Pedimos a modelos de IA que lo rompieran.

Pasamos el diseño por tres modelos de IA capaces — en varias rondas, cada uno con la instrucción de intentar romperlo en lugar de aprobarlo. La sorpresa útil fue que los tres convergieron en la misma lista corta de riesgos — y esa lista resultó ser el conjunto de hipótesis que alimentan nuestro primer pre-registro. El marco sabía dónde estaban sus propios puntos débiles.

Después de incorporar sus sugerencias más agudas, los tres revisaron el plan revisado y llegaron al mismo veredicto: un programa de investigación sólido, honesto y registrable — previo a los datos, pero listo para registrarse y abrirse. Uno de ellos lo dijo bien — el plan se había convertido en un proyecto «dispuesto a descubrir que podría estar equivocado».

• “La estructura es un mapa bellamente razonado, aún no uno descubierto. Varias de las distinciones pueden ser reales en la experiencia pero no separables en una población real.”

  Nuestra respuestaDe acuerdo — y eso ya era lo central que el plan se propone poner a prueba. Los pesos son una hipótesis, no una posición a defender. Nos comprometimos por escrito a fusionar, reubicar y eliminar arquetipos de forma sustancial si los datos lo indican.

• “Si un análisis factorial recupera menos de once grupos, simplemente lo llamarás «esperado» — lo que hace el modelo imposible de falsar.”

  Nuestra respuestaJusto. Así que establecimos exactamente qué lo falsaría: no simplemente «menos grupos», sino un arreglo predicho específico — qué arquetipos quedan junto a cuáles, dónde caen las líneas divisorias. Si el mapa empírico no coincide con el que dibujamos de antemano, la teoría está equivocada, y lo reportamos como equivocado.

• “El reconocimiento — «la gente se ve a sí misma en ello» — es lo más fácil del mundo de fingir. Todo el mundo asiente ante una descripción halagadora.”

  Nuestra respuestaEste es el riesgo más agudo, así que recibe el mayor esfuerzo de validación. El reconocimiento se mide contra un control genérico halagador: una descripción real tiene que reconocerse mejor que la genérica, y extraños tienen que asignar a una persona al arquetipo correcto mejor que el azar. Si un par falla eso, se fusiona — sin excepciones.

• “Nombra el hallazgo que hace que un arquetipo realmente desaparezca. Si no puedes, esto es preservación de taxonomía, no investigación.”

  Nuestra respuestaNombramos tres: reubicar (pertenece a otro pilar), fusionar (dos roles, una cosa subyacente) y eliminar (falla en sus propios términos y no aporta nada más allá de los demás). Cada uno tiene una condición fijada de antemano.

• “¿Sobrevive un arquetipo una vez que controlas por los rasgos de personalidad Big Five?”

  Nuestra respuestaUna corrección amable a la pregunta misma: el Big Five es una vara de medir, no el sustrato de la realidad. Contrastamos con el cuadro medible completo — rasgos, sensibilidad, apego, resultados vitales. Una distinción que parece un gemelo de personalidad en el Big Five pero difiere en sensibilidad o resultados ha encontrado su base en un lugar que el Big Five no ve, y la conservamos.

• “La versión rápida de tres ítems se queda corta. Unos pocos ítems no pueden sostener un resultado confiable.”

  Nuestra respuestaCierto, y está pensada como un boceto rápido, no la última palabra — cada resultado lleva una nota de que se afila a medida que profundizas. Eliminamos los ítems que enturbiaban el panorama, lo cual las revisiones de IA reconocieron como la decisión estructural correcta.

Estas fueron revisiones de IA, no revisión por pares. Son un primer pase rápido, exigente y adversarial — modelos de IA capaces intentando romper el razonamiento — y no sustituyen la revisión experta humana ni, sobre todo, los datos. Nos dicen que el diseño se sostiene y es honesto sobre sus lagunas. No pueden decirnos que el marco sea verdadero. Solo la validación por etapas puede empezar a hacerlo, y apenas ha comenzado.

Publicamos las revisiones porque la transparencia es el punto: el diseño y su evaluación adversaria, ambos a la vista, agujeros incluidos.