La sorpresa: la mayoría de las etiquetas empeoran
Un estudio de 2026 separó en tres partes lo que normalmente se dice junto: metadatos, estructura y estrategia de búsqueda. Sobre seis conjuntos de tareas, con cuatro modelos de tres familias distintas. El estudio también aisló el tercer factor, la estrategia de búsqueda, pero este artículo va de los otros dos, porque son los que puedes cambiar al tomar notas.
| Qué añadieron | Efecto en la precisión |
|---|---|
| Solo estructura (registros ordenados a partir de texto en bruto) | −0,008 … −0,078 |
| Metadato temporal (cuándo es válido) | +0,220 en la tarea más afectada |
| Enriquecimiento completo (todo junto) | +0,196 en una, −0,032 y −0,063 en las demás |
La frase resumen del estudio es corta: la mayor parte del enriquecimiento reduce la precisión.
El único elemento que funciona limpiamente es el metadato temporal — y no poco: en la tarea con mejor resultado aporta más del cien por cien de la ganancia total. O sea, cualquier otra capa añadida se come una parte.
Añadir una puntuación de fiabilidad ("calidad de la fuente: media"), una marca de contradicción y una cadena de origen empeoró en todas y cada una de las tareas. Los autores hasta le pusieron nombre al fenómeno: el modelo procesa correctamente el metadato y aun así da una respuesta peor.
Traducido a la toma de notas, esto es lo que hay que recordar: la fecha ayuda de forma demostrada. En cambio, etiquetas del tipo "fiabilidad: media", "lo dijo X en una charla" o "fuente: de segunda mano" pueden empeorar de forma medible. Lo completo no es lo mismo que lo útil.
Lo que sí ayuda de forma medible: el trozo que dice de dónde viene
Hay otra dirección que sí mejora de forma constante, y conviene distinguirla de la anterior.
Cuando el sistema trocea tus notas, un trozo suelto suele no significar nada: "esta cifra subió un 12 % respecto al trimestre anterior" — pero ¿qué cifra, qué trimestre? Si delante de cada trozo se pone una frase que diga de dónde viene, la recuperación mejora de forma medible.
Según la medición de un fabricante, la proporción de trozos relevantes que no se recuperaban bajó del 5,7 % al 3,7 % solo con ese paso, y hasta el 1,9 % junto con otros métodos. (Entrada de blog del fabricante, sin revisión por pares, conjunto de prueba no público — acepta la dirección y toma las cifras exactas con reservas.)
La diferencia entre los dos casos es importante. La fecha y el "de qué va esta sección" son información necesaria para entender el texto. La puntuación de fiabilidad y la cadena de procedencia, en cambio, son un juicio sobre el texto — y con eso el modelo se maneja medidamente peor.
Un aviso sobre las cifras del tipo "mejora del 31 %"
Esto conviene aprenderlo, porque sirve para la demostración de cualquier herramienta.
Se midió qué aporta un etiquetado rico de metadatos en un sistema de preguntas y respuestas financieras. El resultado, en cuatro filas:
| Métrica | Solución ingenua | Con metadatos |
|---|---|---|
| F1 | 32,9 | 43,2 |
| Recall de afirmaciones | 45,9 % | 39,9 % |
| Precisión del contexto | 20,0 % | 18,0 % |
| Fidelidad a la fuente | 76,4 % | 73,7 % |
La "mejora del 31 %" es cierta — en la primera fila. Las otras tres empeoraron, la fidelidad entre ellas.
Si el fabricante de una herramienta te enseña una sola métrica que mejora, pregunta por las demás. Esto no va de ese producto: va de cualquier demostración de este tipo.
¿Qué tamaño de trozo, qué tamaño de nota?
No hay respuesta universal, pero sí una regla práctica, respaldada por dos mediciones:
- Para preguntas cortas y factuales (cuál era el plazo, cuánto era el importe) va mejor el trozo pequeño: unos 64–128 tokens, dos o tres frases.
- Para preguntas amplias que buscan relaciones (por qué decidimos así) va mejor el trozo grande: 512–1024 tokens, uno o dos párrafos.
Llevado a la práctica: el párrafo de cuatro a ocho frases es un tamaño utilizable en los dos casos, y las tres mil palabras seguidas no lo son en ninguno.
"Lo meto todo en la ventana de un millón" — por qué no funciona
Es la objeción más común contra estructurar las notas: para qué trocear, si el modelo va a leer un millón de tokens de todas formas.
La medición más dura sobre esto probó 13 modelos, todos ellos anunciando una ventana mayor de 128.000 tokens. El truco de la medición está en que eliminaron la coincidencia literal de palabras entre la pregunta y la información buscada — o sea, había que reconocer una relación real, no encontrar una palabra clave.
El resultado: a los 32.000 tokens, 11 de los 13 modelos no llegaron ni a la mitad de su propio rendimiento con contexto corto. Un ejemplo concreto: del 99,3 % al 69,7 %.
Por debajo de mil tokens todos los modelos fueron casi impecables.
A esto se suma el hallazgo antiguo y muy conocido: los modelos aprovechan peor la información colocada en medio del contexto que la del principio o la del final.
Así que el malentendido más frecuente es este: la ventana de un millón no significa que sea igual de precisa a lo largo de un millón de tokens. Significa que no se para con un error.
Cuándo cada uno:
| Recuperación | Ventana larga | |
|---|---|---|
| Cuándo es mejor | material grande que cambia poco, pregunta estrecha | un documento que tiene sentido entero |
| Coste | más barato | bastante más caro |
| Riesgo | saca el trozo equivocado | por encima de 32K empeora de forma medible |
El lado humano: el mito del bolígrafo
La afirmación más conocida sobre tomar notas que circula por internet es que escribiendo a mano aprendes mejor que tecleando. Viene de un experimento de 2014.
La replicación más cuidadosa no lo confirmó. En palabras de los propios autores, el rendimiento no se diferenció de forma constante entre ninguno de los grupos, y el conjunto de las replicaciones directas también mostró solo una diferencia pequeña y no significativa a favor de la escritura a mano. Y en el experimento donde los participantes sí pudieron repasar sus notas, las diferencias se redujeron todavía más.
Lo escriben los autores mismos: decidir qué método es mejor es, por ahora, prematuro.
Lo que sí se ha medido sobre las notas hechas con IA es más matizado, y no es lo que esperarías:
- En un experimento aleatorizado, el resumen de texto escrito por la IA no dio peor comprensión que el escrito por una persona, y en el recuerdo diferido incluso mostró un patrón más favorable. Los resúmenes escritos por personas, en cambio, dieron mejor conciencia de lo que uno había entendido de verdad.
- La correlación clave de una encuesta a 319 trabajadores del conocimiento: cuanta más confianza en la IA, menos comprobación — y cuanta más confianza tiene alguien en su propio conocimiento, más.
- Un estudio pequeño que midió además actividad cerebral encontró que quienes trabajaban con IA no eran capaces de citar con exactitud su propio texto recién escrito. (54 personas, un solo tipo de tarea, publicación preliminar — señal, no prueba.)
La síntesis: los datos no dicen que la nota hecha con IA se recuerde peor. Dicen que da peor conciencia de lo que has entendido. Por eso el objetivo no es que "escriba en tu lugar", sino que la materia prima quede guardada de forma recuperable — y que la comprobación se quede contigo.
Cómo hacerlo
1. LA FECHA EN EL TEXTO, NO SOLO EN EL NOMBRE
Es el único metadato que mejora de forma medible.
"Reunión del 12 de septiembre de 2026" — en la
primera línea de la nota.
2. UN TÍTULO SOBRE CADA UNIDAD DE PENSAMIENTO
El troceado lo usa como punto de corte.
3. PÁRRAFO = DE CUATRO A OCHO FRASES
Funciona con los dos tamaños de trozo. El texto
seguido, con ninguno.
4. QUE LA PRIMERA FRASE DIGA DE QUÉ VA
Que no se descubra a la mitad. El trozo tiene
que entenderse solo.
5. NO ETIQUETES CON VALORACIONES
"Fiabilidad: media", "fuente: de oídas" — esas
empeoran de forma medible. Si algo es dudoso,
escríbelo en una frase, dentro del texto.
6. AL LADO DE CADA NÚMERO, DE QUÉ ES
"Subió un 12 %" por sí solo es un trozo inútil.
7. LA COMPROBACIÓN NO PASA A LA MÁQUINA
Lo que luego afirmes a partir de ahí, lo miras tú.
El primer punto y el quinto juntos dan la idea del artículo: escribe menos etiquetas y más fechas.
Malentendidos habituales
- "Cuantos más metadatos, mejor." La medición muestra justo lo contrario: la mayor parte del enriquecimiento empeoró, y solo el dato temporal mejoró.
- "Dáselo al modelo siempre en JSON." El formato cuenta — en una medición marcó un 40 % de diferencia en una tarea —, pero no hay un único formato mejor, y los modelos grandes son menos sensibles a él.
- "A mano lo retengo mejor." La mejor replicación no lo confirmó. Eso no significa que escribir a mano sea malo: significa que no es el factor decisivo.
- "En la ventana de un millón puedo meterlo todo." A los 32.000 tokens, 11 de los 13 modelos probados ya no llegaban ni a la mitad de su rendimiento con contexto corto, si no había coincidencia literal de palabras.
- "Si ha mejorado un 31 %, ha quedado mejor." Mira las demás métricas. En esa misma medición empeoraron también la fidelidad y la precisión.
Lo que conviene llevarse
La buena nota es para la máquina lo mismo que para ti: dividida, fechada y con trozos que se entienden solos. Esas tres cosas marcan una diferencia medible, y las tres son gratis.
Lo que sí conviene dejar de hacer es el etiquetado valorativo. Lo que es un juicio sobre el texto, déjalo fuera del texto — según la medición, eso no vuelve al modelo más prudente, solo menos preciso.
Cómo se convierte esto en una base de conocimiento que funcione y se pueda buscar lo recorre paso a paso el post una base de conocimiento personal ; y el orden entre leer y comprobar lo explica el post leer e investigar más rápido , con sus cifras.