Cuando hay pocos datos, procuramos no apresurarnos a sacar conclusiones. Sin embargo, cuando se acumulan grandes cantidades de cifras y registros, es fácil pensar: «Con tanto material, la respuesta debe ser evidente». Más observaciones ciertamente aumentan lo que podemos saber. Pero que aumente la cantidad de datos no significa que su significado se vuelva único. Las explicaciones que pueden derivarse de los mismos datos cambian según qué se midió, qué no se midió y qué período se examinó.
Por ejemplo, supongamos que el tiempo de uso de un servicio aumenta durante un mes. Podríamos querer explicarlo diciendo que «aumentó la satisfacción de los usuarios». Sin embargo, aunque puede observarse el aumento del tiempo de uso, las cifras por sí solas no establecen la razón. Puede que una nueva función haya resultado útil, o que la interfaz se haya vuelto más complicada y haya requerido más tiempo. El simple hecho de separar el cambio observado de la explicación de ese cambio modifica sustancialmente la siguiente pregunta de investigación.
En la investigación, pasar de la observación a la hipótesis es necesario en sí mismo. El problema no es tener hipótesis, sino permitir que una hipótesis adquiera, sin que lo notemos, el mismo estatus que un hecho observado. Una vez que decidimos «esta es la causa», tendemos más a leer los datos posteriores de manera que encajen con esa explicación. Se reduce el espacio para considerar otras explicaciones y la evidencia contraria puede tratarse como una excepción. Una certeza prematura no solo puede poner fin a una investigación, sino también sesgar lo que elegimos observar después.
Este problema se vuelve aún más importante cuando la IA apoya la investigación. La IA puede organizar grandes cantidades de material, extraer puntos en común y presentar rápidamente posibles explicaciones. Esa capacidad es útil, pero cuanto más fluida parece una explicación organizada, más puede una hipótesis parecer una conclusión ya verificada. El hecho de que la IA haya procesado una gran cantidad de información no significa que su interpretación sea la única. El volumen de procesamiento y la certeza de una conclusión deben considerarse por separado.
Por eso resulta útil tratar la observación, la interpretación, la hipótesis y los resultados de la verificación como etapas separadas. La observación muestra qué se registró; la interpretación muestra cómo se lee ese registro. Una hipótesis es una explicación posible de varias observaciones, y la verificación comprueba hasta qué punto esa posibilidad está respaldada. Si estas etapas no se mezclan, incluso una hipótesis sólida puede conservar la pregunta: «¿Qué queda todavía por comprobar?»
Mantener una conclusión de forma provisional no significa evitar las decisiones indefinidamente. Según el propósito de una investigación, puede ser necesario elegir una acción con información limitada. Incluso entonces, decir «esta explicación es la más respaldada por la evidencia actual» es distinto de decir «esta es la única verdad». Conservar el carácter provisional permite actualizar el juicio cuando aparece nueva evidencia. El grado de certeza debe corresponder al estado de la evidencia.
Tanto para los seres humanos como para la IA, dejar algunas partes sin conocer requiere valentía. Una explicación acabada ofrece tranquilidad, pero el valor de la investigación no reside en la rapidez con que nos tranquiliza, sino en qué tan bien resiste una explicación frente a la realidad. Si una hipótesis se derrumbaría ante evidencia contraria, es mejor no ocultar esa posibilidad. Mantener algo en condiciones de ser verificado no debilita la conclusión; hace explícita la base de su solidez.
Cuando Sai＊aus apoya una investigación, el objetivo tampoco es únicamente producir con rapidez una sola conclusión a partir de grandes cantidades de información. Si se puede distinguir qué se observó, dónde se añadió interpretación y qué sigue siendo una hipótesis, los seres humanos pueden elegir qué debe comprobarse a continuación. La capacidad de la IA para organizar información puede utilizarse no para cerrar conclusiones, sino para hacer visible la entrada a la verificación.
Más datos no hacen que la verdad se vuelva automáticamente única. Lo que aumenta es el material disponible para comprobar la realidad. En la forma de construir explicaciones a partir de ese material intervienen supuestos e interpretaciones. Por eso, investigar no exige dudar de los datos en sí, sino no perder de vista el camino entre los datos y la conclusión. Al no apresurarse a fijar una conclusión como si fuera la realidad y mantenerla abierta a revisión mediante la verificación, la abundancia de información puede convertirse en profundidad de comprensión.
No respuestas. Comprensión.