Analizó datos públicos de la NASA con Claude Code y encontró un posible planeta que nadie había reportado

Qué hizo

El autor revisaba con Claude Code datos públicos del telescopio espacial TESS de la NASA cuando notó algo raro en una estrella a unos 116 años luz: cada 3,18 días su brillo bajaba un 0,05 % durante unas dos horas. Esa es la señal típica de un planeta que pasa por delante de su estrella. Buscó hacia atrás y la misma caída aparecía en observaciones de 2020 y de 2018. Si es un planeta, sería unas 1,4 veces el tamaño de la Tierra.

El agente hizo el trabajo pesado: descargar y leer los datos, escribir el código de búsqueda, ajustar las curvas, revisar estrellas cercanas, buscar señales que pudieran ser falsas alarmas y generar los gráficos. El autor decidía qué preguntas hacer y qué contaba como aprobado o reprobado. Para revisar el trabajo usó otras sesiones de IA que empezaban desde cero y solo podían leer, sin modificar nada. En dos semanas fueron 74 análisis y más de mil scripts.

Su aprendizaje principal: con la IA no hay que preguntar “¿es un planeta?”, sino darle formas de demostrar que no lo es. Su prueba favorita fue esconder un año completo de datos, calcular la órbita con los otros dos y predecir cuándo debían aparecer las caídas en el año escondido. Acertó las tres veces. Las revisiones también encontraron un error estadístico suyo, que corrigió.

Revisó 36 catálogos y más de 340.000 alertas automáticas y no encontró la señal reportada. Pidió tiempo de observación al programa de TESS, se lo aprobaron, y publicó por adelantado las fechas exactas en que deberían verse las caídas. Por ahora es un candidato, no un planeta confirmado.

El prompt

Prompt reconstruido por Copia y Crea a partir del método que describe el autor (no publicó sus prompts).

Tengo una hipótesis: [DESCRIBE LO QUE CREES QUE MUESTRAN LOS DATOS].
Los datos están en [ARCHIVO O FUENTE].

No quiero que confirmes mi hipótesis: quiero que intentes demostrar que es falsa.
1. Lista todas las explicaciones alternativas que podrían producir el mismo resultado.
2. Para cada una, propone una prueba concreta que la descarte o la confirme, y define antes de ejecutarla qué resultado cuenta como aprobado o reprobado.
3. Ejecuta las pruebas una por una y muéstrame los resultados con gráficos.
4. Separa una parte de los datos que no usarás hasta el final; con el resto, haz una predicción y luego compruébala con la parte separada.
5. Señala cualquier afirmación mía que sea más fuerte de lo que los datos permiten.

Cómo replicarlo

1. Elige un conjunto de datos públicos que te interese (clima, economía, astronomía, salud pública).
2. Usa Claude Code o ChatGPT con análisis de datos para explorarlo y formular una pregunta concreta.
3. Antes de celebrar un hallazgo, usa el prompt para intentar refutarlo.
4. Pide a una sesión nueva (o a otra IA) que revise el análisis sin poder modificarlo.
5. Publica tus predicciones antes de tener los datos nuevos, para que nadie pueda decir que las ajustaste después.

Ideas para adaptarlo

• Pymes: comprobar si una caída de ventas es real o solo estacional antes de tomar decisiones.
• Periodistas y estudiantes: analizar datos abiertos del gobierno con el mismo método de “intentar refutar”.
• Marketing: validar si una campaña realmente funcionó, separando un periodo de datos para comprobar la predicción.