Qué es Consensus y qué información devuelve
Consensus es un servicio de investigación científica de Consensus NLP, Inc. Permite partir de una pregunta, localizar publicaciones y obtener respuestas enlazadas con las fuentes utilizadas. Su unidad de trabajo es la literatura académica: el resultado útil combina referencias, explicaciones y elementos comparables de los estudios, además de la conversación con el asistente.
Para un profesional que entra en un tema nuevo, ayuda a transformar una inquietud amplia en una primera lista de lectura. Para alguien especializado, puede servir para explorar discrepancias o seguir una línea de investigación. En ambos casos conviene distinguir tres productos: los documentos recuperados, la interpretación generada y la conclusión que finalmente redacta quien investiga. Tener una referencia auténtica solo resuelve el primero de esos niveles.
Documentación de referencia: Consensus FAQs · Privacy Policy — November 1st, 2026.
Origen y evolución del producto
Christian Salem y Eric Olson fundaron Consensus en 2021; la empresa identifica actualmente San Francisco como su sede. El buscador se lanzó en 2022. En julio de 2024 anunció una serie A de 11,5 millones de dólares liderada por Union Square Ventures. Son hitos empresariales, no indicadores de fiabilidad científica.
El Meter apareció en febrero de 2023. Durante 2025 llegaron Meter 2.0, Threads para continuar conversaciones, Deep Search y análisis del texto completo cuando estaba disponible. En octubre de ese año, OpenAI describió Scholar Agent como un sistema de varios agentes basado en GPT-5 y Responses API. Ese caso documenta una arquitectura de aquel momento, no una lista permanente de modelos.
En mayo de 2026 la documentación presentó Research Agent como evolución de Scholar Agent. Las Skills de octubre añadieron flujos de investigación preparados. La trayectoria explica el paso de buscar artículos y resumirlos a mantener proyectos de lectura y ejecutar tareas enlazadas.
Documentación de referencia: 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.
Cómo recupera y ordena los artículos
La explicación técnica del proveedor describe búsqueda híbrida: similitud semántica y coincidencias de palabras mediante BM25. Después reordena resultados utilizando relevancia y señales bibliográficas. El corpus combina agregadores como Semantic Scholar y OpenAlex, rastreo propio y acuerdos con editoriales.
Este diseño plantea una decisión práctica: una pregunta muy amplia puede recuperar trabajos conceptualmente cercanos pero poco aplicables al problema. Una pregunta excesivamente estrecha puede perder vocabulario alternativo. Una estrategia útil es conservar una formulación inicial, explorar sinónimos y documentar las ampliaciones. No basta con pedir «los mejores estudios»: hay que explicar qué resultado, población y tipo de comparación importan.
Las cifras de cobertura publicadas en distintas páginas del proveedor no siempre coinciden. Por ello, el tamaño anunciado del corpus no se utiliza aquí como garantía de exhaustividad ni de disponibilidad de todos los textos completos.
Documentación de referencia: How it Works & Consensus FAQ's.
Filtros y criterios de pertinencia
Los filtros abarcan fecha, diseño, población humana o animal, tamaño muestral, duración, país, revista y acceso abierto; también permiten excluir preprints. Las etiquetas bibliográficas ayudan a acotar, pero una revista influyente o muchas citas no validan por sí mismas un resultado.
En una búsqueda sobre trabajo, el filtro debe responder al protocolo y no al resultado que se desea obtener. Excluir estudios pequeños puede quitar ruido, pero también eliminar los únicos disponibles para una actividad muy concreta. Limitar a ensayos aleatorizados puede resultar razonable para una intervención y poco útil para explorar exposiciones que no pueden asignarse experimentalmente.
Antes de combinar restricciones, conviene revisar qué documentos desaparecen y por qué. Esa comprobación permite justificar la selección a otra persona y detectar si el aparente acuerdo proviene, en realidad, de haber estrechado demasiado la consulta.
Documentación de referencia: Advanced Search Filters.
Cómo interpretar el Consensus Meter
El Meter clasifica entre cinco y veinte resultados pertinentes en posiciones como sí, no, posiblemente o mixto. Su vista detallada muestra indicadores de antigüedad, método, revista y citas por posición. Representa el conjunto recuperado, no una votación de toda la comunidad científica.
Un porcentaje elevado no expresa una probabilidad de que una medida funcione en una empresa. Tampoco indica cuánto cambia un resultado, durante cuánto tiempo o con qué incertidumbre. Dos trabajos favorables pueden medir cuestiones distintas o proceder de la misma cohorte. La lectura útil consiste en abrir cada posición y preguntar qué población, comparación y desenlace la sostienen.
Si el indicador no aparece, no debe interpretarse como evidencia negativa. Puede que la pregunta no sea binaria o que no haya suficientes resultados clasificables. Reformular para obtener una barra vistosa carece de valor si cambia la pregunta que se pretendía responder.
Documentación de referencia: The Consensus Meter.
Study Snapshot y lectura de un artículo
Study Snapshot extrae del resumen datos como población, muestra, duración, lugar, métodos, variables y resultados. Los campos pueden quedar vacíos cuando el abstract no aporta información suficiente. La conversación con textos completos permite trabajar sobre artículos seleccionados o documentos aportados, en los modos habilitados.
El snapshot funciona como una ficha inicial de lectura. Un campo ausente debe mantenerse como desconocido hasta consultar el original; no se completa por intuición ni por analogía con otro estudio. Conviene comprobar especialmente si la muestra corresponde a participantes reclutados, analizados o seguidos hasta el final, y si la duración describe la intervención o todo el seguimiento.
Cuando interesa una cifra, la pregunta debe pedir también su contexto: grupo, unidad, momento de medición y fragmento que la respalda. Así se evita trasladar a una tabla una estimación correcta pero atribuida al grupo equivocado.
Documentación de referencia: Using the Study Snapshot · How to Chat With Full Text.
Research Agent, Pro y Deep
Research Agent puede encadenar búsquedas, rastrear autores y citas, localizar por DOI y comparar estudios. Deep descompone preguntas y suele analizar hasta cincuenta artículos, con posibilidad de llegar a cien cuando resulta útil. Son capacidades documentadas, no un compromiso de localizar toda la evidencia relevante.
Pro resulta adecuado para una exploración acotada; Deep permite dedicar más trabajo de recuperación y síntesis a una cuestión compleja. Antes de elegir, es mejor definir el entregable: una lista de candidatos, una comparación de métodos o un mapa de afirmaciones. Pedir un informe largo sin criterio de selección puede producir una explicación convincente de un conjunto incompleto.
Las tareas encadenadas requieren revisar también los pasos intermedios. Si una búsqueda inicial confunde «fatiga muscular» con «somnolencia», una síntesis posterior más elaborada puede arrastrar esa desviación. La calidad final depende de haber planteado y comprobado correctamente el problema.
Documentación de referencia: Research Agent · How to Use Deep review.
Skills y verificación de afirmaciones
Las Skills ofrecen flujos para revisar un tema, recorrer referencias, buscar evidencia para una afirmación y comprobar citas de un borrador. Funcionan con Deep. En Verify Citations, la herramienta relaciona la afirmación con un pasaje y valora si la fuente la respalda, contradice o no la aborda.
Una aplicación editorial razonada consiste en revisar una frase antes de publicarla: separar su población, intervención y resultado, localizar el pasaje y comprobar que no se ha ampliado su alcance. Por ejemplo, una afirmación sobre retención de conocimientos no debería transformarse en una afirmación sobre disminución de accidentes.
La búsqueda inversa de referencias también puede introducir sesgo si solo se solicita apoyo para una conclusión ya decidida. Es preferible pedir evidencia favorable, contradictoria y condiciones bajo las cuales la afirmación dejaría de ser válida. El objetivo es corregir el argumento, no decorarlo con citas.
Documentación de referencia: How to use Skills.
Colecciones, exportación e integraciones
My Library organiza artículos, búsquedas y documentos en colecciones; admite importación de referencias y permisos de visualización o edición. Las exportaciones permiten reutilizar referencias mediante CSV, RIS o bibliografías. MCP conecta Consensus con asistentes compatibles, previa autorización y, en algunos entornos, intervención del administrador.
Para un equipo, conviene diferenciar la biblioteca de candidatos de la de documentos ya revisados. Guardar un artículo no significa aprobarlo. Una convención sencilla puede registrar quién comprobó la referencia, qué cuestión responde y dónde se conserva la nota de lectura. Al exportar, revisar duplicados, DOI y versiones evita mezclar un preprint con su publicación posterior.
Si se consulta desde otro asistente, hay que conservar el vínculo con la búsqueda científica original. Una segunda reformulación puede perder matices de la primera respuesta. La trazabilidad debe llegar hasta el artículo y el fragmento, no detenerse en la conversación del sistema conectado.
Documentación de referencia: My Library – How to Save Papers and Searches · How to Connect Consensus to Other AI Tools · How to Export Consensus Results to Reference Managers.
Acceso, idiomas y elección de modalidad
Consensus ofrece acceso gratuito y modalidades de pago, incluidas opciones institucionales. Las cuotas de Deep dependen del plan; no debe interpretarse «Pro ilimitado» como ausencia de límites en todas las funciones. Los ajustes permiten seleccionar el idioma de respuestas y resúmenes.
La elección debe basarse en una muestra de preguntas reales y en el volumen mensual previsto, incluyendo repeticiones y verificaciones. Una institución puede proporcionar acceso a la herramienta sin conceder acceso universal a todas las revistas. Son autorizaciones distintas: usar el buscador, leer una publicación y reutilizar su contenido.
Para trabajar en español o catalán, conviene mantener también los términos científicos originales al revisar las referencias. Una traducción fluida puede ocultar diferencias entre constructos próximos. La ficha se ofrece en tres idiomas; ello no constituye una prueba de equivalencia del rendimiento del producto entre esos idiomas.
Documentación de referencia: How to Use Deep review · Oklahoma State University: Consensus AI-powered Academic Search Engine · Consensus FAQs.
Recepción y límites documentados
La biblioteca de Oklahoma State University documenta acceso institucional a Consensus y lo sitúa como apoyo a la exploración. Advierte de posibles interpretaciones incorrectas, cobertura incompleta y restricciones de texto completo. Es evidencia de uso institucional y de orientación bibliotecaria, no un ensayo que mida precisión general.
Conviene distinguir tres preguntas de evaluación: si encuentra estudios pertinentes, si los interpreta correctamente y si la síntesis conserva los desacuerdos. Una herramienta puede funcionar bien en la segunda tarea sobre los artículos suministrados y fallar en la primera al descubrirlos. Comparar respuestas sin controlar el conjunto de documentos impide saber dónde aparece la diferencia.
Para valorar su utilidad local, puede prepararse un pequeño conjunto de preguntas con bibliografía conocida, registrar documentos omitidos y revisar las afirmaciones importantes. Ese ejercicio es una propuesta de evaluación de Sabentis; no se ha realizado como parte de esta ficha ni permite anticipar un porcentaje de acierto.
Documentación de referencia: Oklahoma State University: Consensus AI-powered Academic Search Engine.
Datos, documentos y privacidad
La política del 1 de noviembre de 2026 indica que consultas, conversaciones y documentos pueden procesarse mediante proveedores de modelos, y excluye su uso para entrenamiento. No equivale a afirmar que el contenido nunca sale de Consensus. La política contempla datos de cuenta, conservación y opciones de borrado.
En investigación preventiva suele bastar una pregunta general y bibliografía pública. Introducir historiales de salud, nombres o detalles de incidentes identificables añade un tratamiento de información que no es necesario para localizar estudios. Si se trabaja con documentación interna autorizada, la decisión debe considerar qué se comparte, quién puede acceder a la colección y qué servicio conectado recibe el contenido.
Antes de compartir un proyecto, revisar sus adjuntos evita que una colección de artículos incluya accidentalmente un informe interno. La configuración del espacio y las condiciones contractuales concretas importan tanto como la promesa de no entrenamiento.
Documentación de referencia: Privacy Policy — November 1st, 2026.
Relación con la seguridad y salud en el trabajo
Los siguientes usos son propuestas de Sabentis. Consensus puede ayudar a explorar investigación sobre medidas preventivas, organización del trabajo y comunicación de riesgos. Su contribución se sitúa en la preparación de evidencia; la herramienta no conoce por sí sola las condiciones del centro ni demuestra la eficacia de una intervención local.
- Organización y fatiga: separar duración del sueño, somnolencia, percepción de cansancio y errores permite evitar que resultados distintos se presenten como equivalentes.
- Formación preventiva: buscar por separado conocimientos, conducta observada y resultados de seguridad ayuda a precisar qué se ha medido y durante cuánto tiempo.
- Participación: localizar estudios sobre consulta a trabajadores puede aportar preguntas para diseñar un proyecto, diferenciando satisfacción con la participación de cambios comprobados en exposición.
Un informe útil debe explicar qué evidencia es directa para la población de interés y cuál sirve solo de contexto. También debe conservar resultados discordantes y condiciones de aplicación. Si la literatura trata un sector, jornada o tarea distintos, esa distancia debe quedar visible antes de proponer una evaluación en la organización.
Documentación de referencia: Research Agent · Advanced Search Filters.
Caso hipotético: investigar fatiga en trabajo a turnos
En este caso hipotético propuesto por Sabentis, se investiga si determinadas intervenciones organizativas se asocian con menor fatiga en trabajadores a turnos. El técnico utiliza los resultados para localizar los artículos, separa estudios observacionales de intervenciones y prepara una síntesis con las limitaciones de la evidencia.
- Definir población, intervención y resultado: turnos rotativos, cambios organizativos y fatiga medida con instrumentos identificables.
- Solicitar búsquedas con sinónimos y conservar la consulta, los filtros y la fecha.
- Pedir una tabla con diseño, muestra, duración, comparador y resultados, incluyendo trabajos con hallazgos distintos.
- Abrir los artículos y comprobar que la tabla refleja el resultado concreto; una mejora del sueño no demuestra por sí sola menos accidentes.
- Documentar discrepancias y lagunas antes de proponer una evaluación local.
El entregable útil es una matriz de evidencia trazable, con referencias comprobadas y dudas explícitas, no una cifra aislada de apoyo.
Para hacer reproducible la comparación, registrar también el criterio de exclusión. Un estudio sobre cansancio en estudiantes puede explicar un mecanismo, pero no responder directamente a una pregunta sobre trabajadores nocturnos. Separar evidencia directa de contextual evita darles el mismo peso. Si el asistente propone una conclusión general, pedir qué artículos concretos la sostienen y qué resultado midió cada uno.
Antes de cerrar el informe, revisar si los estudios comparados utilizan escalas y periodos compatibles. Una diferencia estadística no indica automáticamente una mejora relevante para el puesto; conviene conservar magnitudes e incertidumbre cuando estén disponibles en el original.
Documentación de referencia: Research Agent · Advanced Search Filters · Using the Study Snapshot.
Qué no permite concluir la herramienta
Ni el Meter ni un informe extenso sustituyen una revisión sistemática con protocolo, búsquedas reproducibles y valoración explícita del riesgo de sesgo. Tampoco la ausencia de un artículo en los resultados demuestra que no exista. El alcance depende de la consulta, filtros, indexación y acceso disponible.
En una síntesis para SST, tres errores merecen atención: contabilizar varias publicaciones de la misma muestra como confirmaciones independientes; convertir asociaciones en efectos causales; y trasladar resultados entre poblaciones sin examinar sus diferencias. Son problemas de interpretación que pueden persistir aunque todos los DOI sean correctos.
La conclusión debe distinguir lo que se encontró, lo que quedó sin comprobar y lo que necesitaría investigación adicional. Una explicación matizada puede ser menos contundente que una respuesta automática, pero permite decidir qué información falta antes de actuar.
Documentación de referencia: The Consensus Meter · Oklahoma State University: Consensus AI-powered Academic Search Engine.
Cuándo elegirlo y con qué complementarlo
Elegir Consensus cuando la necesidad principal sea explorar una pregunta científica y seguir conexiones entre artículos. Elicit puede complementar una extracción planificada por columnas, y Scite ayuda a examinar cómo se cita un trabajo. Comparar resultados implica revisar el corpus y la pregunta, no votar entre respuestas de asistentes.
Documentación de referencia: Research Agent.
Preguntas frecuentes
¿El Meter demuestra consenso científico?
No. Resume clasificaciones de un conjunto de resultados; la calidad, independencia y pertinencia de los estudios siguen necesitando valoración.
¿Sirve para encontrar un artículo conocido?
Research Agent documenta consultas por DOI y autor. Conviene contrastar título, año y publicación para evitar confundir versiones.
¿Puede justificar directamente una medida preventiva?
Puede ayudar a localizar evidencia. La decisión exige valorar el contexto del trabajo, las alternativas y la calidad de esa evidencia.
Documentación de referencia: Research Agent · The Consensus Meter.
