Tu IA no necesita más prompts: necesita memoria, pruebas y criterios
Hace unos días estuve reunido con varios equipos de EmprendeComp para ver cómo avanzaba el trabajo que estaba desarrollando cada uno, comprobar si necesitaban mi ayuda y detectar posibles dificultades en la elaboración de sus materiales pedagógicos. En total, el proyecto cuenta con 40 equipos, y todos ellos habían recibido indicaciones, directrices claras sobre cómo proceder y, además, dos talleres específicos sobre cómo utilizar la inteligencia artificial en ese proceso. Sin embargo, a pesar de partir de un marco común, los resultados que estaban obteniendo eran muy diferentes.
Y esto, que podría parecer simplemente una cuestión de habilidad individual, creo que refleja bastante bien el momento en el que nos encontramos con la inteligencia artificial.
Porque todos los equipos tenían acceso a herramientas parecidas. Todos habían recibido una orientación inicial. Todos sabían, al menos en teoría, qué tipo de materiales debían elaborar. Todos habían escuchado recomendaciones sobre cómo pedir ayuda a la IA, cómo formular instrucciones, cómo revisar las respuestas y cómo evitar quedarse con el primer resultado. Y, aun así, cuando uno observa el trabajo desarrollado, se da cuenta de que la diferencia no está únicamente en haber asistido a un taller o en conocer cuatro o cinco indicaciones básicas para escribir un buen prompt.
La diferencia está en otra parte.
Está en cómo cada equipo ha sido capaz de traducir esas indicaciones en una forma de trabajo. Está en cómo han organizado la información. En cómo han definido sus criterios. En cómo han revisado lo que la IA les devolvía. En cómo han documentado sus decisiones. En cómo han aprendido de los errores. En cómo han convertido una herramienta aparentemente sencilla en un verdadero apoyo para pensar, diseñar y construir materiales con sentido.
Y ahí es donde aparece una idea que, cuanto más trabajo con inteligencia artificial, más clara tengo: el salto profesional no consiste en escribir mejores prompts, sino en diseñar mejores sistemas de trabajo con IA.
Durante los últimos años hemos hablado muchísimo de prompts. Era lógico. Para muchas personas, la primera puerta de entrada a la inteligencia artificial generativa fue descubrir que la forma de pedir importaba. No era lo mismo escribir una frase vaga que dar contexto. No era lo mismo pedir “hazme una actividad” que explicar para quién era, con qué objetivo, en qué formato, con qué duración, desde qué enfoque pedagógico y con qué criterios de evaluación. De pronto, nos dimos cuenta de que una instrucción más cuidada podía producir una respuesta bastante mejor.
Y así empezó una pequeña fiebre del prompt.
Prompts para escribir artículos. Prompts para diseñar clases. Prompts para crear publicaciones. Prompts para resumir documentos. Prompts para vender más. Prompts para ser más productivos. Prompts para pensar mejor. Prompts para ahorrar tiempo. Prompts, prompts y más prompts.
No seré yo quien diga que los prompts no son importantes. Lo son. Saber formular una buena petición sigue siendo una competencia necesaria. Pero creo que, si nos quedamos ahí, nos quedamos muy cortos. Porque una cosa es aprender a pedirle algo a la IA y otra muy distinta es aprender a trabajar con IA.
Y trabajar con IA exige algo más que una buena frase de entrada.
Exige memoria, pruebas y criterios.
Cuando abrimos un nuevo chat con una herramienta de inteligencia artificial solemos sentir una comodidad extraña. Todo está limpio. Todo parece disponible. No hay ruido, no hay historial visible, no hay fricción. Es como entrar en una habitación recién ordenada, con una mesa vacía, esperando que coloquemos encima los materiales con los que vamos a trabajar.
Pero esa limpieza tiene un precio: cada conversación nueva es, en cierto modo, una pequeña amnesia.
La IA no sabe qué decidimos ayer. No sabe qué enfoque descartamos hace una semana. No sabe qué directrices concretas hemos recibido. No sabe qué acuerdos tomó el equipo. No sabe qué errores ya corregimos. No sabe qué estilo queremos mantener. No sabe qué parte del material debe ser más experiencial, cuál más conceptual, cuál más práctica o cuál debe estar alineada con un marco pedagógico determinado.
Entonces volvemos a empezar. Le explicamos de nuevo el contexto. Le contamos otra vez qué estamos haciendo. Pegamos documentos. Añadimos instrucciones. Corregimos el tono. Le pedimos que no sea tan genérica. Le decimos que profundice. Le recordamos que no invente. Le insistimos en que adapte el contenido al público destinatario. Y cuando por fin parece que la conversación empieza a funcionar, cerramos el ordenador.
Al día siguiente, vuelta a empezar.
Esto no es un problema menor. Es una de las grandes limitaciones del uso improvisado de la inteligencia artificial. Nos puede ayudar mucho en una tarea concreta, sí, pero si no construimos continuidad, cada uso se convierte en un pequeño experimento aislado. Algunas veces sale bien. Otras regular. Otras nos hace perder más tiempo del que esperábamos. Y, en muchos casos, terminamos culpando a la herramienta cuando quizá el problema está en que no hemos diseñado el taller de trabajo.
Me gusta utilizar esta imagen: el prompt es una instrucción, el flujo es una secuencia, pero el sistema es un taller.
Un prompt puede decir: “diseña una actividad para trabajar la competencia emprendedora”. Un flujo puede ordenar varios pasos: primero analiza el objetivo, después propone una dinámica, luego adapta el lenguaje, más tarde crea una rúbrica y finalmente sugiere una forma de evaluación. Pero un taller tiene algo más. Tiene materiales de entrada. Tiene herramientas. Tiene criterios de calidad. Tiene versiones. Tiene memoria de decisiones anteriores. Tiene ejemplos de referencia. Tiene una forma de revisar el resultado. Tiene aprendizajes acumulados.
En un taller no se empieza desde cero cada mañana. Se continúa.
Y esta palabra, continuar, es fundamental cuando hablamos de trabajo profesional con IA. Porque el trabajo real rara vez consiste en producir piezas aisladas sin relación entre sí. Un equipo que desarrolla materiales pedagógicos no necesita simplemente generar textos, actividades o fichas sueltas. Necesita construir coherencia. Necesita respetar un marco común. Necesita alinear el tono, los objetivos, las competencias, la metodología, la secuencia de aprendizaje y la experiencia final que vivirá quien utilice esos materiales.
Si cada conversación con la IA se vive como una improvisación nueva, la coherencia se resiente. Puede haber buenas ideas, claro. Puede haber párrafos bien redactados. Puede haber propuestas interesantes. Pero el conjunto empieza a parecer irregular. Una actividad tiene un nivel de profundidad, otra parece pensada para otro público, otra utiliza un tono distinto, otra se aleja del objetivo inicial y otra incorpora elementos que suenan bien, pero que no terminan de encajar.
Y esto no ocurre porque la IA sea inútil. Ocurre porque la IA, sin contexto estable, sin memoria organizada y sin criterios claros, tiende a rellenar huecos con patrones generales.
Por eso, cuando hablamos de memoria, no deberíamos pensar únicamente en que una herramienta “recuerde cosas”. La memoria profesional es algo más delicado. No se trata de guardarlo todo, porque guardar todo también puede ser un problema. Una memoria sin criterio puede convertirse en ruido. Puede arrastrar errores. Puede mezclar versiones. Puede conservar información que ya no sirve. Puede dar demasiada importancia a una decisión puntual que solo tenía sentido en un momento concreto.
La memoria útil no consiste en acumular, sino en seleccionar.
Qué merece ser recordado. Qué debe actualizarse. Qué conviene eliminar. Qué documento funciona como referencia principal. Qué directriz es estructural. Qué ejemplo representa bien el tipo de resultado que buscamos. Qué errores se han repetido y, por tanto, conviene tener presentes. Qué información es sensible y no debería compartirse. Qué parte del proceso debe permanecer bajo revisión humana.
En el caso de un proyecto como EmprendeComp, por ejemplo, la memoria no debería limitarse a guardar documentos. La memoria debería ayudar a sostener una manera común de trabajar. Debería recoger las directrices acordadas, los criterios pedagógicos, los ejemplos de materiales bien resueltos, las dudas frecuentes, las decisiones tomadas en reuniones, las correcciones más habituales y los aprendizajes que van apareciendo a medida que los equipos avanzan.
Porque cuando esa memoria existe, la IA deja de ser una especie de interlocutor ocasional al que cada vez hay que explicarle todo. Empieza a convertirse en una herramienta integrada en un proceso. No porque piense por nosotros, sino porque nos ayuda a trabajar sobre una base más ordenada.
Ahora bien, la memoria por sí sola tampoco basta. Hace falta probar.
Y aquí solemos fallar bastante.
Nos impresionamos con facilidad. Si una IA nos devuelve una respuesta bien escrita, tendemos a pensar que es buena. Si estructura un contenido de forma ordenada, nos parece útil. Si utiliza un tono convincente, bajamos la guardia. Y si además lo hace rápido, entonces la tentación de aceptar el resultado aumenta todavía más.
Pero un texto fluido no es necesariamente un buen texto. Una actividad aparentemente creativa no es necesariamente una buena actividad pedagógica. Una rúbrica bien presentada no es necesariamente una rúbrica adecuada. Un resumen claro no es necesariamente fiel. Una propuesta convincente no es necesariamente pertinente.
La IA tiene una enorme capacidad para sonar segura incluso cuando se equivoca, simplifica, inventa, generaliza o pierde matices. Por eso, si queremos trabajar de forma seria con estas herramientas, necesitamos introducir pruebas. No pruebas complicadas, ni procesos técnicos inabarcables, sino pequeñas formas de comprobar si el sistema responde como necesitamos.
En un equipo que desarrolla materiales, una prueba puede ser comparar varias respuestas de la IA ante el mismo tipo de tarea. Puede ser revisar si una actividad cumple realmente con los objetivos definidos. Puede ser comprobar si el lenguaje es adecuado para el público destinatario. Puede ser verificar si los contenidos están alineados con las directrices del proyecto. Puede ser preguntarse si la propuesta favorece una experiencia de aprendizaje o si se queda en una simple acumulación de instrucciones.
También puede ser conservar algunos casos de referencia. Una ficha bien resuelta, una actividad que encaja especialmente bien, una explicación clara, una rúbrica adecuada. Y, junto a eso, guardar también ejemplos de lo que no queremos. Textos demasiado genéricos, actividades poco aplicables, propuestas que suenan bien pero no aterrizan, materiales que pierden el enfoque pedagógico o que convierten la IA en una máquina de producir relleno.
Esto, que puede parecer un detalle menor, cambia mucho la forma de trabajar. Porque cuando tenemos ejemplos de calidad y ejemplos de error, la revisión se vuelve más concreta. Ya no dependemos solo de una sensación subjetiva. Podemos comparar. Podemos ajustar. Podemos decir: esto se parece a lo que buscamos, esto se aleja, esto necesita más profundidad, esto está correcto pero no es suficiente.
En el mundo técnico se habla de pruebas, regresiones, validaciones. En el trabajo cotidiano podríamos llamarlo simplemente sentido común documentado. Cada vez que cambiamos una instrucción, una plantilla o una forma de usar la IA, deberíamos comprobar si mejora realmente el resultado o si solo lo hace parecer más sofisticado.
Porque mejorar una parte puede empeorar otra. Un prompt más largo puede producir una respuesta más completa, pero también más rígida. Una instrucción más detallada puede aumentar la precisión, pero reducir la naturalidad. Una plantilla muy cerrada puede asegurar coherencia, pero limitar la creatividad. Una automatización puede ahorrar tiempo, pero también multiplicar errores si nadie revisa bien el proceso.
Sin pruebas, todo esto se descubre tarde. Con pruebas, el equipo aprende mejor.
Y esto nos lleva al tercer elemento: el criterio.
La inteligencia artificial puede ayudarnos a generar ideas, organizar materiales, revisar textos, proponer dinámicas, transformar contenidos, resumir documentos o crear borradores. Pero no debería ocupar el lugar del criterio profesional. De hecho, cuanto más potente sea la herramienta, más necesario será nuestro criterio.
Porque la IA puede responder, pero no siempre comprende el contexto como lo comprendemos nosotros. Puede redactar, pero no asume la responsabilidad de lo que se publica. Puede proponer, pero no conoce todas las implicaciones pedagógicas, institucionales, culturales o emocionales de una decisión. Puede sugerir una actividad, pero no estará delante del grupo cuando esa actividad se lleve a cabo. Puede crear una explicación, pero no sabrá si conecta realmente con las personas a las que va dirigida.
Por eso hay una pregunta que deberíamos hacernos más a menudo cuando trabajamos con IA: ¿esto lo firmaría con mi nombre?
La pregunta parece sencilla, pero es muy poderosa. Nos obliga a recuperar la responsabilidad. Nos recuerda que no basta con que algo esté bien escrito. No basta con que parezca correcto. No basta con que ahorre tiempo. Si un material va a formar parte de un proyecto serio, si va a llegar a personas concretas, si va a utilizarse para aprender, decidir, acompañar o transformar una práctica, entonces debe pasar por nuestro filtro.
Y ese filtro no puede improvisarse al final. Debe estar presente desde el principio. En la forma en que formulamos la petición. En los documentos que damos como referencia. En los límites que marcamos. En los ejemplos que usamos. En las pruebas que aplicamos. En las revisiones que hacemos. En las conversaciones del equipo.
El criterio no es una capa de barniz que se añade al final para que el resultado parezca más humano. El criterio es la estructura que permite que la IA tenga sentido dentro del proceso.
Quizá por eso me preocupa tanto esa visión excesivamente superficial que reduce la inteligencia artificial a una cuestión de productividad. Como si el gran objetivo fuera hacer más cosas en menos tiempo. Claro que ahorrar tiempo importa. Claro que puede ser útil automatizar partes del trabajo. Claro que hay tareas que pueden resolverse de forma más ágil. Pero si solo utilizamos la IA para producir más rápido, sin revisar cómo estamos pensando, qué estamos construyendo y con qué criterios lo hacemos, corremos el riesgo de acelerar el desorden.
Y esto, en proyectos complejos, se nota enseguida.
Se nota cuando cada equipo interpreta las directrices de una manera distinta. Se nota cuando las actividades no tienen el mismo nivel de profundidad. Se nota cuando los materiales parecen correctos, pero no conversan entre sí. Se nota cuando la IA genera propuestas que suenan bien, pero que no responden al enfoque real del proyecto. Se nota cuando hay mucho contenido, pero poca arquitectura.
Por eso creo que el verdadero reto no está solo en aprender a usar IA, sino en aprender a diseñar con IA.
Usar IA puede ser abrir una herramienta y pedirle algo. Diseñar con IA implica pensar el proceso completo. Qué entra. Qué sale. Qué se conserva. Qué se revisa. Qué se descarta. Qué se automatiza. Qué se decide en equipo. Qué criterios deben respetarse. Qué materiales pueden convertirse en referencia. Qué aprendizajes se incorporan para la siguiente versión.
Y aquí aparece una competencia que será cada vez más importante: la capacidad de convertir experiencia en sistema.
No todo el mundo tendrá que programar. No todo el mundo tendrá que comprender la arquitectura técnica de los modelos. No todo el mundo tendrá que diseñar herramientas complejas. Pero muchas personas, especialmente quienes trabajamos en formación, consultoría, contenidos, innovación o acompañamiento, necesitaremos aprender a construir pequeños sistemas de trabajo con IA.
Sistemas sencillos, pero sólidos.
Una carpeta bien organizada con documentos de referencia. Una plantilla de trabajo clara. Un conjunto de criterios de revisión. Una serie de ejemplos buenos y malos. Una forma común de nombrar versiones. Un registro de decisiones. Un espacio donde recoger dudas frecuentes. Una dinámica de equipo para contrastar resultados. Un protocolo mínimo para validar antes de entregar.
Nada de esto suena tan espectacular como “el prompt definitivo”. Pero probablemente sea mucho más útil.
Porque el prompt definitivo no existe. Existe el contexto. Existe el proceso. Existe la revisión. Existe el aprendizaje acumulado. Existe la capacidad de mejorar poco a poco una forma de trabajar.
Y esta idea conecta con algo que, en realidad, ya sabíamos antes de la IA. Las herramientas nunca sustituyen la falta de método. Una cámara no convierte automáticamente a alguien en fotógrafo. Un procesador de textos no convierte automáticamente a alguien en escritor. Una hoja de cálculo no convierte automáticamente a alguien en analista. Y una inteligencia artificial no convierte automáticamente a alguien en mejor profesional.
Puede amplificar lo que hay. Puede acelerar procesos. Puede sugerir caminos. Puede ayudarnos a pensar. Pero también puede amplificar la confusión, la falta de criterio, la ausencia de estructura o la tendencia a aceptar lo primero que parece razonable.
La IA no sustituye la estrategia; muchas veces, lo que hace es dejar en evidencia su ausencia. Y podríamos añadir algo más: también deja en evidencia la ausencia de método.
Si no sabemos qué queremos conseguir, la IA nos dará posibilidades infinitas. Si no tenemos criterios, cualquier resultado parecerá aceptable. Si no tenemos memoria, cada conversación empezará desde cero. Si no tenemos pruebas, confundiremos fluidez con calidad. Si no documentamos, repetiremos errores. Y si no revisamos, delegaremos más de lo que creemos.
Por eso, después de aquellas reuniones con los equipos de EmprendeComp, me quedé pensando en que el verdadero aprendizaje no estaba solo en ver quién había obtenido mejores o peores resultados. Lo interesante era observar qué había detrás de esos resultados. Qué equipos habían construido una forma de trabajo más clara. Qué equipos habían sabido interpretar mejor las directrices. Qué equipos habían usado la IA como apoyo y no como sustituto. Qué equipos habían revisado con más criterio. Qué equipos habían aprendido de sus propias pruebas.
Porque ahí estaba la diferencia.
No en la herramienta.
No solo en el prompt.
Sino en la manera de trabajar.
Y quizá esta sea una de las conversaciones que más necesitamos tener ahora mismo. Durante mucho tiempo hemos puesto el foco en la herramienta: qué modelo usar, qué aplicación es mejor, qué novedad acaba de salir, qué función permite ahorrar más tiempo. Después pusimos el foco en el prompt: cómo pedir, cómo estructurar instrucciones, cómo conseguir mejores respuestas. Pero ahora toca dar un paso más.
Toca hablar de arquitectura.
No en un sentido técnico complicado, sino en un sentido profesional y humano. Arquitectura como forma de ordenar el trabajo. Como manera de construir espacios donde la IA pueda aportar valor sin desdibujar el criterio de las personas. Como capacidad de diseñar procesos que no dependan únicamente de la inspiración del momento. Como forma de convertir el uso puntual en aprendizaje compartido.
Porque cuando trabajamos en equipo, la IA no puede ser una experiencia individual desconectada. No basta con que cada persona “se apañe” con su herramienta. Si el proyecto es común, necesitamos marcos comunes. Necesitamos lenguaje común. Necesitamos criterios comunes. Necesitamos una memoria compartida. Necesitamos pruebas que nos permitan comparar. Necesitamos conversaciones donde revisar qué está funcionando y qué no.
La inteligencia artificial, bien utilizada, puede ayudarnos a crear mejores materiales, mejores procesos y mejores formas de colaboración. Pero para eso tenemos que dejar de verla como una máquina de respuestas y empezar a verla como parte de un ecosistema de trabajo.
Un ecosistema en el que siguen siendo imprescindibles la conversación, la reflexión, la revisión, la experiencia, la responsabilidad y el criterio profesional.
Quizá dentro de unos años nos parezca ingenua esta etapa en la que compartíamos prompts como si fueran fórmulas mágicas. Tal vez entendamos que era una fase necesaria, igual que sucede con cualquier tecnología nueva. Primero nos fijamos en lo visible. Luego aprendemos a usarlo. Y, con suerte, más adelante empezamos a preguntarnos cómo transforma realmente nuestra manera de pensar, trabajar y colaborar.
En ese punto estamos entrando ahora.
Por eso, si estás utilizando inteligencia artificial en tu trabajo, tal vez no necesites buscar otros cincuenta prompts. Quizá lo que necesitas es detenerte un momento y mirar tu proceso. Qué tareas se repiten. Qué documentos definen tu manera de trabajar. Qué criterios utilizas para saber si algo está bien. Qué errores aparecen una y otra vez. Qué decisiones conviene registrar. Qué información debería estar disponible antes de pedirle nada a la IA. Qué parte del resultado necesitas revisar siempre. Qué estarías dispuesto a firmar con tu nombre.
Puede que ahí empiece la diferencia entre usar inteligencia artificial y trabajar de verdad con inteligencia artificial.
Porque una IA sin memoria empieza siempre de cero. Una IA sin pruebas puede equivocarse con mucha seguridad. Una IA sin criterios puede producir resultados aparentemente brillantes, pero profundamente vacíos. Y una persona sin método puede terminar creyendo que la herramienta piensa por ella, cuando quizá solo está amplificando su propia falta de dirección.
Así que no, probablemente tu IA no necesita más prompts.
Necesita memoria.
Necesita pruebas.
Necesita criterios.
Y, sobre todo, necesita que tú sigas ocupando el lugar que te corresponde: no como alguien que lo controla todo ni como alguien que lo delega todo, sino como una persona capaz de diseñar, revisar y hacerse responsable de aquello que decide construir con ayuda de la tecnología.
Porque el futuro del trabajo con IA no será de quienes tengan la lista más larga de instrucciones guardadas en una carpeta. Será de quienes sepan convertir esas instrucciones en método, ese método en sistema y ese sistema en una forma más consciente, rigurosa y humana de crear valor.
#DeCeroAIA #InteligenciaArtificial #TrabajoConIA #TransformacionDigital #PensamientoCritico
