Què és Consensus i quina informació retorna
Consensus és un servei de recerca científica de Consensus NLP, Inc. Permet partir d’una pregunta, localitzar publicacions i obtenir respostes enllaçades amb les fonts utilitzades. La seva unitat de treball és la literatura acadèmica: el resultat útil combina referències, explicacions i elements comparables dels estudis, a més de la conversa amb l’assistent.
Per a un professional que s’inicia en un tema, ajuda a transformar una inquietud àmplia en una primera llista de lectura. Per a algú especialitzat, pot servir per explorar discrepàncies o seguir una línia de recerca. En tots dos casos convé distingir tres productes: els documents recuperats, la interpretació generada i la conclusió que finalment redacta qui investiga. Tenir una referència autèntica només resol el primer d’aquests nivells.
Documentació de referència: Consensus FAQs · Privacy Policy — November 1st, 2026.
Origen i evolució del producte
Christian Salem i Eric Olson van fundar Consensus el 2021; l’empresa identifica actualment San Francisco com a seu. El cercador es va llançar el 2022. El juliol de 2024 va anunciar una sèrie A d’11,5 milions de dòlars liderada per Union Square Ventures. Són fites empresarials, no indicadors de fiabilitat científica.
El Meter va aparèixer el febrer de 2023. Durant el 2025 van arribar Meter 2.0, Threads per continuar converses, Deep Search i anàlisi del text complet quan estava disponible. L’octubre d’aquell any, OpenAI va descriure Scholar Agent com un sistema de diversos agents basat en GPT-5 i Responses API. Aquell cas documenta una arquitectura d’aquell moment, no una llista permanent de models.
El maig de 2026 la documentació va presentar Research Agent com a evolució de Scholar Agent. Les Skills d’octubre van afegir fluxos de recerca preparats. La trajectòria explica el pas de cercar articles i resumir-los a mantenir projectes de lectura i executar tasques enllaçades.
Documentació de referència: About Consensus · Announcing Our $11.5M Series A Fundraise · Consensus Meter: Guardrails and Limitations · Consensus Product Changelog · Consensus uses GPT-5 and the Responses API · Research Agent · How to use Skills.
Com recupera i ordena els articles
L’explicació tècnica del proveïdor descriu una cerca híbrida: similitud semàntica i coincidències de paraules mitjançant BM25. Després reordena els resultats utilitzant rellevància i senyals bibliogràfics. El corpus combina agregadors com Semantic Scholar i OpenAlex, rastreig propi i acords amb editorials.
Aquest disseny planteja una decisió pràctica: una pregunta molt àmplia pot recuperar treballs conceptualment propers però poc aplicables al problema. Una pregunta excessivament estreta pot perdre vocabulari alternatiu. Una estratègia útil és conservar una formulació inicial, explorar sinònims i documentar les ampliacions. No n’hi ha prou amb demanar «els millors estudis»: cal explicar quin resultat, població i tipus de comparació importen.
Les xifres de cobertura publicades en diverses pàgines del proveïdor no sempre coincideixen. Per això, la mida anunciada del corpus no s’utilitza aquí com a garantia d’exhaustivitat ni de disponibilitat de tots els textos complets.
Documentació de referència: How it Works & Consensus FAQ's.
Filtres i criteris de pertinència
Els filtres inclouen data, disseny, població humana o animal, mida mostral, durada, país, revista i accés obert; també permeten excloure preprints. Les etiquetes bibliogràfiques ajuden a acotar, però una revista influent o moltes citacions no validen per si mateixes un resultat.
En una cerca sobre treball, el filtre ha de respondre al protocol i no al resultat que es vol obtenir. Excloure estudis petits pot treure soroll, però també eliminar els únics disponibles per a una activitat molt concreta. Limitar-se a assaigs aleatoritzats pot ser raonable per a una intervenció i poc útil per explorar exposicions que no es poden assignar experimentalment.
Abans de combinar restriccions, convé revisar quins documents desapareixen i per què. Aquesta comprovació permet justificar la selecció a una altra persona i detectar si l’aparent acord prové, en realitat, d’haver estret massa la consulta.
Documentació de referència: Advanced Search Filters.
Com interpretar el Consensus Meter
El Meter classifica entre cinc i vint resultats pertinents en posicions com sí, no, possiblement o mixt. La vista detallada mostra indicadors d’antiguitat, mètode, revista i citacions per posició. Representa el conjunt recuperat, no una votació de tota la comunitat científica.
Un percentatge elevat no expressa una probabilitat que una mesura funcioni en una empresa. Tampoc indica quant canvia un resultat, durant quant de temps o amb quina incertesa. Dos treballs favorables poden mesurar qüestions diferents o procedir de la mateixa cohort. La lectura útil consisteix a obrir cada posició i preguntar quina població, comparació i resultat la sostenen.
Si l’indicador no apareix, no s’ha d’interpretar com a evidència negativa. Pot ser que la pregunta no sigui binària o que no hi hagi prou resultats classificables. Reformular-la per obtenir una barra vistosa no té valor si canvia la pregunta que es pretenia respondre.
Documentació de referència: The Consensus Meter.
Study Snapshot i lectura d'un article
Study Snapshot extreu del resum dades com població, mostra, durada, lloc, mètodes, variables i resultats. Els camps poden quedar buits quan l’abstract no aporta prou informació. La conversa amb textos complets permet treballar sobre articles seleccionats o documents aportats, en els modes habilitats.
El snapshot funciona com una fitxa inicial de lectura. Un camp absent s’ha de mantenir com a desconegut fins a consultar l’original; no es completa per intuïció ni per analogia amb un altre estudi. Convé comprovar especialment si la mostra correspon a participants reclutats, analitzats o seguits fins al final, i si la durada descriu la intervenció o tot el seguiment.
Quan interessa una xifra, la pregunta també ha de demanar-ne el context: grup, unitat, moment de mesura i fragment que la sustenta. Així s’evita traslladar a una taula una estimació correcta però atribuïda al grup equivocat.
Documentació de referència: Using the Study Snapshot · How to Chat With Full Text.
Research Agent, Pro i Deep
Research Agent pot encadenar cerques, rastrejar autors i citacions, localitzar per DOI i comparar estudis. Deep descompon preguntes i acostuma a analitzar fins a cinquanta articles, amb possibilitat d’arribar a cent quan és útil. Són capacitats documentades, no un compromís de localitzar tota l’evidència rellevant.
Pro és adequat per a una exploració acotada; Deep permet dedicar més treball de recuperació i síntesi a una qüestió complexa. Abans d’escollir, és millor definir el lliurable: una llista de candidats, una comparació de mètodes o un mapa d’afirmacions. Demanar un informe llarg sense criteri de selecció pot produir una explicació convincent d’un conjunt incomplet.
Les tasques encadenades requereixen revisar també els passos intermedis. Si una cerca inicial confon «fatiga muscular» amb «somnolència», una síntesi posterior més elaborada pot arrossegar aquesta desviació. La qualitat final depèn d’haver plantejat i comprovat correctament el problema.
Documentació de referència: Research Agent · How to Use Deep review.
Skills i verificació d'afirmacions
Les Skills ofereixen fluxos per revisar un tema, recórrer referències, cercar evidència per a una afirmació i comprovar citacions d’un esborrany. Funcionen amb Deep. A Verify Citations, l’eina relaciona l’afirmació amb un passatge i valora si la font la sustenta, la contradiu o no l’aborda.
Una aplicació editorial raonada consisteix a revisar una frase abans de publicar-la: separar-ne població, intervenció i resultat, localitzar el passatge i comprovar que no se n’ha ampliat l’abast. Per exemple, una afirmació sobre retenció de coneixements no s’hauria de transformar en una afirmació sobre disminució d’accidents.
La cerca inversa de referències també pot introduir biaix si només se sol·licita suport per a una conclusió ja decidida. És preferible demanar evidència favorable, contradictòria i condicions sota les quals l’afirmació deixaria de ser vàlida. L’objectiu és corregir l’argument, no decorar-lo amb citacions.
Documentació de referència: How to use Skills.
Col·leccions, exportació i integracions
My Library organitza articles, cerques i documents en col·leccions; admet importació de referències i permisos de visualització o edició. Les exportacions permeten reutilitzar referències mitjançant CSV, RIS o bibliografies. MCP connecta Consensus amb assistents compatibles, amb autorització prèvia i, en alguns entorns, intervenció de l’administrador.
Per a un equip, convé diferenciar la biblioteca de candidats de la de documents ja revisats. Desar un article no significa aprovar-lo. Una convenció senzilla pot registrar qui va comprovar la referència, quina qüestió respon i on es conserva la nota de lectura. En exportar, revisar duplicats, DOI i versions evita barrejar un preprint amb la publicació posterior.
Si es consulta des d’un altre assistent, cal conservar el vincle amb la cerca científica original. Una segona reformulació pot perdre matisos de la primera resposta. La traçabilitat ha d’arribar fins a l’article i el fragment, no aturar-se en la conversa del sistema connectat.
Documentació de referència: My Library – How to Save Papers and Searches · How to Connect Consensus to Other AI Tools · How to Export Consensus Results to Reference Managers.
Accés, idiomes i elecció de modalitat
Consensus ofereix accés gratuït i modalitats de pagament, incloses opcions institucionals. Les quotes de Deep depenen del pla; no s’ha d’interpretar «Pro il·limitat» com a absència de límits en totes les funcions. Els ajustos permeten seleccionar l’idioma de respostes i resums.
L’elecció s’ha de basar en una mostra de preguntes reals i en el volum mensual previst, incloent-hi repeticions i verificacions. Una institució pot proporcionar accés a l’eina sense concedir accés universal a totes les revistes. Són autoritzacions diferents: utilitzar el cercador, llegir una publicació i reutilitzar-ne el contingut.
Per treballar en castellà o català, convé mantenir també els termes científics originals en revisar les referències. Una traducció fluida pot ocultar diferències entre constructes propers. La fitxa s’ofereix en tres idiomes; això no constitueix una prova d’equivalència del rendiment del producte entre aquests idiomes.
Documentació de referència: How to Use Deep review · Oklahoma State University: Consensus AI-powered Academic Search Engine · Consensus FAQs.
Recepció i límits documentats
La biblioteca d’Oklahoma State University documenta accés institucional a Consensus i el situa com a suport a l’exploració. Adverteix de possibles interpretacions incorrectes, cobertura incompleta i restriccions de text complet. És evidència d’ús institucional i d’orientació bibliotecària, no un assaig que mesuri la precisió general.
Convé distingir tres preguntes d’avaluació: si troba estudis pertinents, si els interpreta correctament i si la síntesi conserva els desacords. Una eina pot funcionar bé en la segona tasca sobre els articles subministrats i fallar en la primera a l’hora de descobrir-los. Comparar respostes sense controlar el conjunt de documents impedeix saber on apareix la diferència.
Per valorar-ne la utilitat local, es pot preparar un petit conjunt de preguntes amb bibliografia coneguda, registrar documents omesos i revisar les afirmacions importants. Aquest exercici és una proposta d’avaluació de Sabentis; no s’ha realitzat com a part d’aquesta fitxa ni permet anticipar un percentatge d’encert.
Documentació de referència: Oklahoma State University: Consensus AI-powered Academic Search Engine.
Dades, documents i privacitat
La política de l’1 de novembre de 2026 indica que consultes, converses i documents es poden processar mitjançant proveïdors de models, i n’exclou l’ús per a entrenament. No equival a afirmar que el contingut no surt mai de Consensus. La política preveu dades de compte, conservació i opcions d’esborrament.
En recerca preventiva sol ser suficient una pregunta general i bibliografia pública. Introduir historials de salut, noms o detalls d’incidents identificables afegeix un tractament d’informació que no és necessari per localitzar estudis. Si es treballa amb documentació interna autoritzada, la decisió ha de considerar què es comparteix, qui pot accedir a la col·lecció i quin servei connectat rep el contingut.
Abans de compartir un projecte, revisar-ne els adjunts evita que una col·lecció d’articles inclogui accidentalment un informe intern. La configuració de l’espai i les condicions contractuals concretes importen tant com la promesa de no entrenament.
Documentació de referència: Privacy Policy — November 1st, 2026.
Relació amb la seguretat i salut en el treball
Els usos següents són propostes de Sabentis. Consensus pot ajudar a explorar recerca sobre mesures preventives, organització del treball i comunicació de riscos. La seva contribució se situa en la preparació d’evidència; l’eina no coneix per si sola les condicions del centre ni demostra l’eficàcia d’una intervenció local.
- Organització i fatiga: separar durada del son, somnolència, percepció de cansament i errors permet evitar que resultats diferents es presentin com a equivalents.
- Formació preventiva: cercar per separat coneixements, conducta observada i resultats de seguretat ajuda a precisar què s’ha mesurat i durant quant de temps.
- Participació: localitzar estudis sobre consulta als treballadors pot aportar preguntes per dissenyar un projecte, diferenciant satisfacció amb la participació de canvis comprovats en exposició.
Un informe útil ha d’explicar quina evidència és directa per a la població d’interès i quina només serveix de context. També ha de conservar resultats discordants i condicions d’aplicació. Si la literatura tracta un sector, jornada o tasca diferents, aquesta distància ha de quedar visible abans de proposar una avaluació a l’organització.
Documentació de referència: Research Agent · Advanced Search Filters.
Cas hipotètic: investigar la fatiga en el treball a torns
En aquest cas hipotètic proposat per Sabentis, s’investiga si determinades intervencions organitzatives s’associen amb menys fatiga en treballadors a torns. El tècnic utilitza els resultats per localitzar els articles, separa estudis observacionals d’intervencions i prepara una síntesi amb les limitacions de l’evidència.
- Definir població, intervenció i resultat: torns rotatius, canvis organitzatius i fatiga mesurada amb instruments identificables.
- Sol·licitar cerques amb sinònims i conservar la consulta, els filtres i la data.
- Demanar una taula amb disseny, mostra, durada, comparador i resultats, incloent-hi treballs amb troballes diferents.
- Obrir els articles i comprovar que la taula reflecteix el resultat concret; una millora del son no demostra per si sola menys accidents.
- Documentar discrepàncies i llacunes abans de proposar una avaluació local.
El lliurable útil és una matriu d’evidència traçable, amb referències comprovades i dubtes explícits, no una xifra aïllada de suport.
Per fer reproduïble la comparació, cal registrar també el criteri d’exclusió. Un estudi sobre cansament en estudiants pot explicar un mecanisme, però no respondre directament a una pregunta sobre treballadors nocturns. Separar evidència directa de contextual evita donar-los el mateix pes. Si l’assistent proposa una conclusió general, cal demanar quins articles concrets la sostenen i quin resultat va mesurar cadascun.
Abans de tancar l’informe, cal revisar si els estudis comparats utilitzen escales i períodes compatibles. Una diferència estadística no indica automàticament una millora rellevant per al lloc; convé conservar magnituds i incertesa quan estiguin disponibles a l’original.
Documentació de referència: Research Agent · Advanced Search Filters · Using the Study Snapshot.
Què no permet concloure l'eina
Ni el Meter ni un informe extens substitueixen una revisió sistemàtica amb protocol, cerques reproduïbles i valoració explícita del risc de biaix. Tampoc l’absència d’un article als resultats demostra que no existeixi. L’abast depèn de la consulta, els filtres, la indexació i l’accés disponible.
En una síntesi per a SST, tres errors mereixen atenció: comptabilitzar diverses publicacions de la mateixa mostra com a confirmacions independents; convertir associacions en efectes causals; i traslladar resultats entre poblacions sense examinar-ne les diferències. Són problemes d’interpretació que poden persistir encara que tots els DOI siguin correctes.
La conclusió ha de distingir què s’ha trobat, què ha quedat sense comprovar i què necessitaria recerca addicional. Una explicació matisada pot ser menys contundent que una resposta automàtica, però permet decidir quina informació falta abans d’actuar.
Documentació de referència: The Consensus Meter · Oklahoma State University: Consensus AI-powered Academic Search Engine.
Quan escollir-lo i amb què complementar-lo
Convé triar Consensus quan la necessitat principal sigui explorar una pregunta científica i seguir connexions entre articles. Elicit pot complementar una extracció planificada per columnes, i Scite ajuda a examinar com se cita un treball. Comparar resultats implica revisar el corpus i la pregunta, no votar entre respostes d’assistents.
Documentació de referència: Research Agent.
Preguntes freqüents
El Meter demostra consens científic?
No. Resumeix classificacions d’un conjunt de resultats; la qualitat, independència i pertinència dels estudis continuen necessitant valoració.
Serveix per trobar un article conegut?
Research Agent documenta consultes per DOI i autor. Convé contrastar títol, any i publicació per evitar confondre versions.
Pot justificar directament una mesura preventiva?
Pot ajudar a localitzar evidència. La decisió exigeix valorar el context de treball, les alternatives i la qualitat d’aquesta evidència.
Documentació de referència: Research Agent · The Consensus Meter.
