Prompting con IA en 2026: curso acelerado de 45 minutos

13 conceptos, 80% del uso real

La mayoría de la gente usa la IA como si fuera una búsqueda de Google. Escribe una pregunta breve, lee la respuesta por encima y sigue adelante. Eso funciona para datos triviales. Falla en todo lo que de verdad importa en tu vida y en tu trabajo.

Los usuarios avanzados hacen otra cosa. Informan a la IA como informarían a un colega inteligente pero nuevo: con archivos, contexto, restricciones y una petición clara. Esperan tres opciones en lugar de una. Discuten. Iteran. Revisan el trabajo. La diferencia entre un prompt de principiante y un prompt de usuario avanzado no es la astucia; es un puñado de hábitos que cualquiera puede aprender en una tarde.

Esta página es esa tarde. Trece conceptos, agrupados en cuatro partes breves. Sin código, sin configuración, sin jerga que no puedas deducir por contexto. La idea única que hace que todo lo demás encaje es esta: casi toda "técnica avanzada" de esta página se reduce a uno de dos movimientos: introducir el contexto correcto o mantener fuera el contexto incorrecto. Lee cada sección con esa lente.

Una nota sobre las herramientas: los ejemplos mencionan ChatGPT, Claude y Gemini porque la mayoría de los lectores tiene acceso a una de ellas. Las habilidades se transfieren a cualquier IA moderna de chat. Cuando una función pertenece solo a un producto, se nombra explícitamente.

Cómo leer esto

Abre ahora mismo una cuenta gratuita en Claude, ChatGPT o Gemini en otra pestaña del navegador, antes de seguir leyendo. Cada una tiene un plan gratuito y registrarse toma más o menos un minuto. Todavía no tienes que hacer nada allí; solo déjala abierta. Luego lee todo una vez para entender la forma general y vuelve al final para probar los prompts del bloque de cierre. Leer sin probar te da las palabras; probar te da la habilidad. (Uno de los ejercicios finales te pide comparar dos herramientas una al lado de la otra, así que quizás quieras tener una segunda cuenta gratuita abierta para cuando llegues ahí.)

Una nota breve sobre lo que cambió desde la última vez que miraste

Si usaste ChatGPT en 2022 o 2023 y decidiste que era un juguete ingenioso, la herramienta que recuerdas no es la herramienta que tienes ahora. Algunos cambios ocurrieron en silencio:

• Las ventanas de contexto crecieron unas 1000 veces. Un modelo de 2022 retenía unos pocos miles de palabras. Un modelo de 2026 retiene cientos de miles, a veces un millón. Eso cambia lo que puedes meter en un prompt: un libro entero, varios días de voz, una carpeta de contratos.
• El razonamiento se volvió real. "Piensa paso a paso" solía ser una frase mágica. Ahora los modelos tienen modos explícitos de pensamiento que se ejecutan durante segundos, a veces minutos, y exploran varios enfoques antes de responder. La clase de problemas que pueden manejar ha subido rápido: desde "minutos de tiempo humano" hacia "una hora o más de tiempo humano" en poco más de un año. El concepto 5 incluye los números medidos.
• La búsqueda web y la ejecución de código se volvieron herramientas integradas. El modelo decide cuándo buscar en la web o ejecutar código y luego usa los resultados como parte de su respuesta. Para la mayoría de los usuarios esto es invisible; una vez que sabes que ocurre, tus prompts se vuelven más precisos.
• La multimodalidad dejó de ser un apéndice. Puedes soltar una foto, un PDF, una hoja de cálculo, una nota de voz o una carpeta de archivos en un prompt y hacer preguntas sobre ellos. El modelo maneja todo eso en un solo flujo.
• Aparecieron las apps de escritorio. Una nueva categoría de productos (Cowork, Microsoft Copilot) puede encontrar tus archivos y actuar sobre ellos con permiso. Esto ya no es chat; se parece más a delegar una tarea pequeña en un colega.

Si tu modelo mental de estas herramientas tiene aunque sea dieciocho meses de atraso, probablemente las estás usando quizá al 20% de lo que pueden hacer hoy. Esta página cierra esa brecha.

---

Parte 1: cómo sabe cosas la IA

Cuando entiendes qué ocurre realmente al hacerle una pregunta a la IA, dejas de sorprenderte por sus fallas.

1. Principiante vs usuario avanzado

Observa qué cambia entre los dos prompts. La pregunta es la misma; el briefing no.

Algunos contrastes reales más del campo:

• Comprar un automóvil. Principiante: "¿qué automóvil es mejor?" Usuario avanzado: sube fichas técnicas, cotizaciones de concesionarios y planes de seguro, y luego pregunta "¿cuáles son los trade-offs? Lee todo y piensa con cuidado."
• Autoevaluación en el trabajo. Principiante: "escribe una autoevaluación para mi jefe." Usuario avanzado: sube una captura de pantalla de su gestor de proyectos, documentos recientes del proyecto y una nota de voz con apuntes, y luego pide un borrador.
• Criticar una idea de negocio. Principiante: "tengo una gran idea de negocio, teñido tie-dye móvil, critícala." Eso es carnada de complacencia: la IA casi siempre aplaudirá. Usuario avanzado: "Analiza objetivamente. Usa esta rúbrica: ¿hay un problema que valga la pena resolver, hay mercado, hay una ventaja competitiva?" La IA puntuó esa idea con 8 sobre 100 y explicó por qué.
• Escribir una entrada de blog. Principiante: "escribe una entrada de blog sobre BlackBerry." Resultado: relleno de IA. Usuario avanzado: primero esquema, crítica del esquema, expansión de cada título en viñetas, crítica de las viñetas y solo entonces pide prosa.

El modelo mental que une todo esto: la IA es como una persona recién graduada, muy inteligente. Muy motivada. Todavía no sabe mucho sobre ti. Infórmale como a alguien así. ¿Un colega nuevo tendría suficiente información para hacer bien este trabajo? Si no, dale más.

2. Conocimiento preentrenado

La IA no aprendió leyendo el mundo. Aprendió leyendo texto sobre el mundo. En concreto: cantidades masivas de texto de internet. Hilos de Reddit y Quora, Wikipedia, libros, artículos de noticias, papers de investigación, blogs y foros.

La frecuencia en los datos de entrenamiento equivale aproximadamente a la fiabilidad de la respuesta. Así que:

• Fuerte: cocina, chismes de celebridades, consejos médicos comunes, películas del top 1000, lenguajes de programación populares, qué hay en el disco de Voyager 1 (la nave de la NASA lanzada en la década de 1970, a unos 25.000 millones de millas de la Tierra, con saludos en 55 idiomas), por qué los gatos miran las paredes (detectan sonidos y movimientos sutiles que los humanos pasan por alto).
• Escaso: cuásares (objetos extremadamente brillantes del cielo alimentados por agujeros negros), cantonés (menos del 0,1% del texto de internet), historia regional, conocimiento profesional de nicho.
• Ausente: los datos secretos de tu empresa, tu calendario privado, cualquier cosa publicada después de la fecha de corte de conocimiento del modelo, cualquier cosa que nadie haya puesto nunca en internet público.

Dos consecuencias prácticas:

No pierdas tiempo corrigiendo errores tipográficos. La IA fue entrenada con texto de internet, que está lleno de errores tipográficos. Maneja con naturalidad prompts con faltas de ortografía. Escribir mal "definately" no cambiará la respuesta.

Vigila los errores absorbidos. La IA también absorbió ideas equivocadas e información desactualizada de esas mismas fuentes. Una publicación de foro equivocada pero segura se convierte en una respuesta equivocada pero segura en el modelo. Contrasta cualquier cosa importante con una fuente primaria.

Por qué esto importa para pensar

La Parte 0 te enseñará a detectar razonamientos rotos. El primer lugar donde debes buscarlos es en respuestas preentrenadas que suenan seguras sobre temas donde los datos de entrenamiento eran escasos o discutidos. La confianza no es una señal de corrección.

Una prueba mental rápida antes de confiar en una respuesta preentrenada:

Tipo de pregunta	¿Qué tan bien representada está en los datos de entrenamiento?	Nivel de confianza
"¿Cómo hago un roux?"	La cocina es uno de los temas más discutidos de internet.	Alto.
"Argumento de una película del top 1000."	Reseñada y re-reseñada miles de veces.	Alto.
"Historia de una aldea poco conocida."	Quizá solo un párrafo de Wikipedia, o ninguno.	Bajo; verifica con una fuente primaria.
"Cambio regulatorio reciente en mi industria."	Casi con certeza posterior a la fecha de corte de conocimiento.	No confíes en nada sin búsqueda web.
"¿Qué decidió nuestra empresa el trimestre pasado?"	No está en los datos de entrenamiento en absoluto.	No confíes en nada; el modelo está adivinando.

No es una regla que tengas que memorizar. Es el mismo instinto que aplicarías a cualquier otra fuente: "¿cómo sabría esta persona eso?" Aplícalo también a la IA.

Un ejemplo no relacionado con software. Una lectora le pidió una vez a una IA un resumen de las reglas de un juego popular regional que se jugaba en el pueblo de su abuela. La IA produjo con seguridad tres párrafos de reglas. La abuela, consultada, dijo que las reglas estaban casi completamente mal: la IA había mezclado descripciones de juegos parecidos de otras regiones porque ese juego específico apenas estaba en internet. La IA no mintió; generalizó a partir de datos escasos. El error de la lectora no fue preguntar, sino asumir que la confianza equivalía a precisión.

3. Los 3 modos de recuperación: preentrenado, búsqueda web, investigación profunda

Cuando haces una pregunta, las herramientas modernas de IA eligen en silencio cómo responder. O responden solo desde conocimiento preentrenado, o lanzan una búsqueda web y leen algunas páginas, o ejecutan investigación profunda, donde pasan varios minutos revisando decenas de fuentes y escriben un informe estructurado.

Conviene saber qué modo se está activando, porque cada uno tiene fortalezas distintas y modos de falla distintos.

Algunos ejemplos para hacerlo concreto:

• Las respuestas preentrenadas van bien: "por qué los gatos miran las paredes", "qué hay en el disco de Voyager 1", "resume el argumento de Hamlet." Estas cosas no cambian semana a semana.
• La búsqueda web rescata a un modelo desactualizado: todo modelo tiene una fecha de corte de conocimiento, y cualquier cosa que se volvió viral después de esa fecha es invisible para él. Un meme, una regulación, el lanzamiento de un producto: sin búsqueda web, la IA no tiene idea de qué estás hablando. Con búsqueda web, extrae un artículo reciente y responde correctamente.
• Cuando la búsqueda web sale mal: un amigo preguntó "dónde salir a correr en Henderson, Nevada." La IA citó una página web de hace 20 años y recomendó una escuela que ya no está abierta al público. La búsqueda web no comprueba si las fuentes están actualizadas.
• La investigación profunda vale la espera: "planifica una casa embrujada de Halloween en nuestro vecindario, incluidos permisos, seguridad contra incendios y ordenanzas de ruido." La IA propone un plan de investigación, ejecuta muchas búsquedas en paralelo, resume, decide qué investigar a continuación y produce un informe con varias secciones y listas de verificación. Esto no es una respuesta de chatbot; se parece más a entregarle el trabajo a un investigador junior durante una hora.

Cómo funciona realmente la búsqueda web (y por qué a veces lee mal las páginas)

Por debajo, la mecánica exacta varía según la herramienta, pero la forma es consistente. Una capa de búsqueda y recuperación emite las búsquedas, revisa la lista de resultados, extrae las páginas más relevantes y reduce cada una a un pasaje breve o resumen. A menudo esa capa es un modelo separado y más pequeño. Solo la versión reducida llega al modelo de cara al usuario que habla contigo.

El modelo que habla contigo con frecuencia no lee directamente la página original. Lee una versión condensada. Por eso a veces tergiversa lo que una página dijo realmente: la información pasó por una capa de traducción antes de llegar al modelo, y las capas de traducción pierden matices.

Arreglo práctico: dile a la IA qué tipos de fuentes debe usar. En lugar de "¿son seguras las vacunas?", prueba "usa la Organización Mundial de la Salud, la FDA, la Agencia Europea de Medicamentos y estudios revisados por pares. No uses foros ni blogs personales." La calidad de las fuentes es una perilla que puedes ajustar. La configuración predeterminada cita primero fuentes populares (Reddit, Wikipedia, YouTube, Google mismo, Yelp), que a menudo son fiables pero no siempre son confiables para preguntas de alto riesgo.

Un segundo arreglo: pide a la IA que cite la fuente. "Para cada afirmación, cita la oración exacta de la página fuente que la respalda." Esto obliga a la capa de recuperación a mostrar redacción original, lo que detecta mucha deriva de la capa de resumen.

Un ejemplo no relacionado con software. Una voluntaria de una asociación vecinal usó investigación profunda para prepararse para una reunión municipal sobre la calidad del agua local. Su prompt: "Investiga los problemas actuales de calidad del agua en [su ciudad] durante los últimos 24 meses. Usa la EPA, los informes de servicios públicos de la ciudad y estudios revisados por pares. Evita editoriales de noticias y foros. Produce un informe estructurado con: (1) los tres problemas más citados, (2) tablas de datos que muestren tendencias, (3) tres preguntas concretas que los residentes deberían hacer a la empresa de servicios." Ocho minutos después tenía un briefing basado en datos locales actuales. El modo preentrenado no podría haber hecho esto; la búsqueda web sola habría producido una respuesta más superficial; la investigación profunda era la herramienta correcta porque la pregunta era multidimensional y actual.

Elegir un modo en tu cabeza. Normalmente no eliges un modo haciendo clic en un botón; la IA elige según tu prompt. Pero puedes orientar:

Patrón de redacción	Lo que suele activar
"Qué es X" / "Resume Y"	Solo preentrenado.
"Qué es lo último sobre X" / "Hoy" / "Esta semana" / una ciudad específica	Búsqueda web.
"Investiga X a fondo", "produce un informe con citas", "usa estos tipos de fuentes"	Investigación profunda (en herramientas que la tienen; si no, búsqueda web extendida).
Adjuntar archivos	Se mantiene preentrenado para los archivos; puede buscar en la web contexto si el prompt pide información actual.

IA vs Google. No son la misma herramienta. Usa Google para escaneos rápidos, navegar a un sitio conocido específico o comprar algo (el filtro de aire para un Honda Civic 2013). Usa IA cuando necesites síntesis: pros y contras, comparación de varias fuentes, análisis redactado. La elección depende de si quieres un enlace o una respuesta.

Una regla práctica lado a lado:

Tarea	Mejor con Google	Mejor con IA
"Encuentra la página oficial del IRS para el formulario 1040."	Sí. Quieres llegar a un sitio conocido específico.	No.
"Compara tres medicamentos para la diabetes y lo que dice la evidencia reciente."	Más lento. Leerás 8 pestañas.	Más rápido. La IA sintetiza la evidencia en un lugar.
"Compra un cargador de reemplazo para una ThinkPad 2018."	Sí. Quieres un enlace de producto.	No.
"Planifica un viaje de 4 días a Lisboa con un niño de 6 años, sin museos."	Lento. Harás malabares con blogs y reseñas.	Rápido. La IA integra restricciones.
"¿Qué tiempo hará mañana?"	Cualquiera.	Cualquiera.
"¿Por qué se ponen amarillas las hojas de mi planta de tomate?"	Bien. Varios sitios de jardinería.	Mejor con una foto adjunta.

Si tu pregunta es "dónde está X", ve a Google. Si tu pregunta es "dado todo esto, qué debería pensar", ve a la IA.

Cómo obtener resultados más fiables de la búsqueda web

Cuando sí quieres búsqueda web, tres hábitos pequeños suben la calidad:

1. Nombra las fuentes en las que confías. "Usa la OMS, la FDA y estudios revisados por pares, no foros."
2. Pide citas en línea. "Cita la fuente después de cada afirmación."
3. Pide a la IA que marque lo que no pudo verificar. "Si una afirmación no puede respaldarse con las fuentes citadas, márcala como 'no verificada'."

Estas tres líneas, pegadas en cualquier prompt de búsqueda web, reducen el modo de falla más común: que la IA sintetice en silencio entre fuentes y produzca una oración segura que ninguna fuente individual respalda.

---

Parte 2: hablar bien con la IA

4. El contexto es todo el juego

Los humanos solo retenemos un puñado de cosas en la memoria de trabajo activa: las estimaciones clásicas dicen unas siete, las más recientes más cerca de cuatro. Los modelos modernos de IA pueden retener cientos de miles de palabras a la vez, a veces un millón. Para ponerlo en proporción: unas 750.000 palabras equivalen a los primeros 4 o 5 libros de Harry Potter, o a varios días de habla continua. El modelo puede leer todo eso antes de responder.

Pero solo puede leer lo que le das. Contexto es todo lo que termina en la ventana del modelo para una respuesta determinada: el prompt de sistema que definió el producto, las descripciones de cualquier herramienta que pueda llamar (búsqueda web, código, acceso a archivos), tu prompt, el historial de chat de esta conversación y cualquier archivo que hayas subido.

Contraste concreto:

• Prompt desnudo: "pros y contras de estudiar física frente a zoología." Recibirás consejos genéricos de orientador escolar.
• Prompt rico en contexto: la misma pregunta, más tus resultados de evaluación vocacional subidos como PDF y una captura de tu horario de secundaria. Ahora la IA puede hablar de tu perfil específico de aptitudes, tu historial concreto de cursos y qué elección encaja con qué.

Mismo modelo. Misma pregunta. Distinta respuesta. La diferencia es el contexto, no la astucia del prompt.

La disciplina que estás aprendiendo: antes de pulsar enviar, pregúntate qué necesitaría tener delante un colega nuevo e inteligente para responder bien. Luego adjunta esas cosas. Ese colega leerá con atención todo lo que pongas delante; no adivinará lo que no le dijiste, no revisará tu archivador, no inferirá tu industria, la historia de tu equipo ni el hilo de correos de ayer. Si habría necesitado un documento o una restricción para hacer el trabajo, debes incluirlo.

Un ejemplo no relacionado con software. Una profesora de 7.º grado le pidió a la IA que "redactara un plan de clase sobre el ciclo del agua." El resultado fue un plan genérico que podría haber encontrado en cualquier libro de texto: definiciones, un diagrama, tres preguntas de discusión. Al día siguiente volvió a probar con tres cosas adjuntas: el programa de su curso (para que la IA supiera qué venía antes y después de esa lección), las hojas de trabajo de la semana anterior con calificaciones visibles (para que la IA supiera qué conceptos habían quedado claros y cuáles no) y el formato de la prueba estandarizada de su escuela. El nuevo plan de clase empezaba con una revisión de cinco minutos de los dos conceptos que las hojas de la semana anterior habían mostrado como débiles, conectaba el material nuevo con el formato de examen que los estudiantes verían en mayo y cerraba con una pregunta de comprobación de comprensión alineada con el siguiente tema del programa. Mismo modelo, misma profesora, mismo tema. La única diferencia fue que el segundo prompt le dijo a la IA lo que un colega nuevo e inteligente habría necesitado saber.

El hábito, reformulado como lista de verificación antes de cualquier prompt no trivial:

Pregunta	Si la respuesta es sí, adjúntalo o descríbelo
¿Hay un documento con el que la respuesta deba ser consistente?	Sí: adjúntalo.
¿Hay una restricción que la IA no pueda inferir (presupuesto, tiempo, quién está en el equipo)?	Sí: indícala.
¿Hay contexto previo (una decisión anterior, un proceso existente)?	Sí: resúmelo en un párrafo.
¿Hay un formato de salida que quieras (tabla, email, lista de viñetas)?	Sí: nómbralo.
¿Hay una audiencia (un jefe, un niño, una persona desconocida)?	Sí: nómbrala.

Cinco líneas de contexto bien elegidas superan a cinco párrafos de astucia.

Podredumbre de contexto

Las ventanas de contexto modernas son grandes, pero no infinitas, y la recuperación se degrada dentro de ellas. El mayor error práctico que comete la gente: mantener una conversación muy larga sobre muchos temas no relacionados. La IA acaba de ayudarte a planificar un entrenamiento, ahora le pides depurar una hoja de cálculo, ahora le pides escribir una nota de agradecimiento para tu tía. El contexto del entrenamiento sigue ahí, distrayendo al modelo.

Regla práctica: cuando cambia el tema, empieza una conversación nueva. Es barato, gratis y las respuestas mejoran de forma visible.

Síntomas de que una conversación se volvió rancia:

• La IA empieza a mencionar partes anteriores del chat que no tienen nada que ver con lo que acabas de preguntar.
• Sus respuestas se vuelven más largas y vagas con el tiempo, con más matices defensivos.
• Contradice una restricción que declaraste cinco turnos atrás.
• Empieza a disculparse repetidamente sin avanzar.

Cuando ves esto, el instinto es arreglarlo con otro prompt aclaratorio. Resístelo: eso solo agrega más contexto enredado a un contexto que ya está enredado. Aplica la regla anterior. Empieza un chat nuevo, pega uno o dos hechos que realmente importen y continúa desde ahí. El reinicio casi siempre es más rápido que el rescate.

Si el chat muerto produjo algo que vale la pena conservar (un plan, un borrador, una decisión), guárdalo en un archivo antes de reiniciar. Así no pierdes el trabajo, pero tampoco arrastras el ruido a la siguiente tarea.

5. Razonamiento, o "piensa con cuidado"

Hasta alrededor de 2023, el consejo estándar para prompts difíciles era "piensa paso a paso." Ese consejo ahora está casi obsoleto. Los modelos modernos tienen modos de razonamiento integrados que puedes invocar directamente.

Cómo invocarlo:

• Pídelo en lenguaje simple. "Piensa con cuidado" o "piensa detenidamente antes de responder" en tu prompt. Este es el movimiento portátil: funciona en todas las herramientas modernas de chat, sin sintaxis especial que recordar.
• Usa el interruptor de modo de pensamiento en la interfaz, cuando exista.
• En algunos productos no tienes que pedirlo: la herramienta decide por sí sola cuándo una pregunta es lo bastante difícil como para justificar pensamiento extendido y lo activa.

Cuando el pensamiento extendido está activado, el modelo puede pensar durante muchos segundos. En problemas difíciles, a veces más de diez minutos. No es simplemente que escriba más despacio; internamente explora varios enfoques, revisa su propio trabajo y solo entonces escribe la respuesta que ves.

Un estudio de METR de 2025 rastreó la tarea más larga que un modelo de frontera podía completar de forma fiable. A mediados de 2024, un modelo líder manejaba tareas que a los humanos les toman alrededor de siete minutos. A comienzos de 2025 eso subió a aproximadamente una hora, y el estudio encontró que la longitud que mide se ha estado duplicando aproximadamente cada siete meses. La implicación para ti: entrégale a la IA tareas reales y difíciles, no solo las fáciles. Puede manejar más de lo que sugieren tus instintos de 2023.

Un patrón de usuario avanzado que aprovecha bien esto:

I'm choosing between two cars. Attached: spec sheets for both,
my insurance quote for each, and a spreadsheet of my driving
patterns over the last six months.

Read everything. Think hard. Then tell me:
1. The three trade-offs that actually matter for my driving pattern.
2. Which car you'd choose and why.
3. Under what conditions your recommendation flips.

Tres cosas que hace este prompt: carga el contexto relevante, invoca explícitamente el pensamiento y pide una salida estructurada en lugar de una pared de prosa. Las tres son hábitos.

Cuándo NO usar el modo de pensamiento

Búsquedas rápidas, resúmenes de un párrafo, lluvias de ideas casuales. El modo de pensamiento es más lento y consume más de tu presupuesto de uso. Guárdalo para las preguntas en las que habrías querido que un humano se tomara su tiempo.

Para eso sirve el modo de pensamiento: no para ser más rápido, sino para manejar el tipo de pregunta con varias entradas y varios trade-offs que, de otro modo, le entregarías a un colega reflexivo y esperarías dos días. El intercambio es real. Gastas unos minutos de cómputo y una pequeña parte de tu presupuesto de uso. Recibes algo que tú habrías pasado medio día produciendo.

La implicación de esa trayectoria de METR mencionada arriba: las tareas que mentalmente clasificaste como "demasiado complejas para la IA" hace dos años son, en su mayoría, tareas que la IA ya puede manejar si la informas bien y activas el modo de pensamiento. Vuelve a probar tus supuestos sobre lo que puede hacer la IA cada seis meses. Estarán equivocados.

6. Complacencia y cómo neutralizarla

Los modelos de IA se entrenan con retroalimentación humana. En concreto, con qué respuestas recibieron un pulgar arriba. En millones de usuarios, estar de acuerdo con la gente recibe más pulgares arriba que discrepar. El resultado: los modelos están sesgados hacia decirte lo que quieres oír.

Un análisis de The Washington Post de noviembre de 2025 de 47.000 conversaciones de ChatGPT encontró que el modelo abría con una afirmación ("sí", "correcto" y similares) unas 10 veces más a menudo que con "no" o "incorrecto." Las aperturas reportadas se agrupaban alrededor de frases como "eso es correcto" y "vas por buen camino."

Puedes verificarlo tú mismo. Mismo modelo, encuadres opuestos:

• "¿No crees que el trabajo remoto es mejor que el trabajo de oficina?" → La IA está de acuerdo, enumera razones.
• "¿Es cierto que el trabajo de oficina es más productivo?" → La IA está de acuerdo, enumera razones.

El arreglo no es magia. Es solo encuadre neutral. El patrón aparece en dos niveles: superficial ("¿no crees que X?") y sutil ("encuentra evidencia de que X funciona"). Vigila ambos en tus propios prompts:

Carnada sutil que podrías escribir	Qué le señala a la IA	Reescritura neutral
"Encuentra evidencia de que esta estrategia funcionará."	La conclusión está fijada; la IA rellena apoyo.	"Evalúa esta estrategia. Enumera los argumentos más sólidos a favor y en contra."
"¿Por qué el enfoque A es mejor que el enfoque B?"	A gana; la IA enumera razones.	"Compara el enfoque A y el enfoque B. Puntúa cada uno en costo, riesgo y tiempo."
"Ayúdame a defender mi decisión de contratar a X."	La decisión está cerrada; la IA da munición.	"Esta es mi decisión y este es el contexto. ¿Cuál es el contraargumento más sólido para el que debería prepararme?"
"Dime que mi borrador está listo para enviar."	La IA te dice que está listo.	"Critica este borrador con estos 4 criterios de sí/no. Recomienda el cambio más pequeño que subiría la puntuación más baja."
"Confirma que este código es correcto."	La IA confirma.	"Encuentra cualquier bug, caso límite o supuesto no declarado en este código. Si no hay ninguno, dilo."

El patrón: cualquier redacción que contenga un verbo como encontrar, defender, confirmar, demostrar, apoyar entrega a la IA una conclusión antes de la pregunta. Sustitúyelos por verbos como evaluar, comparar, criticar, encontrar cualquier, listar ambos lados. El modelo seguirá con un ligero sesgo hacia el acuerdo, pero habrás eliminado la señal más fuerte.

La regla general: presenta dos opciones sin insinuar preferencia y luego pide pros y contras de cada una. Si te descubres escribiendo "¿no es cierto X?", detente y reescribe como "¿hasta qué punto, si es que lo es, X es cierto?"

Esto es mecánico, no profundo

Este concepto es la versión barata de una habilidad mucho más profunda. La Parte 0, Capítulo 1 (Hacer mejores preguntas), entrena la versión profunda: cómo formular preguntas que saquen a la superficie lo que todavía no sabes. El truco del encuadre neutral te lleva el 80% del camino en el uso cotidiano. El capítulo te da el resto.

Un ejemplo no relacionado con software. Una persona fundadora le preguntó a la IA: "Tengo una gran idea de negocio, teñido tie-dye móvil para fiestas infantiles de cumpleaños, critícala." La IA elogió la idea con calidez y enumeró razones por las que podría funcionar. Luego lo intentó de nuevo con una rúbrica: "Analiza esta idea objetivamente. Para cada punto, puntúa de 1 a 10 y justifica: (1) ¿hay aquí un problema real?, (2) ¿hay un mercado dispuesto a pagar?, (3) ¿hay una ventaja competitiva?, (4) ¿cuál es la economía unitaria?, (5) ¿cuáles son las tres razones principales por las que fracasa?" La misma IA le dio a la idea 8 sobre 100 y explicó, en términos concretos, por qué debería replantearla. El primer prompt era carnada de complacencia. El segundo era una rúbrica objetiva. Mismo modelo, misma idea, veredictos opuestos. La diferencia fue cómo se hizo la pregunta.

El patrón de rúbrica objetiva. Cuando le pides a la IA que evalúe algo (un borrador, un plan, una idea), los criterios ambiguos colapsan en "gran trabajo." Los criterios específicos de sí/no obligan a la IA a mirar de verdad. Compara:

Prompt de crítica vago (recibe complacencia)	Prompt de crítica con rúbrica (recibe honestidad)
"Puntúa mi cuento de ciencia ficción sobre 100."	"Critícalo con estos 4 criterios, cada uno de 1 a 5, cada uno justificado en una oración."
"¿Este email es profesional?"	"Revisa este email contra estas 5 pruebas de sí/no: saludo presente, petición en el primer párrafo, sin jerga, una sola petición clara, cierre amable."
"¿Qué tal mi plan de entrenamiento?"	"Para cada día, responde: ¿incluye calentamiento, el volumen total encaja con mi tiempo disponible, hay 48 horas entre sesiones del mismo músculo?"

El truco es que cada criterio de la rúbrica debe poder responderse con un sí o no claro (o una puntuación de 1 a 5 con justificación escrita). Los criterios blandos ("¿es interesante?") dejan espacio a la complacencia. Los criterios duros no.

7. El bucle de idear e iterar

Este es el hábito de mayor impacto de toda la página. Si saltas todas las demás secciones, no saltes esta.

Cuando la IA se entrenó con internet, la mayor parte de internet eran ideas comunes, no ideas creativas. Así que la respuesta promedio de la IA a una pregunta creativa también es común. "Formas de hacer ejercicio en casa": sentadillas, flexiones, planchas. No está mal. Solo es promedio.

La forma de evitarlo no es un prompt mágico. Es un bucle.

La receta:

1. Da todo el contexto relevante desde el principio. No solo "formas de hacer ejercicio"; "formas de hacer ejercicio teniendo en cuenta que tengo un trampolín, un gato y no puedo mantener planes por más de tres días."
2. Pide de 3 a 5 opciones, no una. Forzar alternativas empuja al modelo más allá de su primer instinto.
3. Da retroalimentación explícita. "No me gusta la opción 1, es demasiado pasiva. Sí me gusta la idea del trampolín, pero la quiero más corta. Olvidé mencionar que tengo una rodilla mala."
4. Pide de 3 a 5 opciones nuevas informadas por la retroalimentación.
5. Itera hasta tener una o dos que realmente te gusten.
6. Entonces, y solo entonces, pide a la IA que desarrolle la opción elegida en detalle.

Ejemplo trabajado, pago de deudas:

I have $8,000 in credit card debt at 19% APR, $4,000 in student
loans at 5%, and $1,200 in a retail card at 24%. I have $700/month
free after expenses. I just learned I'll get $450 in cash from a
tax refund. Risk tolerance: low. I sleep badly when I see big
balances.

Give me 5 different repayment strategies, each with a one-line
rationale. Don't expand any of them yet.

Luego, después de leer las cinco opciones:

Reject option 2 (avalanche by interest rate alone): I want
psychological wins early. Reject option 4: I won't open new
accounts. I like option 1 (snowball with the retail card first)
but I'd want to fold the $450 in. Give me 5 new options that
combine snowball-style wins with smart use of that lump sum.

No estás esperando que la IA te lea la mente. Le estás mostrando tu gusto; la IA reconfigura el espacio de opciones alrededor de eso. Después de dos o tres rondas, tienes una opción que se siente exactamente correcta. Entonces pide el plan completo.

El mismo bucle funciona para escribir, donde tiene su propio nombre: esquema antes de borrador.

Iteration 1: ask for 3 outline options for a post on X.
Iteration 2: pick one outline, ask AI to critique it.
Iteration 3: revise the outline, ask AI to expand each heading
            into 3-5 bullets.
Iteration 4: critique the bullets, fix the weak ones.
Iteration 5: only now ask for the full draft.

Por qué funciona: editar una palabra en un esquema puede cambiar la dirección de todo el artículo. Editar una palabra en un borrador final cambia una palabra. Casi todo el apalancamiento al escribir ocurre en el nivel del esquema. La IA genera palabra por palabra desde el inicio, así que, a menos que fuerces primero la estructura, no puede ver la forma completa.

No te saltes pasos

La tentación es pedir el borrador completo en el primer intento. Resístela. El primer borrador de cualquier cosa que produce la IA es workslop: parece pulido, dice poco. El bucle convierte diez minutos de nada pulida en treinta minutos de algo realmente útil.

Un ejemplo trabajado de escritura. Una líder de equipo quiere escribir una publicación de 600 palabras titulada "Por qué nuestro pequeño equipo de IA está enviando más rápido que el equipo grande del otro lado del pasillo." Así se ve cada ronda del bucle en la práctica:

Ronda 1, primero investigación:

I'm writing a 600-word post arguing that small AI-augmented teams
ship faster than larger non-AI teams. Don't write yet. First, give
me the 5 strongest research-backed arguments and the 3 strongest
counter-arguments. One sentence each.

Ronda 2, tres esquemas:

Now produce 3 different outline options for the post. Each outline
should have 4-6 headings. They should differ in structure: one
narrative, one analytical, one contrarian. One line per heading.

Ronda 3, elegir uno y agregar una analogía:

I'll go with outline 2 (analytical). I want to weave in a Pixar
analogy: how the original Toy Story team was small and faster than
the giant Disney studio because of new tools. Add this as a recurring
example, not its own section. Revise outline 2.

Ronda 4, expandir a viñetas:

Now expand each heading into 3-5 bullets. Telegraphic style, not prose.

Ronda 5, criticar viñetas:

Critique the bullets. Which ones are weakest? Which would a skeptical
reader push back on hardest?

Solo entonces la líder pide el borrador completo. Todo el proceso toma unos treinta minutos. El resultado se lee como si lo hubiera escrito la líder, porque cada decisión importante fue de la líder. Los veinte minutos adicionales frente a "escríbeme una publicación" son lo que marca la diferencia entre un borrador que nadie termina de leer y un borrador que aterriza.

Delimita el territorio antes de redactar. La primera ronda de ese ejemplo ("no escribas todavía, dame los argumentos respaldados por investigación y los contraargumentos más fuertes") parece pequeña, pero hace trabajo pesado. La mayoría la salta y pide el borrador directamente. Saltarla es la razón por la que sus borradores se sienten delgados: están construidos sobre las primeras ideas que el modelo saca, no sobre el paisaje real del tema. Una ronda de "delimitar el territorio" antes de redactar es la diferencia entre una publicación que cita tres estudios y una que enumera tres opiniones. Este patrón se generaliza mucho más allá de la escritura. Antes de cualquier decisión, plan o análisis sustancial, pide a la IA que trace el mapa de lo conocido antes de pedirle que produzca lo necesario. Paisaje competitivo antes de nombrar un producto. Investigación previa antes de un memo estratégico. Enfoques existentes antes de diseñar uno nuevo. La pasada de investigación toma cinco minutos y cambia aquello contra lo que iteran todas las rondas posteriores del bucle.

El bucle no depende del dominio. Funciona igual para: planificar un viaje, estructurar un pitch de ventas, elegir una carrera universitaria, nombrar un producto, escribir un brindis de boda, decidir una renovación, elegir una organización benéfica que apoyar. La forma permanece constante: cargar contexto, exigir opciones, dar retroalimentación explícita, exigir opciones nuevas, iterar y luego expandir. Si te descubres aceptando la primera respuesta de la IA, te saltaste el bucle. Sea lo que sea en lo que estés trabajando, merece el bucle.

Una tabla breve de dónde encaja el bucle en la vida diaria:

Decisión o tarea	Cómo se ve el "contexto"	Cómo se ven las "opciones con retroalimentación"
Planificar un viaje de 4 días	Restricciones (presupuesto, fechas, quién va, qué odian)	5 esqueletos de itinerario; rechazar dos; iterar el resto
Nombrar un producto	Qué hace, quién lo compra, a qué NO debe sonar	10 nombres; elegir 3 que te gusten, pedir variantes en esos
Escribir un email difícil	La persona destinataria, la relación, el resultado deseado	3 tonos distintos; elegir uno, afinar sus detalles
Elegir contratista	Tres cotizaciones, tres notas de referencias, tus prioridades	Puntuación lado a lado; pedir el contraargumento más fuerte a tu favorito
Elegir una ruta de aprendizaje	Habilidades actuales, tiempo disponible, objetivo final	3 formas de currículo; elegir una, expandir a hitos semanales
Diseñar un brief de logo (para un diseñador)	Valores de marca, audiencia, ejemplos que te gustan	5 direcciones de mood board; elegir una, pedir 5 variantes en esa línea

---

Parte 3: más allá del texto

La IA no es solo un cuadro de texto. Puede ver imágenes, trabajar con audio en ambas direcciones, construir pequeñas apps funcionales y ejecutar código sobre tus datos. La mayoría de la gente nunca prueba nada de eso.

8. Multimodal: imágenes, audio y lo que viene

La IA moderna maneja imágenes y audio en ambas direcciones: puede leer imágenes que subes, escuchar grabaciones, generar imágenes nuevas a partir de prompts de texto y producir audio hablado. Las habilidades son distintas entre modalidades y vale la pena aprenderlas por separado.

Entrada de imagen. La IA ve las imágenes de forma aproximada. Es fuerte en:

• Escena general y composición.
• Formas de objetos grandes y claros (una cinta de correr con forma de rueda de hámster de tamaño humano).
• Contenido de pizarras, incluidos diagramas.
• Texto manuscrito y cursivo (decente; comprueba dos veces si hay mucho en juego).

Es débil en:

• Detalles finos. "¿Qué máquinas de gimnasio son estas?" suele fallar porque las máquinas de gimnasio se parecen en una lente algo borrosa. La IA puede responder con seguridad y estar equivocada.
• Contar muchas cosas pequeñas en una escena abarrotada.
• Leer letra pequeña en el borde de una imagen.

Una prueba útil del mundo real: un profesor fotografió una pizarra donde su cabeza bloqueaba la palabra "convolutional" en un diagrama de red neuronal. La IA infirió correctamente la palabra faltante a partir del resto del diagrama. Eso es lo que se le da bien a la IA: inferir a partir de la idea general. No se le da bien hacer zoom.

Para recibos, dividir una cuenta o transcribir notas manuscritas, la IA funciona bien, pero siempre comprueba los totales. Con entradas de varias imágenes (post-its más una foto de pizarra más notas manuscritas de una lluvia de ideas), la IA puede resumir las ideas combinadas; esto es genuinamente útil y ahorra tiempo real.

Salida de imagen. La IA moderna puede generar imágenes a partir de prompts de texto. Dos consejos prácticos:

1. Usa una IA de texto para escribir tu prompt de imagen. "Genérame un prompt para una ilustración de bosque fantástico al estilo Studio Ghibli para la portada de un libro infantil." Toma esa salida y pégala en la herramienta de imagen. La IA de texto es mucho mejor que tú escribiendo prompts de imagen ricos en el primer intento.
2. Construye vocabulario visual. Palabras como cinematográfico, acuarela, cyberpunk, anime, isométrico, low-poly, art déco, claymation son palancas. Los modelos de imagen se entrenaron con imágenes subtituladas y aprendieron estos estilos por nombre. Sube imágenes que te gusten y pide a la IA que describa cómo las nombraría. Eso entrena tu vocabulario.

Cómo funciona la generación de imágenes: es un modelo de difusión, entrenado para quitar ruido de cuadrículas de píxeles aleatorios paso a paso hasta que emerge una imagen. No es píxel por píxel como el texto. Toda la imagen se genera a la vez. Por eso no puedes detener la generación de imágenes temprano para ahorrar tiempo, como sí puedes interrumpir una respuesta de texto.

Los modelos de difusión más antiguos tenían debilidades famosas: manos raras (seis dedos), texto ilegible en letreros, personajes que cambian de apariencia de un cuadro a otro en un cómic. Los modelos modernos (como Nano Banana de Google) manejan texto razonablemente, generan personajes consistentes y pueden convertir papers de investigación en infografías.

Una tabla breve de modos de falla que todavía conviene vigilar, incluso en modelos de imagen modernos:

Modo de falla	Cómo se ve	Cómo mitigarlo
Texto ilegible en letreros	El letrero de la imagen dice "HAPRY BIRTDAY" en lugar de "HAPPY BIRTHDAY".	Especifica el texto entre comillas en el prompt. Genera tres variantes. Elige la que tenga el texto correcto.
Personajes inconsistentes entre cuadros	El mismo personaje tiene distinto color de pelo en los paneles 1 y 2 de un cómic.	Usa modelos con soporte explícito de consistencia de personajes; pasa la primera imagen como referencia para la siguiente.
Errores de manos y dedos	Seis dedos, manos fusionadas, muñecas torcidas.	Pide composiciones donde las manos estén parcialmente fuera de cuadro, en bolsillos o claramente descritas.
Fondos abarrotados con objetos implausibles	Una cafetería donde una bicicleta se fusiona con una silla.	Especifica un fondo simple o describe el fondo explícitamente.
Relación de aspecto incorrecta	El modelo usa cuadrado por defecto; querías paisaje.	Especifica siempre la relación de aspecto: "1024x768 landscape" o "16:9".

Un ejemplo no relacionado con software para entrada de imagen. Una lectora fotografió una pila de tres tarjetas de recetas manuscritas de una abuela fallecida y las subió a la IA. El prompt: "Transcribe estas tres tarjetas. Conserva la redacción original y cualquier abreviatura. Si una palabra no está clara, márcala como [unclear] y ofrece tus dos mejores conjeturas." Cinco minutos después, las tres recetas estaban tipeadas limpiamente, con marcas [unclear] en las cuatro palabras que la IA no pudo leer con confianza. La lectora comprobó esas cuatro con los originales (dos eran obvias, dos requirieron llamar a una tía) y la familia obtuvo un archivo digital limpio de recetas que estaban en riesgo de perderse. La IA hizo el 90% aburrido para que la lectora pudiera concentrarse en el 10% cuidadoso.

Receta de usuario avanzado: diagramas con calidad de diseñador sin diseñador (puedes saltarla en una primera lectura)

Si alguna vez necesitas hacer un diagrama para un documento, una diapositiva o un capítulo propio, hay un flujo de trabajo que produce resultados con calidad de diseñador en unos quince minutos, sin usar Figma y sin ninguna habilidad de diseño visual. La mayoría de las personas que no diseñan no se da cuenta de que esto ya es posible. Es la forma más sencilla de producir diagramas con calidad de diseñador sin aprender una herramienta de diseño. Esto es más complejo que cualquier otra cosa de la página, así que léelo ahora si haces diagramas con frecuencia; de lo contrario, márcalo para la primera vez que necesites uno.

La receta, en cuatro pasos:

1. Pide a Claude que visualice el concepto como SVG. Pega el párrafo o texto subyacente. Pide: "Visualize this as a diagram. Output it as SVG. Make sure every label, arrow, and relationship from the text is present." Claude es una buena elección para este paso porque su capacidad de razonamiento está entre las más fuertes de los modelos principales: dado un párrafo, determina las cajas correctas, las flechas correctas, la jerarquía correcta y las etiquetas correctas con muy poca orientación. El SVG que devuelve será estructuralmente correcto pero visualmente simple (rectángulos básicos, fuentes predeterminadas, sin pulido de diseño). Está bien; el siguiente paso agrega el pulido.
2. Convierte el SVG a PNG. Pide a Claude que renderice el SVG como PNG (Claude puede hacerlo directamente), o usa cualquier conversor en línea de SVG a PNG (cloudconvert.com, svgtopng.com), o simplemente toma una captura de pantalla del SVG renderizado en un navegador con mucho zoom. Renderiza a resolución 2× (1600 a 2400 píxeles de ancho) para que el siguiente paso tenga detalle suficiente.
3. Pega el PNG en ChatGPT y pídele que lo redibuje. La generación de imágenes dentro de ChatGPT suele ser fuerte para este paso porque es inusualmente buena con imágenes cargadas de texto: conserva etiquetas, acierta con la tipografía y respeta las relaciones estructurales de la fuente. El prompt: "Redraw this diagram with professional design quality. Preserve every label, every box, every arrow, and the exact structural relationships. Improve typography, spacing, color palette, and visual hierarchy. The information must remain identical; only the visual finish changes."
4. Itera sobre el resultado. ChatGPT a veces omite una etiqueta o reorganiza una caja. Compara su salida contra el SVG original lado a lado. Si algo está mal, solo escribe la corrección: "The third box should be labeled 'Iterate', not 'Repeat'. The arrow from box 2 should point to box 3, not box 4." Tres o cuatro rondas suelen producir algo que parece salido de un estudio de diseño profesional. Guarda el PNG final.

Por qué cada herramienta en cada paso. Claude tiende a ganar en el paso 1 porque decidir qué pertenece a un diagrama (qué cajas, qué flechas, qué jerarquía) es una tarea de razonamiento, y el razonamiento de Claude está entre los más fuertes de los modelos principales para este tipo de trabajo de pensamiento estructurado. ChatGPT tiende a ganar en el paso 3 porque renderizar bien imágenes con mucho texto (etiquetas legibles, flechas que conectan con las cajas correctas, diseños que se ven diseñados) es la categoría donde su generación de imágenes actualmente lidera. Pedir a cualquiera de las dos herramientas que haga el trabajo de la otra produce resultados notablemente peores que encadenarlas. Cada una hace lo que mejor sabe hacer, en secuencia.

Tiempo total: alrededor de diez a quince minutos por diagrama, frente a una hora o más en Figma suponiendo que supieras usarlo.

El patrón que sobrevive a las herramientas. El líder de cada categoría irá rotando. Claude quizá no sea el modelo de razonamiento más fuerte el año que viene. El modelo de imagen líder de hoy será reemplazado por lo que se lance después. La receta anterior envejecerá en la capa de herramientas. Lo que sobrevive: estructura primero en el modelo de razonamiento más fuerte, pulido después en el modelo de imagen con texto pesado más fuerte. Elige las herramientas que lideren cada categoría en el momento en que leas esto. La cadena de dos pasos es el movimiento.

Una pequeña historia sobre generación de imágenes

Un padre cuya hija de 7 años amaba los gatos quería un pastel de cumpleaños personalizado para ella. Usó Nano Banana para idear diseños de pastel (generó decenas de variaciones: con forma de gato, de varios pisos, estilos de glaseado, paletas de color), eligió el que a ella le encantó y luego le entregó la imagen elegida a una pastelera que lo interpretó como un pastel 3D real. Tiempo total de iteración en el diseño: una tarde. Costo total: unos centavos en generación de imágenes.

El punto no es el pastel. El punto es que por unos USD 0,30 y una hora de iteración guiada por el gusto, una persona que no es diseñadora produjo un brief único que un profesional podía ejecutar. Ese es un nuevo tipo de apalancamiento creativo y está ampliamente disponible.

Audio de entrada, audio de salida. El mismo cambio que ocurrió con las imágenes está ocurriendo ahora con el audio. Puedes dictar un prompt largo en lugar de escribirlo; puedes soltar una grabación de reunión y pedir un resumen; puedes pedirle al modelo que lea su respuesta en voz alta. La mayoría de las herramientas modernas de IA admite las tres cosas, a menudo sin costo adicional en los planes gratuitos.

Los usos no obvios son donde vive el verdadero apalancamiento:

• Dictado de formato largo. Hablar un problema en voz alta captura matices que los prompts escritos se saltan. Las personas que odian escribir producen prompts mucho mejores cuando los dicen: el prompt pasa de una línea a varios párrafos sin esfuerzo, y la respuesta de la IA mejora en la misma medida. Habla como si estuvieras informando a un colega tomando café y luego deja que la IA limpie la transcripción resultante antes de responder.
• Transcripciones de reuniones como contexto. Suelta una grabación de una reunión de una hora (o una transcripción de uno de los proveedores dominantes de 2026 como Otter, Granola o Fireflies, o las notas de voz de tu teléfono) y pide: "Resume las decisiones tomadas, las preguntas abiertas y las acciones pendientes por responsable." Este es uno de los flujos de trabajo de mayor impacto de la página para cualquiera con un empleo lleno de reuniones, y casi nadie fuera del sector tecnológico lo está usando todavía.
• Audio para accesibilidad y movimiento. Trayecto largo, paseo con el perro, conducir: voz de entrada/voz de salida convierte tiempo muerto en tiempo de pensamiento. La calidad de la conversación baja un poco frente a escribir porque no puedes editar tu entrada con tanta limpieza, pero recuperas por completo el tiempo que de otro modo habrías perdido.

En qué es bueno y malo el audio en 2026:

Tarea de audio	Qué tan bien funciona	Atención con
Transcripción de habla clara	Excelente	Acentos fuertes, jerga técnica, varios hablantes superpuestos
Identificación de hablantes (quién dijo qué)	Decente con 2 hablantes, débil con 4+	Comprueba siempre antes de citar a alguien
Tono, sarcasmo, emoción	Mejora, pero no es fiable	Pide a la IA que marque su incertidumbre en lugar de asumir
Música o análisis de audio no hablado	Limitado	Usa una herramienta especializada, no una IA generalista
Conversación de voz en tiempo real	Buena para lo casual, débil para profundidad técnica	Cambia a texto cuando la precisión importe

Un ejemplo no relacionado con software. Una médica grabó una consulta de 45 minutos con una paciente (con consentimiento), subió el audio y pidió a la IA: "Produce una nota clínica estructurada en formato SOAP. Marca cualquier cosa que no hayas entendido con confianza. Resalta las tres cosas más importantes que dijo la paciente sobre su historial de síntomas." Ocho minutos después, la médica tenía un borrador de nota que le tomó 5 minutos verificar y finalizar, en lugar de los 25 minutos que le habría tomado la versión escrita. La IA no reemplazó el juicio clínico; eliminó el tipeo.

Nota de costo: el audio de entrada/salida es el segundo nivel más barato después del texto, centavos por minuto (concepto 12). Para resúmenes de reuniones, diarios de voz diarios o dictar prompts durante una caminata, el costo es prácticamente invisible. Itera libremente.

Un patrón que vale la pena tener presente: el futuro de lo multimodal no es "la IA ya puede usar voz, qué interesante." Es que desaparece la frontera entre modalidades. Cada vez más soltarás un paquete mixto (una imagen, una nota de voz, un PDF, una captura) y lo tratarás como un solo prompt. La habilidad no es "cómo uso voz", sino "cuál es la combinación correcta de entradas para este trabajo."

Los avatares de video interactivos están emergiendo en la misma trayectoria. El video de avatar pregrabado (HeyGen, Synthesia, D-ID) ya tiene calidad de producción para contenido de capacitación y comunicación corporativa multilingüe. Los avatares conversacionales en tiempo real (Tavus y otros) hoy son aceptables para usos de bajo riesgo (triaje de FAQ de clientes, tutoría de idiomas con una cara, flujos simples de onboarding) y mejoran rápido. Trátalos como la generación de imágenes en 2022: impresionantes, novedosos, todavía no un hábito diario para la mayor parte del trabajo de conocimiento, pero dignos de un experimento rápido cuando un trabajo necesita una cara en pantalla en lugar de texto.

9. Construir apps pequeñas con un prompt

La IA moderna puede construir juegos, sitios web y herramientas pequeñas a partir de un solo prompt. Todavía no para software grande, pero para cosas pequeñas y útiles, esto es genuinamente accesible para personas que nunca escribieron código.

Dónde se ejecuta realmente la app. Una primera pregunta razonable: "si la IA me construye una app, ¿dónde vive realmente?" La respuesta depende de la herramienta y cambia a menudo. Claude renderiza apps y juegos simples en vivo dentro del chat, en un panel de vista previa en el que puedes hacer clic e interactuar. ChatGPT también puede renderizar algunas apps de un prompt en línea, aunque algunas de sus superficies solo te muestran el código en un editor lateral en lugar de ejecutarlo. Gemini suele devolver el código con un botón para ejecutarlo en un entorno de Google. Para cualquier cosa más compleja, la IA te da el código y te dice dónde pegarlo (un servicio gratuito como CodeSandbox o StackBlitz lo ejecuta en tu navegador, sin instalación). En lugar de memorizar qué herramienta hace qué, pide "una versión funcional en la que pueda hacer clic ahora mismo en este chat" y observa qué vuelve.

La receta son solo tres espacios:

Goal: what should this thing do?
Input: what does the user provide?
Output: what does the user see?

Ejemplos que funcionan hoy:

• Temporizador Pomodoro. "Construye un temporizador Pomodoro con tema amarillo. Sesiones de trabajo de 25 minutos, descansos de 5 minutos, un clic satisfactorio cuando termina cada ciclo."
• Divisor de cuenta. "Construye una app donde introduzca el total de una cuenta, el impuesto y los nombres de amigos. Divide la cuenta incluido el impuesto y muestra la parte de cada persona."
• Selector de ropa. "Construye una app que tome el clima de hoy (temperatura y precipitación) y recomiende un atuendo a partir de un armario de prendas que describa."
• Simulador de fuegos artificiales. "Genera un simulador divertido de fuegos artificiales. Entrada: hago clic en la pantalla. Salida: una muestra colorida de fuegos artificiales en el punto del clic."
• Juego de colocar obstáculos. "Construye un juego donde el usuario coloca obstáculos y una meta, y ejecuta una simulación que intenta llegar a la meta."

Lo que sigue siendo difícil:

• Multijugador por internet. Redes, cuentas y emparejamiento siguen estando más allá de una construcción de un solo prompt.
• Retroalimentación de IA en vivo en otro idioma. Un tutor de conversación en francés que escucha, corrige pronunciación y se adapta en tiempo real es genuinamente difícil.

La intuición que construyes: las cosas pequeñas que caben en una pantalla, sin cuentas y sin servicios externos, funcionan. Todo lo que va más allá necesita más de un prompt y, normalmente, algo de ingeniería real.

Un ejemplo no relacionado con software. Un padre construyó un juego de mecanografía con tema amarillo y gatos para su hija cuando su maestra mencionó que los niños podrían escribir más rápido. Él no es ingeniero de software. El prompt tenía tres oraciones:

Build a typing game for a 7-year-old. Goal: practice typing
common short words. Input: words appear, the player types them
before they reach the bottom of the screen. Output: a yellow
theme, a cute cat mascot that cheers when the player gets a
word right, increasing speed across levels.

Lo que volvió funcionaba. No perfecto, no en el primer intento, pero iteró hasta "suficientemente bueno para una niña" en menos de una hora. La habilidad que se construye aquí no es programar. Es la capacidad de escribir un brief claro e iterarlo. Esa habilidad es universal.

10. Análisis de datos (el modelo escribe y ejecuta código)

Cuando le haces a la IA una pregunta que requiere cálculo o gráficos, las herramientas modernas hacen en silencio algo notable: el modelo escribe código, lo ejecuta y devuelve el resultado. La ejecución de código es simplemente otra herramienta que el modelo puede llamar, como la búsqueda web.

Esto es mucho más fiable que pedirle al modelo que haga matemáticas de memoria. El modelo hace matemáticas como tú: ejecutando una calculadora. La calculadora es precisa; el modelo solo elige qué calcular.

Ejemplo de tienda de té de burbujas. Una pequeña empresa tiene un año de datos de ventas: bebidas, fechas, cantidades. La dueña pregunta: "¿Qué bebidas tuvieron los mayores cambios de ventas durante el año? Grafícalas."

La IA mira la hoja de cálculo, escribe código para calcular cambios mes a mes por bebida, observa que la mayoría de las bebidas están planas y que cuatro destacan, genera un gráfico de líneas de colores con esas cuatro y señala los patrones. "El matcha de fresa subió mucho en primavera; considera repetir esa promoción el año que viene." Eso no es una respuesta genérica. Es una respuesta basada en los datos reales.

Luego un prompt más largo: "Crea un gráfico de una diapositiva de resumen anual para la tienda. Analiza los datos con cuidado para encontrar insights que valga la pena destacar." Esto activa minutos de pensamiento; la IA escribe código, ejecuta análisis, elige insights, diseña anotaciones y produce un dashboard terminado.

Para qué sirve:

• Análisis de hojas de cálculo (registro de carreras, ventas, presupuestos, datos de laboratorio).
• Gráficos rápidos de tendencias que no puedes ver entornando los ojos ante filas.
• Agregaciones y comparaciones que te tomarían 20 minutos en Excel.

Qué comprobar dos veces:

• Totales finales. El código es preciso, pero la IA puede haber sumado la columna equivocada.
• Etiquetas en gráficos. Los números suelen estar bien; los rótulos a veces están equivocados con seguridad.
• Cualquier cosa donde el análisis dependa de una columna que la IA pudo haber malinterpretado.

La fiabilidad es mucho mayor que las matemáticas basadas en memoria, pero no es infalible. Trata el análisis de datos con IA como tratarías el trabajo de un analista junior agudo: útil, rápido, casi siempre correcto, ocasionalmente equivocado de formas instructivas.

Un ejemplo no relacionado con software. Un corredor subió seis meses de datos de seguimiento de carreras (un CSV de una app de fitness) y preguntó: "¿Cómo progresan mi ritmo y mi distancia? ¿Hay patrones que debería conocer?" La IA escribió código, graficó promedios semanales y notó dos cosas que el corredor no había visto: el ritmo bajaba consistentemente después de cada fin de semana de carrera larga (probablemente fatiga) y la distancia se estancó en el tercer mes antes de volver a subir. La recomendación: una semana de descarga cada cuatro semanas y un ritmo más lento en la carrera larga. El corredor había mirado esos mismos datos en el dashboard de la app durante meses sin ver esos patrones. La IA no inventó insight de la nada; calculó lo que el corredor no tenía tiempo de calcular.

Un patrón útil: pide el gráfico que dibujaría

Cuando subes datos, tu primer prompt no tiene que ser la pregunta. Puede ser: "Describe este conjunto de datos. ¿Qué columnas hay, qué representan y qué 3 gráficos mostrarían mejor lo que está ocurriendo?" Lee la respuesta, elige el gráfico que quieres y luego pídelo. Esto detecta columnas mal interpretadas antes de que se conviertan en análisis incorrectos.

---

Parte 4: trabajar con seguridad y elegir herramientas

Dos conceptos finales que cambian lo que la IA puede hacer por ti y cómo elegir la herramienta correcta para cada trabajo.

11. Apps de escritorio con IA y permisos

Ahora existe toda una categoría de productos llamada apps de escritorio con IA: apps que se ejecutan en tu equipo y, con permiso, pueden encontrar tus archivos, leerlos y actuar sobre ellos. Cowork (el producto de Anthropic) y Microsoft Copilot son dos ejemplos, y la categoría está creciendo.

Lo que estas apps pueden hacer y el chat no:

• Revisar una carpeta desordenada de PDFs, proponer una nueva organización (renombrar archivos, moverlos, crear subcarpetas) y ejecutar el plan cuando lo apruebes.
• Reunir archivos relacionados para un proyecto (tú dices "estoy filmando en estas fechas y estas personas participan") y notar cosas por su cuenta (el cumpleaños de un miembro del equipo cae durante la filmación; ¿quieres incluir una celebración?).
• Leer una carpeta completa y resumir: "¿en qué trabajé el trimestre pasado, según el contenido de esta carpeta projects/?"

El flujo de trabajo que hace esto seguro:

1. Dile la tarea. ("Reorganiza esta carpeta por cliente.")
2. Pide un plan, no acción. La app propone una lista de operaciones de archivo.
3. Revisa y edita el plan. Detecta el cambio de nombre que no quieres antes de que ocurra.
4. Solo entonces aprueba la ejecución.

Lee esto antes de dar acceso a archivos a cualquier app de IA

Dos hechos que la mayoría de la gente aprende por las malas:

• Los archivos eliminados a menudo NO van a la papelera de reciclaje cuando una app de IA los elimina. Desaparecen.
• Los archivos editados NO conservan un historial de edición salvo que tengas control de versiones. El cambio de la IA sobrescribe la versión anterior.

Hasta que hayas hecho esto de forma segura varias veces, limita cada solicitud de permiso a la carpeta más pequeña necesaria para la tarea. No apruebes "acceso completo al disco" para una app que has usado dos veces.

Esta es una forma genuinamente nueva de herramienta. Trátala así: como la primera vez que le entregaste a un empleado junior las llaves de una cuenta real. Útil, rápida y digna de cuidado.

Un ejemplo no relacionado con software. Una consultora tenía una carpeta llamada clients/ que había crecido hasta 240 PDFs durante cuatro años: contratos, facturas, documentos de alcance, recibos escaneados a mano, notas de reuniones. Le dijo a una app de escritorio con IA: "Revisa clients/. Propón un esquema de organización. No muevas ningún archivo todavía. Muéstrame el esquema propuesto como árbol." La app produjo un árbol limpio: una carpeta por cliente, subcarpetas para contratos, facturas y notas, con una lista marcada de 18 archivos que no podía clasificar con confianza. Ella editó la propuesta (renombró dos clientes, fusionó dos carpetas) y luego aprobó la ejecución. Tiempo total: unos quince minutos. El mismo trabajo llevaba tres años en su lista de "algún día." El desbloqueo no fue que la IA pensara; fue que la IA hizo el tedio para que pensar se volviera barato.

La escalera de permisos. Una secuencia útil para ganar comodidad:

Nivel de comodidad	Qué permitir	A qué seguir diciendo no
Primeras sesiones	Acceso de solo lectura a una sola carpeta pequeña.	Cualquier cosa que escriba, elimine o renombre.
Después de 2-3 ejecuciones exitosas	Lectura y escritura dentro de una carpeta específica.	Acceso a directorios más amplios como el escritorio o la raíz de documentos.
Después de una semana limpia	Leer un árbol de proyecto, escribir dentro de una subcarpeta acotada.	Cualquier cosa fuera de ese proyecto.
Con confianza	Permisos específicos de herramienta ("renombrar PDFs en esta carpeta", "editar documentos de Word en esta carpeta").	"Haz lo que necesites" sin límites.

El principio: el alcance crece con el historial, no con cuánto confías en la empresa que construyó la herramienta. La confianza se gana por comportamiento en tu flujo de trabajo específico.

12. Costo, velocidad y qué modelo usar cuándo

Una pila simple para tener en la cabeza:

En palabras:

• Texto: segundos, fracciones de centavo por respuesta.
• Voz: segundos, unos centavos por minuto de audio.
• Imágenes: decenas de segundos, varios centavos por generación. Sin detención temprana; toda la imagen se genera de una vez.
• Video: minutos por generación, muchos centavos a algunos dólares. Iterar es doloroso porque cada ronda es lenta y costosa.
• Investigación profunda: minutos, varios centavos hasta un cuarto de dólar, pero sintetiza decenas de fuentes por ti.

Dos implicaciones:

1. El costo de iteración moldea lo que haces. Puedes iterar texto 50 veces en una tarde. No puedes iterar video 50 veces en una tarde. Así que cuando generes imágenes o video, invierte más en el prompt desde el principio (y usa una IA de texto para escribirlo).
2. Los costos están bajando. La imagen que hoy te cuesta 10 centavos costará una fracción de eso el año que viene. Generar arte para tu casa, una tarjeta de cumpleaños o una invitación de boda se está volviendo rápidamente gratis.

¿Qué modelo para qué tarea? La IA es irregular: distintos modelos son buenos en cosas distintas y el líder cambia cada pocos meses. No hay un único mejor modelo. Dos hábitos ayudan:

• Prueba el mismo prompt en 2 o 3 modelos de forma rutinaria. Misma pregunta, tres herramientas. Lee las tres respuestas. Las diferencias te sorprenderán y actualizarán tu intuición sobre qué herramienta es mejor para qué tipo de pregunta.
• No te cases con una herramienta. Una persona que solo usa una IA se equivoca sobre cuál herramienta es mejor para dos tercios de sus tareas. Cambiar es gratis; solo pegas el prompt en otra pestaña.

La mejor IA para tu tarea hoy no es la mejor IA para tu tarea dentro de tres meses. Mantente flexible.

Una foto aproximada de en qué suele ser fuerte cada modelo principal ahora mismo (esto cambiará; trátalo como punto de partida, no como veredicto):

Herramienta	Suele ser fuerte en	Suele ser más débil en
ChatGPT	Rango conversacional, generación de imágenes dentro del producto, amplia cobertura de tareas.	A veces verboso; puede sobreformatear con listas y títulos.
Claude	Comprensión de documentos largos, razonamiento cuidadoso en prompts difíciles, voz de escritura.	La generación de imágenes dentro del producto es menos central que en competidores.
Gemini	Búsqueda web rápida y síntesis de fuentes, investigación profunda con salida rica (gráficos, tablas), integración estrecha con los datos de Google.	El tono puede sentirse más cortante; algunas respuestas se inclinan a ser más breves de lo ideal.

Tres hábitos que se acumulan:

1. Ten al menos dos pestañas abiertas. Una herramienta principal y una de respaldo. Cuando la principal te dé algo que no se sienta correcto, pega el mismo prompt en la de respaldo. La segunda respuesta suele desempatar.
2. Mantén un bloc de prompts. Un archivo de notas (cualquier archivo de texto sirve) donde recopiles prompts que produjeron resultados inusualmente buenos. Reúsalos y adáptalos. Esta es tu biblioteca personal.
3. Nota cuándo el modelo se equivoca. No como regaño, sino como datos. Equivocarse es una señal gratis sobre dónde están los bordes de esta herramienta. Registrar "la herramienta X se equivocó con seguridad sobre Y" una vez por semana es más útil que leer cualquier boletín de IA de 2.000 palabras.

Un pequeño ritual que rinde

Una vez al mes, elige una tarea que hagas con regularidad (escribir actualizaciones semanales de estado, planificar comidas, resumir un documento recurrente). Ejecuta esa tarea en tres herramientas de IA distintas. Anota cuál la hizo mejor. Usa esa para esa tarea hasta el mes siguiente, cuando vuelvas a probar. Tus herramientas se mantienen actualizadas sin esfuerzo.

13. Modelos que revisan modelos

Cuando no hay verdad de referencia (sin clave de respuestas, sin experto sentado a tu lado, sin prueba que falle en rojo), todavía puedes obtener una señal objetiva de calidad. La obtienes haciendo que los modelos se califiquen entre sí.

Empieza con la versión ligera. Si hoy solo tienes una herramienta de IA abierta, el bucle de autocrítica de un solo modelo (cubierto justo abajo) te da la mayor parte del beneficio y es la versión que más necesitan las tareas cotidianas. La receta multimodelo completa que viene después es la versión de alto riesgo: supone una segunda cuenta gratuita abierta en otra pestaña, alrededor de un minuto de preparación, y solo vale esa preparación cuando equivocarse sale caro. Lee ahora la receta completa para entender la forma, pero usa primero la versión más ligera; pasa a la más pesada cuando algo sobre tu escritorio realmente lo merezca.

Los distintos modelos tienen distintos puntos ciegos. Fueron entrenados con datos superpuestos pero no idénticos, con señales de recompensa distintas y por equipos que enfatizaron cosas distintas. Un punto que un modelo omite, un segundo modelo suele detectarlo. El desacuerdo entre ellos es la señal que no puedes obtener de un solo modelo.

Aquí está la receta multimodelo completa, refinada con muchos documentos y escrita desde la práctica real. Esta es la versión de alto riesgo; el bucle más ligero de un solo modelo está en la siguiente subsección:

1. Empieza con el mejor modelo al que tengas acceso. "Mejor" significa el que tenga el razonamiento más fuerte y la coherencia de salida larga más sólida para tu tipo de tarea. Usa varias señales: rankings públicos como punto de partida (Arena, livebench, benchmarks independientes) y tu propia prueba A/B rápida sobre una muestra representativa. No te ancles en un solo ranking; miden cosas distintas, y los rankings basados en preferencias premian el encanto conversacional más que el trabajo cuidadoso.
2. Genera el primer borrador con contexto completo. Infórmalo como a un colega (concepto 1), activa el modo de pensamiento para problemas difíciles (concepto 5), usa el bucle de idear e iterar para la estructura (concepto 7).
3. Pídele que califique su propia salida, de 1 a 10, contra criterios nombrados. No "¿esto es bueno?", sino "puntúa esto en claridad, precisión, estructura y qué falta, de 1 a 10 cada uno, con una justificación de una oración por puntuación." La primera nota suele ser 7 u 8.
4. Pídele que implemente sus propias sugerencias. Repite hasta que la nota deje de subir, lo que suele estabilizarse alrededor de 9.
5. Lleva el borrador a un segundo modelo. Pide la misma rúbrica. Modelo distinto, priors distintos, puntos ciegos distintos. El segundo modelo detectará cosas en las que el primero se calificó a sí mismo, que es exactamente el bucle cerrado del que necesitas escapar.
6. Devuelve la crítica del segundo modelo al primero. Enmárcalo con honestidad: "otro modelo produjo esta crítica. Evalúa qué puntos vale la pena adoptar y por qué. Rechaza cualquier cosa con la que discrepes y explica." El primer modelo arbitra. Tú observas el arbitraje.
7. Para trabajos de alto riesgo, repite con un tercer modelo de otra familia. Otra familia, otros datos de entrenamiento, otro temperamento. Para cuando tres modelos hayan discutido tu borrador, tienes lo más parecido a verdad triangulada que ofrece esta tecnología.
8. Detente cuando la puntuación cruce tu objetivo en dos modelos independientes. Un 9,5 de tu modelo principal por sí solo no es lo mismo que un 9 de tu modelo principal más un 9 de un modelo distinto. El segundo número es el que significa algo.

El bucle de autocrítica de un solo modelo, por sí solo

Los pasos 3 y 4 anteriores se pueden usar solos, sin llevar nada a un segundo modelo. Muchas tareas no justifican la sobrecarga multimodelo, pero aun así se benefician de una ronda de "puntúa esto de 1 a 10 contra esta rúbrica y luego implementa tus propias sugerencias." Una actualización semanal de estado, un email un poco delicado, un memo de una página: todo eso mejora visiblemente con una pasada de autocrítica.

Una variante de mayor apalancamiento: define un objetivo numérico y deja que el modelo itere autónomamente hacia él. En lugar de "puntúa esto y dime qué falta", prueba "itera contra tu propia rúbrica hasta alcanzar 9,5 en todos los criterios y luego muéstrame la versión final." El modelo calificará, revisará, volverá a calificar, revisará y seguirá (cinco o seis rondas en una sola respuesta), y solo volverá a ti cuando alcance el objetivo o se estanque. Esto es mucho más rápido que conducir cada ronda manualmente y funciona especialmente bien para artefactos largos (un memo de 5.000 palabras, un capítulo, un plan integral) donde ir y venir a mano sería tedioso. El objetivo mismo es un mecanismo de dirección: 9 impone un techo distinto a 9,5, y 10 obliga al modelo a seguir encontrando cosas que mejorar hasta que genuinamente no pueda encontrar más.

Esto puede sonar como si contradijera el concepto 6, que advertía que un modelo que califica su propio trabajo tiende a la complacencia. La diferencia es la rúbrica. Sin una, "¿esto es bueno?" devuelve "¡gran trabajo!", que es el bucle cerrado del que trataba el concepto 6. Con criterios nombrados puntuados de 1 a 10, el modelo tiene que señalar qué falta en los otros puntos, y ese señalamiento es contra lo que implementas. La rúbrica es lo que convierte la autocalificación de complacencia en función de fuerza.

La página ahora ofrece tres versiones anidadas del mismo ADN. Elige la más ligera que encaje con el trabajo:

Pasa de la versión más ligera a la más pesada cuando equivocarse se vuelva más caro, o cuando la nota de un solo modelo se estanque alrededor de 9 y quieras saber si 9 es realmente 9.

Por qué importa la nota. Forzar al modelo a dar un número no se trata del número. Se trata de lo que producir el número exige. Un modelo que tiene que puntuar tu borrador con 7/10 tiene que nombrar qué falta en los otros 3 puntos. Sin la puntuación, "esto está bastante bien" pasa por revisión. Con la puntuación, "bastante bien" tiene que convertirse en "pierde 1 punto en estructura porque la tercera sección repite la segunda; pierde 2 puntos en evidencia porque tres afirmaciones no tienen fuente." La nota es una función de fuerza para la especificidad, y la especificidad es aquello sobre lo que puedes actuar. También es la única señal legible que recibes para comparar la iteración N con la iteración N+1.

Una salvedad honesta. Tres modelos todavía pueden equivocarse todos sobre lo mismo. Comparten más datos de entrenamiento de lo que imaginas, y en temas discutidos o con datos escasos (concepto 2) a menudo comparten las mismas ideas equivocadas. La puntuación es una señal de progreso, no una señal de verdad. Para contenido de alto riesgo (cualquier cosa legal, médica, financiera o sobre una persona real), ninguna cantidad de pasadas entre modelos reemplaza la revisión de las afirmaciones importantes por parte de un experto humano. Los modelos se revisan entre sí en el oficio. Los humanos revisan los hechos que importan.

Cuándo saltarte el bucle.

No toda tarea lo merece. Un email corto, una búsqueda rápida, una lluvia de ideas casual: un solo modelo está bien. Reserva la revisión cruzada multimodelo para trabajos donde equivocarse salga caro: un memo que leerá tu jefe, un capítulo que se publicará, una decisión que afecta a otras personas, un contrato que firmarás. La regla práctica: si un colega reflexivo habría pasado dos horas revisando esto, merece el bucle.

Un ejemplo no relacionado con software. Una consultora que preparaba un memo estratégico de 40 páginas para el consejo de un cliente lo redactó en su modelo más fuerte e iteró contra sus propias notas hasta que se estabilizaron en 9. Luego pegó el memo completo en un segundo modelo y pidió la misma rúbrica. El segundo modelo le dio 7,5 y enumeró once problemas específicos, tres de los cuales su modelo principal no había señalado en ninguna de sus rondas de autocalificación. Ella devolvió esos puntos al primer modelo para arbitraje; adoptó siete y rechazó cuatro con razones. Un tercer modelo sacó dos más. El punto no son las puntuaciones finales. Es que los contraargumentos que ella nunca habría visto por su cuenta, porque su modelo principal compartía sus puntos ciegos, estuvieron en el memo antes de la reunión del consejo.

---

Un resumen breve antes de probar los prompts

Trece conceptos son muchos. La forma de la página, una línea por concepto:

• Concepto 1. La diferencia entre un prompt de principiante y un prompt de usuario avanzado es un puñado de hábitos: informa a la IA como a un colega nuevo e inteligente, con contexto, restricciones y una petición clara.
• Concepto 2. La IA sabe cosas a partir de una instantánea de internet, así que es fuerte en temas comunes y débil en temas oscuros o recientes.
• Concepto 3. Tres modos de recuperación: preentrenado, búsqueda web, investigación profunda. Tu redacción orienta cuál se activa.
• Concepto 4. El mayor determinante de la calidad de la respuesta es cuánto contexto relevante cargas desde el principio.
• Concepto 5. Los modelos modernos pueden pensar con cuidado durante segundos o minutos si se lo pides.
• Concepto 6. Los modelos están sesgados hacia el acuerdo; el encuadre neutral y las rúbricas neutralizan la mayor parte de ese sesgo.
• Concepto 7. El bucle de iterar con retroalimentación explícita es el hábito de mayor apalancamiento de la página.
• Conceptos 8-10. La IA puede ver imágenes, trabajar con audio en ambas direcciones, construir apps pequeñas y ejecutar código sobre tus datos.
• Concepto 11. Hay una nueva categoría de apps de escritorio conscientes de archivos. Acota los permisos con fuerza hasta que las hayas usado de forma segura.
• Concepto 12. La herramienta correcta para un trabajo cambia cada pocos meses. Mantén dos pestañas abiertas.
• Concepto 13. Cuando no hay un experto humano en la sala, hacer que los modelos se califiquen entre sí es lo más cercano a una señal objetiva de calidad.

Debajo de todo eso hay un solo movimiento, repetido con una docena de disfraces: introduce el contexto correcto, mantén fuera el contexto incorrecto. Si no recuerdas nada de esta página excepto esa oración, seguirás estando en el cuartil superior de usuarios.

---

Prueba esto ahora: once prompts antes de Thinking Baseline

Leer es un sustituto temporal de probar. Abre Claude, ChatGPT o Gemini en otra pestaña. Ejecuta estos once prompts en orden. Toman unos veinticinco minutos en total y ejercitan cada concepto de esta página.

1. Activador de búsqueda web. Obliga a la IA a salir de sus datos de entrenamiento y buscar información actual.

What major news happened today in [your country]? Cite each claim
with a source link. Flag any claim you can't support with a citation
as "unverified".

2. Pregunta solo preentrenada. Conocimiento común, sin búsqueda necesaria. Debería ser rápida y segura.

Why do cats stare at walls? Two-paragraph answer.

3. Prompt personal rico en contexto. Practica cargar restricciones desde el principio.

Plan a 15-minute home workout for me. Constraints: I have a
trampoline and a cat, no squats (bad knee), I hate sticking to
plans for more than three days, and I want to feel slightly
silly while doing it. Give me 3 options, no commentary.

4. Reescritura con encuadre neutral. Practica detectar tu propio sesgo en el prompt.

The question I want to ask is: "Don't you think four-day work
weeks are obviously better for everyone?" Rewrite this as a
neutral question that doesn't signal what answer I want.
Then answer the rewritten version.

5. Lluvia de tres opciones con iteración. El bucle central del usuario avanzado.

Round 1: I want to start a small side project that takes about
3 hours per week and might make money in a year. I'm a [your
profession] who likes [your hobby]. Give me 5 different ideas,
one line each. Don't expand any of them.

(Read the 5. Pick what you like and don't like. Then, in the
SAME conversation:)

Round 2: I reject options [N] and [N] because [reason]. I like
the [keyword] idea but I want it to use less [thing]. Give me
5 new options that incorporate this feedback.

6. Escritura con esquema primero. Fuerza estructura antes de la prosa.

I want to write a 600-word post about [a topic you care about].
Don't write it yet. Give me 3 different outline options, each
with 4-6 headings. One line per heading.

7. Prompt de razonamiento con pensamiento cuidadoso. Usa una decisión personal real.

I'm choosing between [Option A] and [Option B] for [real personal
decision in your life]. Here's the relevant context: [a paragraph
of context]. Think hard before answering. Tell me:
1. The 3 trade-offs that actually matter.
2. Which you'd choose and why.
3. Under what conditions your recommendation would flip.

8. Crítica con rúbrica objetiva. Evita la complacencia con tu propio trabajo.

I'm pasting in something I wrote: [paste anything 100-300 words].

Critique it using these 4 criteria, each scored 1-5 with a
one-sentence reason:
- Does it have a clear central claim?
- Is each paragraph in the right order?
- Are there any sentences that could be cut without loss?
- Does the ending earn the time the reader spent getting there?

Then suggest the smallest change that would lift the lowest score.

9. Tarea con entrada de imagen. Practica darle a la IA una foto para leer.

[Upload any handwritten note, receipt, or whiteboard photo]

Transcribe what's written. Then summarize what it's about in
3 bullets. Flag anything you couldn't read with confidence.

10. Prompt de app pequeña. Practica la forma Goal/Input/Output.

Build me a Pomodoro timer.
Goal: 25-minute work sessions, 5-minute breaks.
Input: I press start.
Output: Visible timer counting down, a satisfying click when
each cycle ends, a yellow theme. Show me the working version.

11. Revisión entre modelos. Practica el hábito multimodelo con un borrador real. Requiere dos herramientas de IA abiertas a la vez.

Take any 200-300 word draft you wrote recently (an email, a memo, or a paragraph from one of these exercises).

Step 1: In your primary AI tool, paste the draft and ask: "Score this 1-10 on clarity, structure, evidence, and what's missing. One-sentence justification per score."

Step 2: Open a second AI tool. Paste the same draft, ask the same question.

Step 3: Compare the two scores and the two critiques side by side. Note any point only one of them caught. Those are the points the cross-model loop pays for.

Ahora sabes qué pueden hacer estas herramientas. Que puedas pensar con suficiente claridad para dirigirlas es otra pregunta, y esa es la pregunta alrededor de la cual está construida la Parte 0.

Preguntas frecuentes antes de empezar

¿Necesito un plan de pago para hacer los ejercicios de la Parte 0? Los planes gratuitos de ChatGPT, Claude y Gemini bastan para Thinking Baseline y la mayoría de los ejercicios de capítulos. Un plan de pago ayuda si haces mucha investigación profunda o adjuntas muchos archivos en una sesión. Empieza gratis; actualiza solo si los límites de uso empiezan a bloquearte.

¿Debería usar una herramienta o tres? Elige una como predeterminada para el uso diario, pero instala al menos otra para comparar. El objetivo de tener una segunda herramienta no es hacer el doble de trabajo; es tener un desempate cuando la primera herramienta te da algo que no se siente correcto.

Mi empresa bloquea ChatGPT. ¿Qué hago para los ejercicios? Usa cualquier herramienta moderna de IA que tu empresa permita. Las habilidades de la Parte 0 se transfieren a cualquier IA de texto de entrada y texto de salida. Si no se permite ninguna, usa tu cuenta personal en un dispositivo personal para los ejercicios del capítulo (los entregables de la Parte 0 tratan sobre pensar, no sobre datos de la empresa).

¿Es hacer trampa usar IA para Thinking Baseline? Sí, y solo te haría trampa a ti. La línea base no se califica. Su único propósito es capturar una foto honesta que puedas comparar más tarde. Una línea base impulsada por IA te da un punto de partida engañosamente alto y borra la evidencia de tu crecimiento.

¿Qué pasa si olvido las recetas de esta página? Marca la página. Las recetas (el bucle de iteración, el patrón de rúbrica, el truco de reformulación neutral) están diseñadas para consultarse, no para memorizarse. Lo único que vale la pena memorizar es la oración única: introduce el contexto correcto, mantén fuera el contexto incorrecto.

¿Por qué la Parte 0 dedica tanto tiempo al pensamiento cuando la IA es tan capaz? Porque la capacidad sin dirección multiplica el desperdicio. Un análisis de IA seguro pero equivocado es más peligroso que ningún análisis, porque parece terminado. La Parte 0 entrena el juicio que decide qué hacer con lo que produce la IA. Ese juicio es la habilidad más valiosa en un lugar de trabajo saturado de IA, y la mayoría de los currículos lo omiten por completo.

Errores comunes que debes vigilar en tu primera semana

Error	Síntoma	Arreglo
Tratar la IA como un motor de búsqueda	Prompts cortos, respuestas superficiales, frustración repetida	Informa a la IA como a un colega: contexto, archivos, restricciones, petición.
Dejar que una conversación acumule para siempre	Las respuestas se vuelven más vagas con el tiempo	Empieza una conversación nueva cuando cambie el tema.
Pedir el borrador final en el primer intento	Salida pulida, contenido hueco	Primero esquema, crítica del esquema, expansión a viñetas y luego borrador.
Usar frases carnada sin darte cuenta	La IA está de acuerdo con lo que insinuaste	Reescribe como preguntas neutrales antes de enviar.
Saltarte la rúbrica en las críticas	"¡Gran trabajo!" sin detalles	Proporciona criterios objetivos de sí/no; pide puntuaciones por criterio.
Confiar en la seguridad como precisión	Errores sorprendentes en temas oscuros	Pregunta "¿cómo sabrías esto?" Verifica afirmaciones de alto riesgo con fuentes primarias.
Aprobar permisos amplios el primer día	Archivos perdidos, ediciones sobrescritas	Acota carpetas. Amplía alcance solo con historial.

No son defectos de carácter. Son hábitos que la primera generación de usuarios (incluyéndote) está construyendo desde cero. Detectarlos una vez suele bastar para que se queden.

Esta página enseñó la mecánica de usar estas herramientas. La Parte 0 enseña la disciplina que hace que la mecánica rinda:

• El Capítulo 1 (Hacer mejores preguntas) es la versión más profunda del concepto 6: cómo formular preguntas que saquen a la superficie lo que todavía no sabes.
• El Capítulo 2 (Detectar razonamiento roto) es la versión más profunda del concepto 2: las respuestas seguras de la IA no son lo mismo que respuestas correctas, y hay técnicas repetibles para detectar las fallas.
• El Capítulo 6 (Trabajar con IA, no para la IA) es la versión más profunda del concepto 7: el bucle de idear e iterar es un movimiento dentro de un manual de colaboración mucho más amplio.
• Los otros capítulos cubren habilidades que la página de mecánica no toca en absoluto: pensamiento sistémico, razonamiento desde primeros principios, razonamiento ético, toma de decisiones bajo incertidumbre y aprender a aprender.

Cuando estés listo, ve a Parte 0: pensar es el currículo y empieza con Thinking Baseline: una foto sin calificación de 30 minutos de tus habilidades actuales de pensamiento, tomada antes de cualquier entrenamiento. Repetirás la misma evaluación después del Capítulo 10 y compararás. No la saltes. Las herramientas potentes sin juicio cometen errores seguros más rápido, y la línea base es la única forma honesta de medir si tu juicio está mejorando.