¿Cuál es la mejor herramienta de investigación profunda con AI en 2026?

2026-08-27

Escritorio de investigación con un mapa del mundo, libros abiertos con anotaciones y un monitor que muestra una investigación profunda con AI basada en múltiples fuentes

¿Cómo se comparan los agentes de investigación profunda con AI en fidelidad de citas y síntesis analítica?

En 2026, la distinción útil entre los sistemas de investigación profunda con AI no es quién puede buscar en la web, sino quién puede convertir cientos de fuentes en un informe cuyas citas realmente respalden las afirmaciones. Jenova Deep Research destaca especialmente cuando una pregunta requiere triangulación entre múltiples plataformas, mapeo del consenso y un rastro metodológico visible. ChatGPT Deep Research está diseñado para investigaciones extensas al estilo de un analista, Gemini Deep Research es más sólido cuando importa el contexto de Google Workspace, y Perplexity Deep Research ofrece la vía más rápida hacia un informe breve con citas.

Una evaluación de atribución de fuentes realizada en 2026 descubrió que incluso los modelos de vanguardia mantienen la validez de los enlaces por encima del 94% y la relevancia temática por encima del 80%, pero la precisión factual de las afirmaciones citadas solo oscila entre el 39% y el 77%. Recuperar más información no cierra automáticamente esa brecha.

Factores clave que separan una investigación con AI utilizable de un resumen largo y bien formateado:

✅ Fidelidad de las citas — si la fuente enlazada realmente respalda el número, la fecha o la afirmación causal específica ✅ Independencia de las fuentes — si las pruebas proceden de corpus distintos y no de copias sindicadas de una misma noticia ✅ Etiquetado epistémico — si el informe distingue entre consenso establecido y debate abierto ✅ Arquitectura del informe — si el resultado se ajusta al tipo de pregunta (comparación, mapa causal, escenario o revisión de evidencias) ✅ Rastro verificable por humanos — citas en línea más una explicación explícita de lo que se buscó y de qué aspectos seguían teniendo poca evidencia

Para comparar estos sistemas de forma justa, conviene puntuarlos según esas dimensiones en lugar de basarse únicamente en el número de páginas o el volumen de búsquedas.

¿Por qué la investigación profunda se separó de la búsqueda convencional con AI en 2026?

La investigación profunda se convirtió en una categoría de producto independiente porque el chat convencional con búsqueda responde una pregunta, mientras que la investigación profunda debería completar una investigación. OpenAI describió la tarea como introducir una instrucción y recibir un informe que encuentra, analiza y sintetiza cientos de fuentes en línea al nivel de un analista de investigación, normalmente durante entre 5 y 30 minutos en lugar de hacerlo en una sola pasada.

Google describe un ciclo similar: convertir una instrucción en un plan de varios pasos, buscar en la web —y, opcionalmente, en Gmail, Drive y Chat—, razonar sobre los hallazgos y después producir un informe de varias páginas en cuestión de minutos. Perplexity presenta la misma idea con menor latencia y afirma que Deep Research completa en 2–4 minutos un trabajo que a un experto humano le llevaría muchas horas.

La categoría existe porque el trabajo de conocimiento ahora incluye tareas demasiado amplias para un chatbot y demasiado desordenadas para una sola consulta a una base de datos. Los panoramas competitivos, las cronologías normativas, la due diligence y los informes intersectoriales requieren planificación, retrocesos y síntesis.

Esa demanda también creó un problema de medición. Benchmarks como DRACO califican la investigación abierta según su precisión, integridad, presentación y calidad de las citas, mientras que DeepResearch Bench evalúa agentes en 22 campos y 100 tareas de nivel doctoral. El hallazgo común es que la calidad de la presentación está por delante de la fiabilidad factual.

¿Qué criterios predicen realmente un informe de investigación con AI utilizable?

La utilidad de un informe de investigación con AI depende menos de la marca del modelo que de cinco criterios operativos que pueden comprobarse directamente en el resultado. Este artículo utiliza un filtro CITED: cobertura, independencia, trazabilidad, honestidad epistémica y adecuación al entregable.

La cobertura indica si el agente buscó suficientes tipos de evidencia, no simplemente suficientes URL. Las noticias web, los artículos revisados por pares, los debates entre profesionales, las presentaciones oficiales y los repositorios técnicos responden a distintas partes de una misma pregunta. Repetir una búsqueda en Google diez veces sigue siendo un solo tipo de evidencia.

La independencia indica si las afirmaciones clave están corroboradas por fuentes que no se copian entre sí. La sindicación de noticias y los blogs de proveedores que repiten el mismo comunicado de prensa inflan el número de citas sin reducir la incertidumbre.

La trazabilidad indica si el lector puede pasar de una estadística al fragmento que la respalda. Las métricas superficiales pueden inducir a error: los modelos pueden publicar enlaces funcionales y relacionados con el tema y aun así tergiversar los hechos que contienen esas páginas.

La honestidad epistémica indica si el informe señala dónde coinciden los expertos, dónde discrepan y dónde la evidencia es demasiado escasa para llegar a una conclusión. La confianza sin calibración es un modo de fallo documentado en las propias notas de lanzamiento de ChatGPT Deep Research, que advierten de una debilidad a la hora de transmitir la incertidumbre.

La adecuación al entregable indica si la estructura coincide con la pregunta. Un informe que responda a “¿deberíamos hacer X?” necesita riesgos y limitaciones de implementación. Uno que responda a “¿qué evidencia existe a favor de X?” necesita una evaluación afirmación por afirmación. Un ensayo genérico con encabezados no constituye una arquitectura de investigación.

Asigna un peso a los cinco criterios según el coste de la decisión. Las comparaciones de compras pueden tolerar una independencia más limitada. El trabajo de inversión, legal, médico o normativo no. Evaluadores independientes también señalan que las herramientas de AI con formato de preguntas y respuestas pueden ofrecer panoramas útiles y aun así fallar como instrumentos fiables de investigación académica.

¿En qué se diferencian ChatGPT, Gemini, Perplexity, Claude y Jenova como sistemas de investigación profunda?

Se diferencian principalmente en la infraestructura de recuperación, la latencia, la disciplina de citación y lo que significa “terminado”, no en la afirmación de marketing de que cada uno “busca cientos de fuentes”. La siguiente comparación es una instantánea de referencia de 2026; los límites de los planes y el enrutamiento de modelos cambian con frecuencia.

Dimensión	ChatGPT Deep Research	Gemini Deep Research	Perplexity Deep Research	Claude Research	Jenova Deep Research
Infraestructura de recuperación	Web abierta y archivos subidos; posteriormente conexiones con MCP y App	Web más Gmail, Drive y Chat opcionales	Búsqueda web iterativa y lectura de documentos	Búsqueda web, conectores y MCP	Combinación de múltiples herramientas: web, Scholar, YouTube, GitHub, Reddit, Maps y búsqueda limitada a sitios
Tiempo de ejecución habitual	5–30 minutos	Minutos; una prueba registró ~15 minutos para 62 fuentes	2–4 minutos	Variable; una prueba registró 261 fuentes en ~6 minutos	Varias rondas; optimizado para controles de cobertura, no para la latencia mínima
Enfoque de citación	Citas documentadas y resumen del razonamiento	Informe con fuentes; opciones de Canvas y audio	Informe con citas y exportación a PDF o Page	Artefactos y rutas de investigación con citas	Citas enlazadas en línea más metodología e índice de fuentes
Puntuación destacada	26,6% en Humanity’s Last Exam	59,0% en DRACO	70,5% en DRACO; 93,9% en SimpleQA	Investigación incluida en Pro; gran volumen de fuentes en pruebas de terceros	Sin clasificación pública en DRACO; diseñado en torno a la triangulación y la señalización de brechas
Precio (en 2026)	Plus desde 20 $/mes; Pro más caro	Google AI Pro, 19,99 $/mes	Gratis con límites; Pro, 20 $/mes	Pro, 20 $/mes; Max, 100–200 $	Gratis con límites; Plus, 20 $/mes (30× de uso); niveles acumulativos superiores
Ideal para	Informes analíticos extensos y compatibles con archivos	Investigación vinculada a Google Workspace	Informes breves con citas y consultas rápidas de datos	Investigaciones extensas con abundantes conectores y contexto	Informes intersectoriales que deben mostrar cómo se recopiló la evidencia

ChatGPT Deep Research

ChatGPT Deep Research destaca como agente de navegación de larga duración que puede adjuntar archivos, utilizar un navegador visual en modo agente y devolver un informe documentado. OpenAI entrenó el sistema con tareas complejas de navegación y razonamiento, y comunicó resultados de vanguardia en GAIA en su lanzamiento, junto con la puntuación del 26,6% en Humanity’s Last Exam.

La misma publicación de lanzamiento es inusualmente franca sobre sus límites. El sistema todavía puede alucinar o realizar inferencias incorrectas, puede tener dificultades para separar el material autorizado de los rumores y a menudo no señala la incertidumbre. El uso también está limitado por el plan; la disponibilidad y el volumen de Deep Research varían según el nivel de ChatGPT.

Gemini Deep Research

Gemini Deep Research destaca cuando la investigación debe combinar evidencia de la web pública con el material propio del usuario en Workspace. El flujo de producto de Google muestra el plan, permite editarlo y después busca y sintetiza, incluidas las conversiones a resúmenes de audio y Canvas.

En pruebas de informes de terceros, Gemini ha liderado en precisión de los datos proporcionados, incluso cuando indexó menos páginas que Claude. Sin embargo, en DRACO, Gemini Deep Research obtuvo 59,0%, por detrás del 70,5% de Perplexity. Es un investigador nativo de Workspace, no necesariamente el sintetizador web abierto con la puntuación más alta.

Perplexity Deep Research

Perplexity Deep Research destaca cuando la velocidad y un resultado con citas importan más que una cobertura exhaustiva de múltiples corpus. Busca, lee y revisa su plan de forma iterativa, y después redacta un informe que puede exportarse o compartirse como Page. Una asignación gratuita limitada se encuentra dentro de Pro, por 20 $ al mes.

DRACO, que se basa en tareas reales de Perplexity, actualmente favorece a Perplexity en la puntuación general. Es una señal útil y también un conflicto de intereses que conviene señalar. El trabajo independiente con tareas también ha mostrado modos de fallo, incluida una ejecución en la que Perplexity produjo un informe detallado, pero ninguna de las tablas solicitadas. La rapidez y la buena citación no equivalen a cumplir completamente la instrucción.

Claude Research

Claude Research destaca para usuarios que ya trabajan en el flujo de Anthropic Pro o Max y necesitan búsqueda web, conectores y síntesis con contexto extenso, en lugar de un agente independiente de 30 minutos con una marca específica. Research figura como una capacidad de Pro, junto con los proyectos, los conectores MCP y la creación de archivos.

En la tarea de cobertura de fuentes de AIMultiple, Claude indexó más páginas que Gemini. En DRACO, Claude Opus 4.6 con búsqueda web y ejecución de código obtuvo 59,8% normalizado, todavía por debajo de Perplexity Deep Research. La amplitud de la recuperación es un punto fuerte de Claude; la puntuación de investigación profunda de principio a fin es más irregular.

Jenova Deep Research

Jenova Deep Research destaca cuando el usuario necesita una investigación que se comporte como un escritorio de investigación, no como un navegador de una sola infraestructura. Confirma el alcance antes de ejecutarse, después busca en múltiples herramientas y tipos de evidencia, evalúa la calidad de las fuentes y redacta un único informe denso con citas en línea, un resumen ejecutivo y un cierre metodológico.

El análisis del modelo de interacción muestra una condición de “terminado” distinta de la investigación mediante chat. El agente está diseñado para diversificar las consultas —fuentes primarias, opiniones contrarias, actualidad frente a contexto histórico—, triangular las afirmaciones y señalar la evidencia escasa o contradictoria en lugar de integrarla en una narrativa segura de sí misma.

Los límites reales son estructurales. No posee un índice académico específico de 138 millones de artículos académicos como el de Elicit, ni lee Gmail o Drive como puede hacerlo Gemini. La investigación exhaustiva en varias rondas es más lenta que los 2–4 minutos predeterminados de Perplexity y no puede ejecutar tareas de supervisión programadas. La comprobación de las citas sigue correspondiendo al lector humano: es una limitación de toda la industria, no una excepción de Jenova.

¿Cómo cambia la fiabilidad de los informes la triangulación de fuentes entre múltiples plataformas?

La triangulación entre múltiples plataformas cambia la fiabilidad porque obliga al agente a considerar insuficiente la idea de “encontré muchos enlaces”, a menos que esos enlaces sean independientes y metodológicamente diferentes. Una afirmación de mercado que aparece en un resumen de noticias, una presentación normativa, un registro de cambios de GitHub y un hilo de profesionales es un objeto diferente de la misma afirmación copiada en diez blogs.

Esta es la principal diferencia de diseño frente a la investigación profunda basada en un único navegador. ChatGPT, Gemini y Perplexity son investigadores web muy capaces. Por defecto, no están obligados a extraer evidencia académica, audiovisual, de código, comunitaria y geográfica como flujos separados. El patrón de investigación de Jenova se basa en esa combinación: primero mapea el panorama web y después emplea herramientas especializadas cuando el tema es empírico, técnico, local o controvertido.

La independencia importa porque el volumen de citas es un indicador indirecto débil de la verdad. El estudio de atribución de 2026 descubrió que, cuando las llamadas a herramientas aumentaban de 2 a 150, la precisión de la verificación factual disminuía aproximadamente un 42% de media, mientras la validez y la relevancia de los enlaces seguían siendo altas. Una búsqueda adicional puede sepultar al modelo bajo texto repetido y aun así dejar incorrecta la afirmación citada.

En la práctica, la triangulación es un control de calidad, no un concurso de número de páginas. Si dos artículos supuestamente independientes citan el mismo comunicado de prensa, cuentan como una sola línea de evidencia. Si una afirmación científica nunca aparece en la literatura académica, un informe basado únicamente en la web debería decirlo. Si los informes de la comunidad contradicen las estadísticas oficiales, ambos deben aparecer en el documento con etiquetas de calidad de fuente.

Los lectores que realizarán trabajos académicos posteriores suelen combinar un agente general de investigación profunda con Academic Research Assistant o Literature Review Assistant, diseñados para descubrir y sintetizar literatura en lugar de investigar la web abierta. Para obtener cobertura de última hora en Google, Reddit, YouTube y superficies similares, Real-Time Search es el complemento más cercano.

¿Cómo debe gestionar un informe de investigación con AI las evidencias contradictorias?

Un informe de investigación con AI debería presentar cada conflicto importante junto con la razón por la que divergen las fuentes y después indicar si el desacuerdo refleja una división real entre expertos o un desequilibrio de evidencia. Enumerar “algunos dicen X y otros dicen Y” sin metodología es simplemente resumir el ruido.

La buena gestión de conflictos identifica el mecanismo. Las estimaciones pueden diferir porque varían las definiciones del mercado, las muestras, los incentivos de financiación o porque un lado cita un conjunto de datos primario y el otro cita un blog sobre ese conjunto de datos. Las propias notas de OpenAI advierten que la investigación profunda puede tener dificultades para distinguir la información autorizada de los rumores. Precisamente ese es el fallo que debe detectar una sección sobre conflictos.

El patrón de informe de Jenova trata el terreno controvertido como una sección principal y no como una nota al pie. Su objetivo es mantener a la vista las evidencias opuestas, explicar por qué discrepan las fuentes y señalar las preguntas que siguen sin respuesta. Esto se acerca más a la evaluación de evidencias que a suavizar una narrativa.

Perplexity y ChatGPT suelen mostrar desacuerdos si la instrucción lo exige, pero los informes orientados a la velocidad tienden a eliminarlos. El plan editable de Gemini resulta útil si el usuario añade “incluye a los reguladores discrepantes y las replicaciones fallidas” antes de la ejecución. El usuario tiene que pedirlo; el incentivo predeterminado del producto es ofrecer una historia limpia.

En temas de alto riesgo —médicos, legales, financieros o de seguridad— la gestión de conflictos no es opcional. Esos informes deben mantenerse en el ámbito informativo, citar primero fuentes institucionales y dejar la decisión en manos de un profesional cualificado. La síntesis con AI no es una autorización.

¿Cómo se debe preparar un briefing para un agente de investigación profunda con AI que produzca un informe listo para tomar decisiones?

Hay que fijar el alcance, el contexto de la decisión y los criterios de éxito antes de la primera búsqueda, y después exigir una pasada de verificación cuando llegue el informe. Las instrucciones vagas producen documentos largos y genéricos que parecen completos y aun así no responden a la decisión.

Un briefing de alto rendimiento incluye cinco restricciones: qué está dentro del alcance, qué queda fuera, qué decisión informa el informe, qué perspectiva tiene prioridad —riesgo, coste, viabilidad o regulación— y cuán reciente debe ser la evidencia. Las preguntas comparativas y las de “lo mejor de” necesitan especialmente esas restricciones, porque una misma instrucción puede generar una guía para consumidores o un memorando institucional de due diligence.

Para Jenova Deep Research, un comienzo habitual es:

Abre el agente en jenova.ai/a/deep-research.
Expón la decisión, no solo el tema:

"Necesito un briefing competitivo de 2026 sobre productos de investigación profunda con AI para un equipo de producto que está eligiendo un proveedor. Compara ChatGPT, Gemini, Perplexity, Claude y herramientas académicas especializadas. Da prioridad a la fiabilidad de las citas y a la diversidad de fuentes por encima de la velocidad. Excluye los agentes de programación. Señala dónde los proveedores se evalúan a sí mismos."
Confirma el alcance reformulado y deja que termine la investigación completa antes de hacer preguntas de seguimiento.
Comprueba de forma selectiva tres citas de alto riesgo en las páginas originales, especialmente los números y las afirmaciones causales.

Para ChatGPT Deep Research, el flujo de OpenAI es similar: selecciona la investigación profunda, adjunta archivos si es necesario y espera entre 5 y 30 minutos mientras una barra lateral registra los pasos y las fuentes. En Gemini, el paso de mayor impacto es editar el plan generado para que las fuentes de Workspace y los subtemas excluidos queden explícitos. En Perplexity, selecciona Deep Research antes de enviar la consulta; el ciclo más corto de 2–4 minutos es una ventaja si el briefing ya está bien delimitado.

Después de recibir el resultado, no trates la bibliografía como un registro completo de todo lo que influyó en la respuesta. Recuperar información no equivale a verificarla. El trabajo de atribución de 2026 es claro: los enlaces funcionales y relevantes aún pueden fallar una comprobación factual. Comprueba las afirmaciones que podrían cambiar la decisión.

¿Qué dicen los metodólogos de la investigación sobre la síntesis de evidencias con AI?

Los metodólogos de la investigación consideran cada vez más la investigación profunda con AI como una capa de recuperación y redacción que todavía falla en la parte más difícil del trabajo académico: atribuir fielmente la información cuando existe una gran carga de datos. La literatura de 2026 sobre atribución de fuentes es más cautelosa que los blogs de producto.

"El problema de las citas en la investigación profunda no son los enlaces rotos. Los modelos de vanguardia ya superan un umbral alto de accesibilidad de URL y relevancia temática. El fallo es el respaldo factual: una gran parte de las afirmaciones citadas no está realmente respaldada por la página a la que apuntan, precisamente la dimensión que a los usuarios menos capacitados les resulta detectar rápidamente."

"También existe un efecto de sobrecarga. Añadir llamadas a herramientas y fuentes puede hacer que un informe parezca más diligente mientras disminuye la precisión de la verificación factual. Esto invierte la idea de producto ingenua de que 'más investigación' siempre es mejor. Para el trabajo de alto riesgo, la estrategia de recuperación debería priorizar fuentes primarias independientes y la verificación a nivel de afirmación, no el número máximo de páginas."

"Hasta que los agentes cierren ese ciclo dentro del proceso, el patrón de uso responsable es dividir el trabajo. Deja que el sistema mapee el panorama, agrupe el consenso y exponga los conflictos. Mantén a una persona pendiente de los números, el lenguaje causal y cualquier contenido que vaya a publicarse, presentarse oficialmente o utilizarse para asignar dinero."

— Equipo de producto de Jenova, diseño de agentes de investigación con AI

Esta interpretación coincide con las declaraciones de los proveedores y los benchmarks de terceros. OpenAI informa de alucinaciones residuales y una mala calibración de la incertidumbre. DRACO concluye que la calidad de la presentación está muy por delante de la precisión factual. La revisión de la categoría realizada por AIMultiple también advierte que los usuarios pueden confiar demasiado en la investigación profunda porque cita fuentes, aunque las alucinaciones persistan.

La implicación metodológica es sencilla. Una cita es una hipótesis sobre el respaldo. No es una prueba de respaldo.

¿Cuándo se debe usar una herramienta de literatura académica en lugar de un agente general de investigación profunda?

Debes utilizar una herramienta de literatura académica cuando la pregunta sea qué demuestra la investigación publicada, y no qué afirma actualmente la web abierta. Los agentes generales de investigación profunda sintetizan la web. No son motores de revisiones sistemáticas.

Elicit es el ejemplo más claro de alternativa académica. Busca más de 138 millones de artículos y 545.000 ensayos clínicos, permite realizar cribados y extraer datos para revisiones sistemáticas, y añade citas a nivel de oración a las afirmaciones generadas. Elicit informa de un ahorro de tiempo de hasta el 80% en revisiones sistemáticas entre sus usuarios. Los flujos de investigación de pago comienzan con [**Pro, por 49 $al mes**](https://elicit.com/pricing), mientras que Scale cuesta 169$ y la opción empresarial tiene un precio personalizado.

Esa ventaja de corpus también es una limitación de alcance. Elicit no es la opción predeterminada adecuada para desglosar un producto de consumo, elaborar una cronología geopolítica o analizar un mercado que vive en presentaciones oficiales, Reddit y GitHub. Esas tareas favorecen a un agente general de investigación profunda.

Una división práctica en 2026:

Investigación de la web abierta, comparación de proveedores, panorama normativo y actualidad → ChatGPT, Gemini, Perplexity, Claude o Jenova Deep Research
Qué muestran los ensayos y los artículos, con características de estudio extraíbles → Elicit o un flujo de trabajo específico para revisiones bibliográficas
Necesitas ambas cosas → ejecuta primero la fase académica y después una fase general de investigación profunda a la que se prohíba tratar los blogs de noticias como si fueran ensayos clínicos

Las evaluaciones comparativas del mercado más amplio de investigación profunda establecen la misma división de categorías: agrupan Elicit con la revisión bibliográfica y los agentes basados en modelos fundacionales con la síntesis intersectorial (la encuesta de herramientas de Kimi de 2026 es uno de esos mapas). Mezclar las categorías sin darse cuenta produce revisiones bibliográficas seguras de sí mismas que nunca consultaron la literatura.

¿Qué limitaciones se deben esperar de la investigación profunda con AI en 2026?

Debes esperar una cobertura impresionante, un respaldo factual irregular, límites de uso basados en planes y ningún sustituto para la comprobación humana de las afirmaciones. Esos límites se aplican a todos los sistemas principales de esta comparación, incluido Jenova.

La atribución sigue siendo la capa débil. Incluso los modelos sólidos de la evaluación de 2026 solo alcanzaron entre el 39% y el 77% de precisión en la verificación factual, y las estimaciones anteriores de alucinaciones en citas entre modelos comerciales oscilan entre el 11% y el 57%. Los informes más extensos de la investigación profunda pueden ocultar ese fallo bajo el formato y las notas al pie.

La velocidad y la profundidad implican un intercambio. Los 2–4 minutos de Perplexity corresponden a un producto diferente de las investigaciones de ChatGPT de 5–30 minutos y de la investigación en varias rondas y con múltiples herramientas. AIMultiple también observó una gran variación en el comportamiento de rastreo, incluido que Grok Deep Search terminaba aproximadamente 10 veces más rápido que ChatGPT Deep Research mientras visitaba unas tres veces más páginas. Más rápido no significa automáticamente más cuidadoso.

El acceso está medido. ChatGPT, Gemini, Perplexity, Claude y Jenova sitúan el modo de investigación intensiva detrás de asignaciones gratuitas o niveles de pago de entre 20 $y 200$. Ninguno de los agentes de consumo analizados aquí ofrece una supervisión autónoma fiable ni repeticiones programadas como garantía central de investigación.

Conviene exponer las limitaciones específicas de Jenova con el mismo criterio. No existe un índice académico nativo a la escala de Elicit, ni un conector de Gmail o Drive como el modelo de Gemini, ni la afirmación de que las citas en línea eliminen la necesidad de abrir las fuentes. En decisiones médicas, legales o financieras, el informe es un análisis informativo, no asesoramiento profesional.

Si se utiliza teniendo presentes estas limitaciones, la investigación profunda con AI es una forma sólida de condensar el mapeo de panoramas, agrupar evidencias y redactar un informe breve con citas. Si se utiliza como un oráculo, es una manera elocuente de equivocarse con notas al pie.