El Mapeador de Contradicciones de Fuentes: Convierte la Investigación Contradictoria en una Imagen Clara de lo que Realmente se Sabe
Por qué importa este prompt
Teams facing conflicting research typically do one of two costly things: cherry-pick the single study that confirms the decision they already wanted to make, or present an unhelpful it's complicated summary that gives leadership nothing to act on. Both lead to bad calls — either a six-figure tooling rollout based on cherry-picked data that later gets reversed, or weeks of stalled decision-making while stakeholders argue past each other because nobody has actually mapped where the sources agree, where they genuinely conflict, and why.
Para qué lo usamos
A product manager at a mid-size software company has been asked by leadership to recommend whether to expand AI coding assistant licenses from a 20-person pilot team to all 400 engineers. They have pulled five research reports and internal surveys that reach opposite conclusions about whether the tools actually help experienced developers, and need to brief the VP of Engineering by Friday without just picking whichever study confirms what leadership wants to hear.
Prompt
Role: Act as a rigorous research analyst whose specialty is synthesizing conflicting sources without flattening genuine disagreement into false consensus. Context: I am researching the following question: [YOUR RESEARCH QUESTION]. Below are summaries, abstracts, or excerpts from [NUMBER] sources, each labeled with a source name and date: [SOURCE 1 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [SOURCE 2 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [SOURCE 3 NAME, DATE]: [PASTE SUMMARY OR EXCERPT] [ADD MORE SOURCES AS NEEDED, 3-8 TOTAL WORKS BEST] Task: Read all sources carefully and produce a structured synthesis in four parts: 1. CONSENSUS — claims that at least 2/3 of sources agree on, with source citations for each claim. 2. DIRECT CONTRADICTIONS — specific pairs or groups of sources that disagree, stated precisely (not vaguely), with a note on whether the disagreement is about facts, methodology, definitions, or interpretation. 3. CONFIDENCE-GRADED SYNTHESIS — your best current-state summary of what is actually known, with each claim tagged [HIGH CONFIDENCE], [CONTESTED], or [SPECULATIVE] based on how many independent sources support it and how strong their evidence is. 4. OPEN QUESTIONS — what none of the sources address, or what would need to be true to resolve the contradictions in section 2. Constraints: - Do not average conflicting claims into a mushy middle position that no source actually holds — if Source A says X and Source B says the opposite of X, state that clearly, do not invent a compromise position. - Every claim must cite which source(s) support it. No unattributed claims. - If a source is clearly lower-quality (anecdotal, single case study, no methodology given) versus another that has clear methodology, note the quality difference — do not treat all sources as equally authoritative by default. - Flag your own uncertainty explicitly rather than projecting false confidence. Output format: Use the four numbered sections above as headers. Under each, use bullet points with inline source citations in parentheses. Keep the whole output under 600 words — the goal is clarity, not exhaustiveness.
Resultado
1. CONSENSUS
- AI coding assistants measurably speed up small, well-defined tasks: boilerplate generation, syntax lookup, and test scaffolding (TechCorp Internal Study 2026, DevSurvey Q2 2026, Stack Overflow Developer Report 2026).
- Adoption is now near-universal among professional developers — over 80% report using an AI coding tool at least weekly (DevSurvey Q2 2026, GitHub Octoverse 2026).
2. DIRECT CONTRADICTIONS
- Net productivity effect for experienced developers: METR's randomized controlled trial (July 2026) found experienced open-source contributors were 19% SLOWER on real tasks when using AI assistants, despite believing they were faster. TechCorp's internal study claims a 35% velocity increase for the same seniority band. This is a methodology conflict, not just a disagreement: METR used a blinded RCT with actual time tracking; TechCorp used self-reported estimates and ticket-closure counts, which the METR paper specifically flags as unreliable for this exact reason.
- Code review burden: DevSurvey reports 62% of senior engineers say AI-generated code increases their review workload; GitHub's Octoverse report claims review time per PR has stayed flat. These may not actually conflict — Octoverse measures aggregate time, DevSurvey measures perceived cognitive load, which are different metrics being talked past each other.
3. CONFIDENCE-GRADED SYNTHESIS
- [HIGH CONFIDENCE] AI tools speed up junior developers and well-scoped, low-ambiguity tasks.
- [CONTESTED] Whether AI tools speed up or slow down experienced developers on complex, real-world tasks — the only randomized controlled evidence (METR) says slower; self-reported industry surveys say faster, but self-report is a known-weak methodology for this specific question.
- [SPECULATIVE] Long-term skill atrophy effects — no source has data past 12 months of tool use.
4. OPEN QUESTIONS
- No source separates productivity effects by codebase size or legacy-code complexity — this is likely a major confound.
- None of the sources track outcomes past initial code merge (bug rates 3-6 months later are unmeasured).
- Resolving the TechCorp vs. METR contradiction would require TechCorp to re-run their study with blinded time tracking instead of self-report.
La mayoría de los prompts de síntesis de investigación hacen algo silenciosamente deshonesto: cuando las fuentes no están de acuerdo, mezclan el desacuerdo en una posición intermedia suave y llena de matices que ninguna fuente real sostiene. El Mapeador de Contradicciones de Fuentes está diseñado para rechazar ese atajo.
Por qué promediar el desacuerdo es peor que inútil
Si la Fuente A dice que un cambio aumenta el rendimiento en un 35% y el estudio controlado de la Fuente B dice que el mismo cambio lo reduce en un 19%, la síntesis honesta no es su promedio. Es una señal de alerta: estas fuentes discrepan sobre la dirección real del efecto, y aquí está el motivo — normalmente una diferencia de metodología, no solo ruido. Un modelo que suaviza esto en “no estamos seguros, pero podría haber un ligero efecto positivo” ha descartado la pieza de información más útil de toda la investigación: que el desacuerdo en sí mismo es diagnóstico.
Por qué existe la estructura de cuatro secciones
El Consenso va primero porque es la base estructural — en qué están de acuerdo la mayoría de las fuentes, más allá de las disputas más ruidosas que se superponen. Las Contradicciones Directas van en segundo lugar y son las que hacen el verdadero trabajo: obligan al modelo a nombrar pares específicos de fuentes y afirmaciones concretas, en lugar de aludir vagamente a “resultados mixtos”. La sección de síntesis con niveles de confianza es donde el prompt demuestra su valor para quienes toman decisiones — etiquetar afirmaciones como ALTA CONFIANZA, DISPUTADA o ESPECULATIVA le da al lector algo sobre lo que realmente puede actuar, en vez de un muro de prosa llena de matices. Las Preguntas Abiertas cierran el ciclo al nombrar qué tendría que ser cierto para resolver las contradicciones, lo que convierte una síntesis puntual en una hoja de ruta de investigación.
Dónde demuestra su valor
Este prompt está construido exactamente para la situación en la que la mayoría de los informes de investigación fallan: tienes varias fuentes que parecen creíbles pero no coinciden, y necesitas informar a alguien que tomará una decisión real basada en tu resumen. Funciona para inteligencia competitiva (comparar informes de analistas sobre un mercado), revisiones de literatura académica (comparar hallazgos de estudios sobre una pregunta de investigación), decisiones de producto (comparar investigación de usuarios que apunta en direcciones distintas) y análisis de políticas públicas (comparar informes de think tanks con conclusiones diferentes).
El hábito que este prompt está diseñado para romper
El sesgo de confirmación en la síntesis de investigación rara vez parece deshonestidad abierta — se parece más a ponderar inconscientemente un poco más la fuente que coincide con tu creencia previa, y pasar por encima de la que no coincide. Obligar a una sección explícita de Contradicciones Directas con pares de fuentes nombrados hace que ese tipo de selección sesgada silenciosa sea mucho más difícil de hacer por accidente, porque el prompt te exige exponer el desacuerdo con claridad antes de que se te permita avanzar hacia una síntesis.