Monta un filtro no-code para priorizar noticias sospechosas sin confundir una puntuación de IA con una verificación: flujo, prompt, fuentes y pruebas.
Fotografía: Tima Miroshnichenko en Pexels.
Un detector de noticias falsas con IA no debería decidir qué es verdad. Su trabajo útil es más modesto: ordenar casos, señalar qué falta y ayudar a una persona a comprobar las evidencias antes de compartir.
Esta guía construye ese filtro con herramientas no-code. El resultado no será un oráculo, sino una bandeja de revisión trazable: cada alerta tendrá motivos, enlaces y un siguiente paso.
El flujo recibe un titular, una URL o una captura y crea una ficha con seis campos: afirmación principal, señales de riesgo, evidencias encontradas, evidencias ausentes, prioridad de revisión y decisión humana. La IA ayuda a extraer y clasificar; la verificación se apoya en fuentes externas.
La distinción importa. Un texto alarmista puede ser cierto y una mentira puede estar escrita con tono sobrio. Por eso una puntuación lingüística nunca basta para etiquetar una noticia como falsa.
Crea estas columnas: afirmación verificable, fuente original, fecha del contenido, señales, evidencias a favor, evidencias en contra, datos insuficientes, prioridad, estado y revisor. Evita una única columna llamada «verdadero/falso»: fuerza una conclusión que el sistema quizá no puede justificar.
El estado puede avanzar por cuatro valores: recibido, análisis automático, revisión humana y cerrado. Así sabrás qué produjo el modelo y qué decidió una persona.
En tu automatización, envía al modelo el texto disponible y una instrucción como esta:
Analiza esta pieza como triaje preliminar. Extrae una sola afirmación comprobable. Enumera señales observables sin decidir si es verdadera o falsa. Indica qué fuente primaria haría falta, qué términos buscar y qué información no está disponible. Devuelve JSON con: afirmacion, senales, fuentes_a_buscar, incertidumbre y prioridad. Si no hay base suficiente, escribe «datos insuficientes». No inventes enlaces ni citas.
Configura después el mapeo de esos campos a tu hoja. Si el conector permite validar un esquema, haz obligatorios incertidumbre y fuentes_a_buscar. Esto reduce respuestas categóricas sin respaldo.
La parte decisiva ocurre fuera del chat. Busca primero la frase o afirmación, después el origen y por último el contexto. Para noticias recientes, comprueba si existe un comunicado, resolución, base de datos o publicación del organismo implicado.
Si el modelo propone enlaces, comprueba cada uno. La guía sobre por qué la IA alucina y cómo detectar datos falsos explica cómo separar una referencia real de una respuesta convincente pero inventada.
Para una imagen, usa búsqueda inversa y la función «Acerca de esta imagen» cuando esté disponible. Revisa dónde apareció antes, qué páginas reutilizan versiones similares y si el archivo ofrece datos sobre su creación o edición. Los metadatos ayudan, pero pueden cambiarse.
Para vídeo, extrae fotogramas clave y búscalos como imágenes. El complemento InVID-WeVerify reúne esa función con OCR, consulta de metadatos y búsqueda de verificaciones. Si aparece el distintivo de procedencia C2PA, úsalo como una evidencia adicional. Para un caso práctico de manipulación y contexto, consulta cómo detectar una estafa difundida con deepfakes.
Una escala útil combina impacto y falta de evidencia. Por ejemplo:
No conviertas esta prioridad en un porcentaje de falsedad. Un «90 % falso» parece preciso, pero normalmente no tiene una calibración real detrás.
Prepara un conjunto pequeño con casos confirmados como ciertos, falsos y no concluyentes. Incluye temas locales, titulares ambiguos y una imagen fuera de contexto. Ejecuta el flujo sin cambiar las reglas y registra:
Ajusta el prompt y repite con casos que el sistema no haya visto. Si solo funciona con tus ejemplos iniciales, no está listo. Los detectores visuales también producen falsos positivos; repasar los errores típicos al usar IA ayuda a combinar señales sin convertir el sistema en un oráculo.
No envíes datos personales, documentos privados ni capturas sensibles a un proveedor sin revisar sus condiciones, retención y controles. Guarda solo lo necesario y limita quién puede ver la base. Añade un aviso visible: «análisis automático preliminar; requiere verificación humana».
También controla el coste. Limita la longitud del texto, evita volver a analizar duplicados y reserva modelos más caros para casos de prioridad alta. La búsqueda y lectura humana seguirán siendo la parte más valiosa.
La mejor versión de este proyecto no es la que etiqueta más noticias, sino la que hace más difícil compartir una afirmación sin saber de dónde sale.
Respuestas a las dudas más habituales.
No. Puede detectar señales de riesgo y ordenar una revisión, pero una conclusión necesita evidencias externas: fuente original, fecha, contexto, documentos y contraste con otras fuentes. El resultado automático debe llamarse análisis preliminar, no veredicto.
Un formulario, una hoja o base de datos, una automatización como Make, Zapier o n8n y un modelo que devuelva campos estructurados. Para verificar imágenes o afirmaciones conviene añadir búsqueda inversa, Fact Check Explorer y fuentes oficiales.
Señales observadas, afirmaciones comprobables, evidencias encontradas, evidencias que faltan, nivel de prioridad y próximos pasos. Debe poder responder «no hay datos suficientes» y enlazar cada evidencia.
Pruébalo con casos confirmados, falsos y ambiguos. Mide cuántos casos reales se le escapan, cuántas alarmas falsas genera y si sus enlaces respaldan lo que afirma. Revisa manualmente todos los casos de alto impacto.
Aportan información de procedencia cuando está disponible, pero su ausencia no demuestra falsedad y su presencia no valida automáticamente el texto o la interpretación que acompaña a la imagen. Deben combinarse con contexto y otras fuentes.
10 min de lectura · Publicado 11/7/2026
La IA no miente: predice. Te explicamos por qué ChatGPT y otros modelos inventan datos y las 7 señales para detectar una alucinación antes de fiarte.
Leer guía
6 min de lectura · Publicado 16/2/2026
La estafa que usa vídeos falsos de la Princesa Leonor en TikTok: señales rojas, el patrón del cebo emocional y el protocolo de 30 segundos para no caer.
Leer guía
10 min de lectura · Revisado 27/8/2026
7 errores típicos al usar ChatGPT y otros modelos de IA: alucinaciones, sesgos y datos sensibles, con ejemplos reales y cómo evitarlos sin dejar de usarla.
Leer guía