Aquí tienes una historia analítica de detectives: un producto tiene 5 millones de MAU y un 80% DAU / MAU. ¿Es saludable? La mayoría de la gente, así como tu LLM, dirían: ¡vaya, producto muy bueno! Ahora añade un dato más: Duración media diaria de la sesión: 30 segundos De repente, la historia cambia. Quizá los usuarios solo están revisando una notificación y rebotando. Quizá sea un compromiso superficial y reflexivo, no un verdadero valor del producto. Pero añade un dato más: es una aplicación de pagos ¡Ahora 30 segundos parecen totalmente normales! Abre la app, envía dinero, cierra la app. Las mismas métricas, pero con interpretaciones completamente diferentes. Este es uno de los mayores problemas del análisis por IA. La IA no se detiene de forma fiable y dice: "No tengo suficiente información para saberlo." En cambio, rellena los vacíos con la historia estadísticamente más plausible que ha visto antes. Por eso las entradas escasas producen salidas genéricas pero seguras. ¿La solución a esto? Contexto ortogonal: hechos independientes que reducen la ambigüedad desde diferentes direcciones. Lee nuestro último ensayo en Opinión Intelectual sobre la idea de Contexto Ortogonal.