fase de investigación que descarta una de las partes.
¿Cómo se relaciona esta guía con la captura del conocimiento de expertos?
Esta guía trata la investigación sobre fuentes externas: estudios publicados, documentación oficial, reportajes de terceros. La captura del conocimiento de expertos trata cómo obtener y validar el conocimiento que existe dentro de la organización, en la experiencia y el criterio de un experto en la materia, algo que requiere un proceso de obtención y de validación distinto al de la investigación basada en fuentes.
¿Necesita todo contenido que escribe el Research Evidence Packet completo?
La profundidad escala con el nivel de riesgo del contenido según la Gobernanza editorial con IA. Una actualización interna rutinaria necesita una versión más ligera de este proceso; una afirmación pública de nivel sensible necesita el paquete completo, con todo el rigor del registro de afirmaciones y, cuando proceda, la revisión jurídica cualificada de las propias fuentes.
Implante un flujo de evidencias que haga más seguro redactar
Un flujo de investigación con esta disciplina hace que todo lo que viene después sea más rápido, no más lento, porque la redacción y la revisión pueden confiar en aquello sobre lo que construyen en lugar de volver a verificarlo ellas mismas. El sistema operativo editorial con IA muestra cómo se conecta esta fase de investigación con la redacción, la revisión y la publicación en su conjunto; la Gobernanza editorial con IA define los niveles de riesgo que determinan hasta dónde debe llegar este proceso de investigación en cada contenido. Las organizaciones que quieran implantar esta disciplina en sus propias operaciones de contenido pueden empezar con un Executive AI Marketing Assessment de kōdōkalabs.