Cómo pensar en la era de la IA: curso intensivo de una jornada de trabajo
6 disciplinas · 6 modos de falla de la IA · Una regla
Dos personas abren la misma herramienta de IA un lunes por la mañana. La misma tarea: ¿deberían gastar su presupuesto en contratar a una persona con experiencia, o usar ese mismo dinero para comprar herramientas de IA que ayuden a todo el equipo a trabajar más rápido? Ambas tienen acceso a Claude, ChatGPT y Gemini. Ambas tienen una semana para decidir.
La persona A termina el viernes con una recomendación clara que puede explicar. Escribió con qué afirmaciones de la IA estuvo de acuerdo, cuáles cuestionó y qué la haría cambiar de opinión. La persona B termina el viernes con un documento pulido que en gran parte repite lo que la IA le dijo el lunes. Cuando su jefa pregunta "¿por qué recomendaste esto?", no puede explicar su propio razonamiento. Solo reenvió lo que sonaba bien.
Mismas herramientas. Mismo problema. Resultados distintos.
La diferencia es pensar. La persona A formó su propia opinión antes de preguntar a la IA. La persona B dejó que la primera respuesta de la IA se convirtiera en su opinión.
Esa brecha es la que cierra este curso intensivo. Seis hábitos de pensamiento, tres partes breves, nada de código. Cada hábito aborda una forma específica en que la IA te engaña cuando dejas que piense por ti. Juntos convierten la IA de una máquina mágica de respuestas en una compañera de pensamiento: primero predices, luego responde, comparas y decides.
La fuerza contra la que entrena este curso
Person B no es perezosa ni descuidada. Está siendo tirada por una fuerza que ya tiene nombre.
Eric So, profesor de MIT Sloan, la llama gravedad de la IA: la atracción constante a externalizar cada vez más pensamiento hacia la IA. En palabras simples: cada día se vuelve un poco más fácil dejar que la IA piense por ti, y un poco más fácil dejar de pensar por cuenta propia.
¿Por qué llamarla gravedad? Porque funciona como la gravedad real. No puedes verla. Nunca se apaga. Y tira de todo el mundo, todo el tiempo, desde tres direcciones a la vez:
- Tu cerebro quiere ahorrar energía. El cerebro evita el trabajo difícil. Eso es normal, no un defecto. Pero cada vez que la IA mejora, entregarle una tarea más se siente más fácil, y escribir primero tu propia respuesta se siente como trabajo extra que puedes omitir.
- Quieres que tu trabajo parezca de nivel experto. La IA puede escribir en segundos algo que parece hecho por una persona experta. Trabajar sin ella empieza a sentirse como correr con un solo zapato.
- No puedes ver quién más usa IA. Tus compañeros no lo anuncian. Entonces todos suponen que todos los demás usan más IA, y nadie quiere quedarse atrás. La carrera se acelera sola.
Mira otra vez a Person B el lunes por la mañana. Las tres fuerzas la empujaron al mismo movimiento fácil: abrir la IA, preguntar, aceptar. Nunca sintió que estuviera decidiendo nada. Así se siente un pozo de gravedad desde dentro.
Tres fuerzas, una atracción. Person A enfrenta la misma gravedad que Person B. La diferencia es el contrapeso.
Lo que te cuesta la atracción. Investigadores del MIT Media Lab hicieron un estudio temprano sobre esto. Personas escribieron ensayos con ayuda de ChatGPT. Justo después de entregarlos, 83 de cada 100 no pudieron repetir ni una frase de su propio ensayo. Las palabras fueron de la pantalla a la entrega sin pasar por la cabeza de quien escribía. El estudio es preliminar, temprano y pequeño, pero la advertencia es difícil de ignorar.
Professor So llama a lo que se pierde capital cognitivo. Piensa en él como tu músculo de pensamiento: la capacidad acumulada para trabajar un problema, detectar una respuesta equivocada y notar lo que una respuesta segura dejó fuera. Todas las disciplinas de esta página dependen de ese músculo.
Las palabras viajaron de la pantalla a la entrega sin pasar por la persona que escribía.
Docentes sienten la misma atracción desde el otro lado del escritorio. En junio de 2026, una decana de IE School of Science & Technology en Madrid dijo que el peligro real de la IA en la escuela no es que escriba un resumen peor, sino que el alumnado deje de construir el músculo mental que escribir resúmenes siempre buscó construir. Su consejo fue simple: sigue haciendo el pensamiento difícil y suma IA encima. (BusinessWorld, junio de 2026)
Professor So también da cuatro formas de resistir la atracción. Las reconocerás porque son exactamente lo que enseña esta página:
| Cómo resistir (Professor So) | Dónde lo practicarás aquí |
|---|---|
| Sigue haciendo tú mismo el pensamiento difícil | Los ejercicios y la caja de cautela de abajo |
| Conoce lo que puedes hacer sin IA | Prediction Lock y el camino Solo en la Disciplina 6 |
| Usa el tiempo que ahorra la IA para pensar mejor | Parte 3, Origination |
| Usa la IA como coach, no como máquina de respuestas | Cada ejercicio AICheck de esta página |
Esta sección no dice que uses menos IA. Las seis disciplinas no son una dieta. Son un contrapeso. La gravedad solo gana contra aquello que deja de sostener su propio peso. El resto de la página explica cómo seguir siendo pesado.
Requisitos previos. Esta página asume que ya terminaste los cursos anteriores de Foundations, especialmente What AI Actually Is para el modelo mental y Prompting de IA en 2026. Ese curso enseñó la mecánica: cómo dar contexto a la IA, cómo usar búsqueda web e investigación profunda, cómo trabajar con imágenes y audio, y cómo usar apps de escritorio con IA. Este curso enseña la disciplina de pensamiento que hace que esa mecánica valga la pena. Abre ahora una cuenta gratuita con Claude, ChatGPT o Gemini en otra pestaña. La usarás en las secciones de práctica.
Una nota sobre modelos de IA. Los ejercicios de práctica incluyen feedback calificado por IA. Funcionan mejor con un modelo fuerte y actual (Claude, ChatGPT o Gemini en su mejor nivel de razonamiento). Los modelos viejos o débiles tienden a dar feedback vago o demasiado positivo sin importar lo que envíes. Usa el mejor modelo al que tengas acceso. La marca específica no importa; lo importante es que el modelo pueda razonar con cuidado.
📚 Material de apoyo
Ver presentación completa: Pensar con la IA
La regla en una línea
El entregable nunca es la respuesta. El entregable es la evidencia documentada del pensamiento.
Léelo como dos afirmaciones. Primero, el entregable, lo que entregas a tu jefa, tu profesor o tu cliente, ya no es solo la respuesta. La IA puede producir una respuesta pulida en segundos; producirla ya no es la parte difícil. Segundo, lo que ahora vuelve confiable un entregable es el registro escrito de cómo pensaste para llegar allí: la predicción que fijaste antes de preguntar a la IA, la fila donde marcaste una afirmación de la IA como REJECT y explicaste por qué, y el mapa de cascada que dibujaste para seguir los efectos secundarios: un diagrama de una página con una columna breve para cada grupo afectado por tu decisión, estudiantes, profesores, padres, patrocinadores, y tres flechas bajo cada uno que muestran qué ocurre primero, qué causa eso después y qué causa luego. La disciplina 4 lo explica completo. Si alguien pregunta "¿por qué decidiste esto?", apuntas a la evidencia.
En la práctica, la evidencia suele vivir dentro del entregable: una nota al pie, un párrafo de "considerado y rechazado", un mapa de cascada como figura o una frase de "qué me haría cambiar de opinión" cerca del final. A veces vive en un documento de trabajo junto al entregable. En cualquier caso, cuando alguien pregunta por qué, puedes señalarla. Si no puedes señalar nada, tienes una respuesta que no puedes defender, y eso no es un entregable en 2026.
A veces. Una sesión de chat captura todo lo que dijo la IA y todo lo que preguntaste, así que es más completa que cualquier recibo de razonamiento. Para trabajo de bajo riesgo, como depurar código, investigar rápido o explorar ideas, el enlace del chat suele bastar. Pero para entregables serios tiene tres límites: muestra lo que dijo la IA, pero no lo que tú decidiste sobre cada afirmación; es demasiado largo para que una persona ocupada lo revise; y no muestra qué equivocó la IA, porque esos hallazgos viven en tu cabeza, no en la transcripción. Trata el enlace del chat como material bruto, igual que un artículo académico trata los datos brutos. El recibo de razonamiento o el memo es el entregable que das a la audiencia; el enlace va en el apéndice o en una nota para quien quiera verificar.
Así se ve en la práctica. Recuerda a la persona A y la persona B del inicio: mismo problema, misma IA, resultados distintos. El viernes por la mañana, su jefa les pregunta a ambas: "¿por qué recomendaste esto?" La persona B no tiene nada que señalar. Reenvía el documento que la IA la ayudó a producir y dice que sonaba bien. La jefa lo lee, encuentra dos afirmaciones con las que no está de acuerdo, y ahora no tiene forma de saber si la persona B examinó esas afirmaciones o solo las aceptó. La persona A abre su documento de trabajo y dice: "El lunes predije que contratar a la persona con experiencia era la mejor opción. El análisis de la IA cambió esa predicción, y este es el motivo: las tres afirmaciones que verifiqué, la que rechacé y el supuesto que haría que volviera a cambiar mi recomendación." Mismo problema. Dos conversaciones completamente distintas.
¿Qué te compra la evidencia en este entregable, ahora mismo? Dos cosas. Una: el acto de escribir obliga a que ocurra el pensamiento. No puedes escribir una predicción específica sin decidir antes qué crees realmente, y no puedes marcar una afirmación como REJECT sin explicar por qué. Sin escribir, pensar es demasiado fácil de omitir: lees la respuesta pulida de la IA, suena correcta y la adoptas como propia sin haber formado una postura para compararla. La escritura es la parte que no puedes fingir. Dos: el registro escrito es una herramienta de trabajo, no solo una pista de auditoría. La gerente bancaria que escribió "mi recomendación es cerrar las sucursales, porque creo que la mayoría de estos clientes solo usan la app" y vio que la IA respondía con datos que mostraban que solo el 45% eran clientes exclusivos de la app no solo documentó un desacuerdo; la brecha entre su postura y los datos se convirtió en la primera línea de su informe y en la columna vertebral de su recomendación. El registro es la superficie donde ocurre la segunda pasada de pensamiento, y esa segunda pasada es donde el entregable mejora de verdad.
Lo que cambió no es el hábito de escribir las cosas. Es el costo de saltárselo. Cuando producir texto pulido era caro, la parte difícil era hacer el trabajo. La IA volvió gratis la salida pulida. El cuello de botella pasó de producir trabajo a evaluarlo, y la evidencia escrita es la forma de evaluarlo. Las herramientas cambian cada seis meses; esto no.
Lo esencial (cinco viñetas)
Acabas de aprender la regla. Aquí tienes cinco de los seis hábitos que enseña el resto de la página, primero en versión breve y luego en versión completa. Las viñetas te dicen qué hacer; las secciones te muestran cómo hacerlo. El sexto hábito, probar dónde se rompe el consejo común, necesita más preparación de la que cabe en una viñeta y tiene su propia sección.
-
Piensa antes de preguntar a la IA. Escribe lo que TÚ crees que es la respuesta antes de abrir cualquier herramienta de IA. ¿Por qué? Porque una vez que lees la respuesta de la IA, ocupa tu pensamiento. Si la IA dice algo que suena razonable, lo adoptarás como propio sin darte cuenta. Escribir primero tu propia respuesta protege tu juicio independiente.
-
Mantén un registro escrito de lo que aceptaste y lo que rechazaste. Cuando la IA te da afirmaciones o recomendaciones, revisa cada una y escribe: ¿estoy de acuerdo? ¿no estoy de acuerdo? ¿la IA omitió algo importante? Escribe una frase que explique por qué en cada caso. Si estás de acuerdo con todo lo que dijo la IA sin cuestionar nada, probablemente no pensaste lo suficiente.
-
La escritura pulida no es lo mismo que la escritura correcta. La IA siempre suena segura y profesional, incluso cuando se equivoca. Hay seis tipos específicos de errores que se esconden dentro de una salida que suena fluida. Revisa cada tipo por nombre antes de enviar, publicar o actuar sobre algo que escribió la IA.
-
La respuesta obvia nunca es la respuesta completa. Cuando la IA analiza una decisión, se enfoca en lo que preguntaste e ignora los efectos secundarios. Antes de cualquier decisión importante, rastrea qué ocurre después en las distintas personas y grupos afectados. Busca lugares donde los efectos secundarios regresan y deshacen la decisión original.
-
Los mejores resultados vienen de trabajar CON IA, no de entregarle el volante. Trabajar solo es lento. Dejar que la IA lo haga todo produce salida genérica. El enfoque ganador: tú haces el pensamiento y la decisión, la IA hace la investigación y el borrador. Si inviertes eso, si la IA piensa y tú solo editas, te vuelves innecesario. Las personas que solo pasan respuestas de IA terminarán siendo reemplazadas por la propia IA.
El marco completo: seis disciplinas
Las cinco viñetas de arriba son el resumen de trabajo. Aquí está la arquitectura completa: seis disciplinas, emparejadas una a una con los modos de falla de la IA que responden, agrupadas en tres partes.
Figura 1: Seis disciplinas se corresponden con seis modos de falla de la IA, organizadas en tres partes.
Las tres partes van en orden. Parte 1, Fundamentos, trata de pensar antes de preguntar a la IA: tomar tu propia posición primero y luego registrar lo que decides sobre cada respuesta. Parte 2, Detección, trata de detectar lo que la IA equivoca: los errores enterrados en prosa confiada y los efectos secundarios que nunca sigue. Parte 3, Originación, trata del pensamiento que la IA no puede hacer por ti: encontrar dónde se rompe el consejo común y mantener tu juicio al mando cuando la IA intenta tomar el control. Cada parte depende de la anterior.
Cuatro términos se repiten en esta página. Una disciplina es un hábito de pensamiento que practicas, algo que tú haces. Un modo de falla es una forma específica en que la IA te engaña, algo que la IA hace. Cada disciplina se empareja una a una con el modo de falla que responde (mostrado como la línea en cursiva bajo el nombre de cada disciplina en la figura). Una parte del curso agrupa disciplinas que comparten una tarea; hay tres partes (Fundamentos, Detección, Originación), dos disciplinas cada una, y cada parte habilita la siguiente. Un entregable es lo que entregas a tu jefa, tu profesor o tu cliente: en 2026, es la respuesta más la evidencia documentada del pensamiento que la produjo (el banner al pie de la figura).
Cada caja numerada en la figura es una disciplina. La línea en versalitas al pie es la línea de acción: la acción específica que esa disciplina te pide tomar, escrita para caber en una nota adhesiva. El nombre de la disciplina te dice cómo se llama el hábito; la línea de acción te dice qué hacer en concreto.
Empieza aquí. Las dos disciplinas de la parte 1 son las que evitan que la IA piense por ti. Si las saltas, las otras cuatro no pueden hacer su trabajo.
Cómo leer esta página
| Tiempo disponible | Qué leer | Qué omitir |
|---|---|---|
| 45 minutos | Hábitos 1, 2, 3 y 6 (solo lectura, sin ejercicios) | Hábitos 4 y 5 (vuelve luego) |
| 90 minutos | Los seis hábitos + ejemplos trabajados, solo lectura | Los envíos AICheck |
| Una jornada de trabajo (recomendado) | Todo, ejecutando cada ejercicio sobre una decisión real de tu semana | Nada |
Estos hábitos se fijan cuando los pruebas en problemas reales de tu semana. Leer la página en 90 minutos te muestra los movimientos. Hacer los ejercicios sobre decisiones reales es lo que los vuelve tuyos.
Cada hábito aquí necesita algo con lo que trabajar. El bloqueo de predicción te pide escribir primero tu propia respuesta, pero solo puedes hacerlo si ya sabes lo suficiente para tener una respuesta. La taxonomía de errores te pide detectar un número falso, pero solo puedes detectarlo si sabes cómo se ve uno real. Estos hábitos usan tu juicio. No lo construyen.
Así que si todavía eres estudiante, no te saltes el trabajo difícil. Escribe el resumen tú mismo. Resuelve el conjunto de problemas sin IA. Sí, la IA puede hacerlo más rápido. Pero hacerlo por tu cuenta es lo que fortalece tu cerebro lo suficiente para detectar más tarde cuándo la IA se equivoca. Si nunca haces el trabajo difícil, tu bloqueo de predicción es solo una apuesta: la IA da una respuesta y no tienes nada propio con qué compararla. El hábito parece funcionar, pero está vacío.
Regla simple: usa la IA para estirar una habilidad que ya tienes, no para saltarte el aprendizaje. Un contador con veinte años de experiencia puede apoyarse mucho en la IA porque ya sabe cómo se ve una buena respuesta. Un estudiante de primer año que nunca ha hecho el trabajo a mano no puede hacerlo, todavía no.
Parte 1: Fundamentos (la postura, es decir, la posición que tomas antes de empezar)
Si te saltas todo lo demás, no te saltes estos dos hábitos. Corrigen los dos errores más grandes que comete la gente con la IA:
-
Error 1: la IA piensa por ti. Haces una pregunta, la IA da una respuesta fluida y la aceptas antes de formar tu propia opinión. El hábito 1, bloqueo de predicción, corrige esto: escribes lo que piensas ANTES de abrir la IA.
-
Error 2: el primer borrador de la IA parece terminado. La escritura es tan pulida que la envías sin comprobar si es correcta. El hábito 2, recibo de razonamiento, corrige esto: revisas cada afirmación y escribes si estás de acuerdo, si no lo estás o si necesitas verificarla.
Juntos, estos dos hábitos mantienen el pensamiento contigo y la escritura con la IA. Todo en las partes 2 y 3 se apoya en ellos.
Disciplina 1: El bloqueo de predicción
El objetivo es uno solo: tener por escrito una postura propia antes de que llegue la respuesta de la IA. Todo lo de abajo, las cuatro líneas, la nota adhesiva, el porcentaje de confianza, existe para que eso ocurra de verdad. Si escribes las cuatro líneas y aun así no puedes decir cuál era tu postura antes de abrir la IA, la disciplina no funcionó. Si tu postura es clara y llegaste a ella en dos líneas en vez de cuatro, la disciplina sí funcionó. Las cuatro líneas son una receta, no el plato.
Esto es lo que suele pasar sin el bloqueo. Le haces a la IA una pregunta importante. La IA te da una respuesta segura y bien escrita. Piensas "eso suena bien" y sigues adelante. Dos días después alguien pregunta "¿por qué decidiste eso?" y te das cuenta: esa era la respuesta de la IA, no la tuya. Nunca formaste tu propia opinión.
La solución toma tres minutos. Escribe cuatro líneas en un papel antes de abrir la IA. Probémoslo juntos primero con la decisión de otra persona.
Maya tiene 13 años. Su escuela envió un correo: hay que elegir una actividad de verano. Opción 1: campamento de debate (dos semanas, van todos sus amigos). Opción 2: bootcamp de programación (una semana, le da curiosidad, pero está nerviosa). Su papá dice: "pregúntale a ChatGPT, seguro sabe".
Antes de preguntarle a la IA, Maya escribe cuatro líneas:
Figura: las cuatro líneas del bloqueo de predicción, con las respuestas de Maya como ejemplo trabajado.
Línea 1: ¿de qué trata realmente esta decisión?
No "debate o programación". Eso es solo la superficie. La pregunta real por debajo podría ser: "¿Voy a hacer lo que hacen mis amigos, o lo que elegiría si nadie estuviera mirando?" O: "¿Lamentaría más perderme programación que perderme debate?" Escribe la pregunta real en una frase.
Línea 2: ¿cuál es el ÚNICO dato que más ayudaría?
No "¿cuál es mejor?". Eso es demasiado vago. Algo específico que puedas verificar: "¿El bootcamp de programación enseña Python?" Esto importa porque su escuela ya enseña Python en 9.º grado. Si el bootcamp enseña lo mismo, las dos semanas de programación en su mayoría repiten lo que aprenderá de todos modos. Si enseña algo que su escuela no cubre, el bootcamp ofrece una habilidad que no podría conseguir en otro lugar.
Línea 3: ¿cuál es tu decisión, antes de que la IA opine?
Toma una postura. No "depende". No "veré qué dice la IA". Elige debate o elige programación, y escribe por qué. El razonamiento de Maya: sabe que su escuela cubre Python en 9.º grado, lo más probable es que el bootcamp también cubra Python, y las dos semanas con sus amigos aprendiendo algo que no puede obtener en un curso escolar valen más que repetir el currículo del próximo año. Así que su decisión es debate.
Esta es la parte que todos quieren saltarse. "¿Cómo puedo decidir sin preguntarle primero a la IA?" Puedes. Ya sabes cosas: qué enseña tu escuela, qué lamentarías perderte, qué hacen tus amigos. Usa lo que sabes para formar una postura. El trabajo de la IA en un minuto es confirmar o anular esa postura, no formarla por ti.
Línea 4: ¿qué tan segura estás, y qué respuesta específica de la IA cambiaría tu decisión?
Elige un porcentaje: 60%, 75%, el que sea. El número exacto no importa. Lo que importa es que te comprometiste. Luego escribe la única respuesta de la IA que te haría cambiar de opinión. Maya: "70% de seguridad de que debate es lo correcto. Si el bootcamp enseña algo que mi escuela no cubre (Rust, programación de sistemas embebidos, desarrollo de videojuegos), gana programación porque es una habilidad que no podría conseguir en otro lugar."
Si no puedes nombrar la respuesta específica de la IA que cambiaría tu decisión, todavía no te has comprometido con una postura real. "Depende" no es una postura. "Haré X a menos que la IA me diga Y" es una postura.
¿Cómo sabes que el bloqueo funcionó?
Hay una prueba, y no consiste en contar líneas:
¿Puedes decir en voz alta cuál era tu postura antes de abrir la IA, y qué te habría hecho cambiar de opinión?
Si la respuesta es sí, el bloqueo funcionó. La cantidad de líneas no importa.
Si la respuesta es no, si te encuentras diciendo "bueno, la IA dijo X, así que seguí con X" o "lo pensé y decidí lo que la IA sugiriera", el bloqueo no funcionó. La cantidad de líneas sigue sin importar.
Las cuatro líneas son ruedas de entrenamiento. Hacen que el objetivo sea difícil de saltar. Después de algunas semanas de práctica, quizá comprimas las cuatro en un solo párrafo o en unas notas mentales, y el bloqueo seguirá funcionando. Pero las primeras 10 veces, escribe las cuatro líneas de forma explícita. Es la única forma de saber que de verdad te comprometiste con una postura, en vez de solo creer que lo hiciste.
Qué hacen las cuatro líneas
Las cuatro líneas funcionan para Maya porque su decisión es simple: una elección binaria, un hecho que la resolvería. No todas las decisiones se ven así. Antes de copiar la plantilla de cuatro líneas, mira qué está haciendo cada línea por debajo. Las líneas de Maya son un caso de un proceso que se mantiene igual aunque la forma cambie.
El bloqueo de predicción tiene cuatro partes. Son las mismas cuatro partes para cualquier decisión:
- Saca a la superficie la decisión real. Quita la etiqueta. La decisión superficial de Maya era "debate o programación". Su decisión real era "seguir a mis amigos o elegir por mi cuenta". La decisión superficial de la gerente bancaria era "cerrar dos sucursales". Su decisión real era "qué hacer con una base de clientes que se movió a la app". La etiqueta siempre oculta la pregunta real. Nombra la pregunta real.
- Identifica qué la resolvería. ¿Qué información haría obvia la decisión si la tuvieras? Para Maya, un hecho: ¿el bootcamp enseña Python? Para una contratación con tres candidatos, podrían ser tres hechos: ¿cada candidato tiene la habilidad específica que más necesitamos? Para repartir presupuesto entre cinco categorías, podría ser una comparación: ¿qué categoría tiene el menor retorno por dólar marginal? Nombra los hechos con suficiente precisión para poder verificar cada uno. El número depende de la decisión; el requisito de que sean verificables, no.
- Comprométete con una postura. Según lo que ya sabes, antes de revisar nada con la IA, ¿qué harías? Escríbelo con la razón que lo sostiene. Para Maya: debate, porque la escuela ya cubre Python. Para una contratación: nombra a un candidato específico, con la razón. Para un recorte de presupuesto: nombra las partidas, con la razón. Una postura es un qué más un porqué, no solo un qué.
- Nombra la condición de reversión. ¿Qué hallazgo específico cambiaría la postura? Maya: si el bootcamp enseña algo que la escuela no cubre, gana programación. Para una contratación: si la referencia del segundo candidato vuelve mucho más fuerte que la del candidato principal, cambia. Para un recorte: si los ingresos proyectados de la categoría X están desviados más de 30%, recorta otra categoría. Si no puedes nombrar qué te haría cambiar, no te comprometiste; solo tienes una preferencia.
La nota de Maya cabe en cuatro líneas porque su decisión es lo bastante pequeña. Una decisión más grande, como una ronda de contratación, un giro estratégico o una compra importante, puede necesitar un párrafo por parte y llenar una página A4. Una decisión más pequeña, como qué pedir de almuerzo cuando de verdad te importa, puede caber en una tarjeta.
Un ejemplo trabajado con otra forma: imagina que estás contratando a uno de tres ingenieros de software y tienes una semana para decidir.
- Decisión real: No "quién se ve mejor en papel", sino "cuál de estos tres seguirá siendo productivo en 12 meses, cuando la base de código haya cambiado dos veces".
- Qué la resolvería: Tres cosas, no una. El historial de cada candidato en proyectos largos, su disposición para aprender herramientas desconocidas y la calidad de la referencia de un gerente anterior que lo vio pasar por un trimestre difícil.
- Tu postura: Candidata B, porque sus 2 años en el empleo anterior sugieren durabilidad, y su proyecto paralelo muestra que aprende herramientas nuevas sin que se lo pidan.
- Qué te haría cambiar: Si la referencia de la candidata A dice que entregó el proyecto más difícil del año pasado, cambia a A. Si la referencia del candidato C señala problemas de comunicación, B se mantiene.
Es el mismo bloqueo de predicción que el de Maya. Decisión distinta, distinta cantidad de texto bajo cada parte, mismas cuatro partes.
¿Por qué cuatro líneas? ¿Por qué no solo una?
Esta es la pregunta que hace casi todo lector, normalmente en la línea 3: "¿no puedo escribir solo la decisión?". La respuesta es no, y vale la pena entender por qué.
Cada línea captura un modo de falla que las otras no pueden capturar. Si las comprimes en una sola línea, pierdes cosas concretas:
- Si saltas la línea 1, respondes la pregunta equivocada. La decisión superficial de Maya es "debate o programación". Su decisión real es "seguir a mis amigos o elegir por mi cuenta". Estas tienen respuestas distintas. La decisión superficial de la gerente bancaria era "cerrar dos sucursales". Su decisión real era "qué hacer con una base de clientes que se movió a la app". La etiqueta siempre oculta la pregunta real. La línea 1 la saca a la superficie.
- Si saltas la línea 2, tu prompt a la IA colapsa el bloqueo. Sin una pregunta específica, la persona lectora vuelve a "¿cuál debería elegir?", una invitación abierta para que la IA tome la decisión. La línea 2 fuerza una pregunta cerrada y verificable. "¿El bootcamp enseña Python?" se puede comprobar. "¿Qué campamento es mejor?" no.
- Si saltas la línea 3, no hay nada contra lo que comparar la respuesta de la IA. Este es el bloqueo mismo. Las líneas 1 y 2 lo preparan; la línea 4 lo vuelve específico. Pero la línea 3 es la que te da una postura que defender cuando llegue la respuesta segura de la IA.
- Si saltas la línea 4, tienes una esperanza, no un compromiso. "Elijo debate" suena a decisión. Pero hasta que nombras la respuesta específica de la IA que te haría cambiar, no sabes si te comprometiste o si abandonarás la postura en cuanto la IA sugiera otra cosa. La línea 4 vuelve específico el compromiso. También permite revisar meses después si tu intuición estaba calibrada: "dije 70% y salió al revés", que es la única forma en que el juicio mejora con el tiempo.
Prueba la versión de una línea: "Creo que Maya debería elegir debate". Es una preferencia casual, no un bloqueo de predicción. No dice qué está realmente en juego, no dice qué pregunta a la IA lo resolvería y no dice qué te haría cambiar de opinión. Quien escribe solo esa línea leerá la respuesta de dos párrafos de la IA y la adoptará sin resistencia, porque no hay nada en la línea con qué resistir.
Las cuatro líneas parecen similares en la superficie, pero capturan cosas distintas. La disciplina pide cuatro porque la experiencia muestra que quien intenta saltarse una cae en el modo de falla específico que esa línea captura.
También hay una razón pedagógica. Cuatro líneas son lo bastante cortas para que una persona las haga, tres minutos, caben en una nota adhesiva. Pero son lo bastante largas para que el acto de escribir obligue a pensar. Una línea es demasiado corta; puedes escribirla sin pensar. 10 líneas son demasiado largas; saltarás el ejercicio. Cuatro es el piso donde el pensamiento tiene que ocurrir, y el techo donde una persona ocupada aún lo hará un martes por la mañana antes de una reunión.
Entonces: una línea si quieres la apariencia de un bloqueo de predicción. Cuatro líneas si quieres el bloqueo real.
La nota de Maya ahora dice:
Qué está pasando: Si hará lo que hacen sus amigos o lo que elegiría sola.
La pregunta que ayudaría: ¿El bootcamp usará Python (que su escuela ya enseña en 9.º grado)?
Decisión: Debate. Dos semanas con amigos, aprendiendo algo que la escuela no ofrece, superan una semana repitiendo el currículo del próximo año.
Confianza + qué me hace cambiar: 70%. Si el bootcamp enseña Rust, sistemas embebidos o cualquier cosa que su escuela no cubra, gana programación.
Ahora escribe su única pregunta en ChatGPT. Este es el prompt real que pega:
My school's summer program runs a one-week coding bootcamp. I'm trying
to figure out one thing: will it teach Python? My school already teaches
Python in 9th grade, so I want to know if there's overlap. Just answer
the question. Don't recommend which camp I should pick.
El bloqueo cambió la pregunta. Sin las cuatro líneas en la nota adhesiva, Maya habría preguntado a la IA "¿debería elegir debate o programación?", una pregunta abierta que le entrega la decisión a la IA. Con el bloqueo, ya tiene una decisión; solo necesita un dato para confirmarla o anularla. Así que en su lugar hace una pregunta cerrada. El papel de la IA pasa de tomar la decisión a verificar un hecho. Ese cambio es lo que produce la disciplina. Las cuatro líneas no solo aclararon el pensamiento de Maya: reasignaron quién hace qué en esta conversación.
ChatGPT responde: "La mayoría de los bootcamps de programación de una semana para estudiantes de secundaria cubren los fundamentos de Python en los primeros dos o tres días". Maya lo pone junto a su nota adhesiva. La respuesta de la IA (Python) coincide con la respuesta para la que estaba preparada. Su decisión (debate) se mantiene, por la razón que escribió, no porque la IA se lo dijera.
En la cena, su papá pregunta por qué, y Maya tiene una respuesta real: "El bootcamp cubre Python y mi escuela ya lo va a enseñar el año que viene. Prefiero pasar dos semanas con mis amigos aprendiendo debate, que la escuela no ofrece para nada." Ese es su razonamiento. La IA confirmó un hecho dentro de él.
Compáralo con la versión sin el bloqueo. Maya abre ChatGPT y pregunta "¿debería elegir el campamento de debate o un bootcamp de programación de una semana?" ChatGPT escribe una respuesta equilibrada de dos párrafos que termina con "ambos son valiosos; piensa en qué te entusiasma más." Maya la lee, elige debate porque es a donde van sus amigos, y en la cena dice "ChatGPT dijo que ambos son buenos, así que fui con debate." La decisión es la misma. El razonamiento desapareció. Dos días después no puede explicar por qué eligió lo que eligió.
Esas cuatro líneas son el bloqueo de predicción. Tres minutos de escritura antes de que la respuesta segura de la IA ocupe en tu cabeza el lugar donde habría ido tu propia respuesta.
Una vez que lees la respuesta de la IA, no puedes desleerla. Ni siquiera puedes saber qué habrías pensado sin ella. Solo notas, dos días después, que no puedes explicar del todo por qué decidiste lo que decidiste. Absorbiste la respuesta de la IA. No ganaste la tuya.
Escribe primero tu predicción, o no la escribas en absoluto.
La misma disciplina funciona con decisiones más grandes. Una gerente bancaria tenía que decidir si cerraba dos sucursales que perdían dinero. Antes de preguntarle a la IA, escribió sus cuatro líneas:
Línea 1 (de qué trata realmente): Las sucursales pierden dinero porque la mayoría de los clientes ahora usa la app en vez de ir en persona. La pregunta real es si todavía entran suficientes clientes como para justificar mantener las sucursales abiertas.
Línea 2 (el único dato que la resolvería): ¿Qué porcentaje de los clientes de estas sucursales usa solo la app (nunca visita la sucursal)?
Línea 3 (mi decisión antes de que la IA opine): Cerrar las sucursales. Mi experiencia con el equipo de atención al cliente sugiere que la mayoría de estos clientes dejó de ir hace años. No lo habría predicho hace dos años, pero el patrón ha sido claro desde que se lanzó la app.
Línea 4 (confianza + qué me hace cambiar): 60% de seguridad. Si menos de la mitad de los clientes usa solo la app, significa que todavía existe una base real de visitantes, y cerrar las sucursales perdería a esos clientes por completo. En ese caso, mantén las sucursales abiertas.
Luego sacó los datos de clientes de su banco y le preguntó a Claude:
I have transaction data for two branches we're considering closing.
For each customer who used these branches in the last 12 months,
I need to know what percentage NEVER walked into a branch and
only used the mobile app. Just give me the percentage. Don't
recommend whether to close the branches.
Claude respondió 45%. Es menos que su umbral del 50%, lo que significa que su línea 4 se activó: cerrar las sucursales ya no era lo correcto.
Pero lo más interesante fue la brecha entre lo que esperaba (la mayoría de los clientes solo usa la app) y lo que mostraron los datos (solo el 45%). Esa brecha le dijo que había sobrestimado cuánto se había movido la base de clientes. Usó ambos hallazgos en su informe: los datos cambiaron su recomendación de "cerrar" a "mantener abiertas", y la brecha se convirtió en su primera línea: "Esperaba que la mayoría de estos clientes solo usara la app; los datos muestran que solo el 45% lo hace, lo que cambia la recomendación." Terminó proponiendo un camino intermedio: mantener las sucursales abiertas con horario de personal reducido, ya que el 55% de los clientes todavía entraba, aunque no a niveles de jornada completa.
Sin el bloqueo de predicción, simplemente habría aceptado lo que dijera la IA y nunca habría notado que su propio supuesto estaba desviado, y el camino intermedio (horario reducido) no habría salido a la luz, porque no habría tenido una brecha que notar.
Las cuatro líneas de Maya y las cuatro líneas de la gerente bancaria se ven diferentes en la superficie. Son el mismo bloqueo de predicción: las mismas cuatro partes, aplicadas a decisiones de distinto tamaño.
Ahora te toca a ti
Ya escribiste cuatro líneas para Maya. Puedes pegar esas mismas líneas en las casillas de abajo. O, si tienes una decisión propia, prueba las cuatro líneas con esa. Por ejemplo: algo que quieras comprar, dos planes entre los que estás eligiendo, una conversación que sigues evitando o una clase sobre la que no estás seguro.
Escribe tus cuatro líneas primero. Luego hazle a la IA tu pregunta de la línea 2 con este prompt:
I'm trying to decide [describe your situation in 1-2 sentences].
My question is: [paste your Line 2 question here].
Just answer that one question. Don't make the decision for me.
Esta es la versión de Maya del mismo prompt, completada desde su nota:
I'm trying to decide between two summer camps. One is a one-week
coding bootcamp; the other is a two-week debate camp where all my
friends are going.
My question is: does the bootcamp teach Python? My school already
teaches Python in 9th grade, so I want to know if there's overlap.
Just answer that one question. Don't make the decision for me.
La respuesta de ChatGPT:
Most one-week coding bootcamps for middle schoolers cover Python
basics in the first two to three days, then move on to a small
project using those basics. Some bootcamps add light JavaScript or
web concepts later in the week, but Python is almost always the
core language.
Maya coloca eso junto a su línea 4. Su línea 4 decía que programación ganaba solo si el bootcamp enseñaba algo que su escuela no cubre. La IA confirmó que Python es el núcleo, justo lo que su escuela ya enseña en 9.º grado. Esa no es su condición de reversión. Su decisión se mantiene: debate.
Solo las líneas 1 y 2 entran en el prompt. Mantén fuera de la página que ve la IA la línea 3, tu decisión, y la línea 4, lo que te haría cambiar de opinión. Si la IA sabe con qué te comprometiste, tiende a darte la razón, y pierdes la comparación para la que se construyó el bloqueo.
Luego compara la respuesta de la IA con tu línea 4. Escribiste un hallazgo específico que te haría cambiar de opinión. ¿La IA te dio ese hallazgo o no?
-
Si la respuesta de la IA no es lo que te haría cambiar, tu decisión de la línea 3 se mantiene. Puedes defenderla por la razón que escribiste. El caso de Maya (lo que pasó de verdad): su línea 4 decía que programación ganaría solo si el bootcamp enseñaba Rust o algo que su escuela no cubre. La IA dijo que el bootcamp enseña Python, que es lo que su escuela ya enseña. Esa no es su condición de cambio. Su decisión se mantiene: debate.
-
Si la respuesta de la IA es exactamente lo que te haría cambiar, tu decisión cambia, por la razón que fijaste de antemano, no porque la IA sonara segura. El caso de Maya si la IA hubiera dicho algo distinto: supón que la IA hubiera respondido "el bootcamp enseña sistemas embebidos, no Python". Eso habría dado justo en la línea 4 de Maya (la escuela no enseña sistemas embebidos). Cambiaría a programación, por la razón con la que se comprometió el lunes, no porque la IA la convenciera.
-
Si la respuesta de la IA queda en medio, vuelve a tu razonamiento de la línea 3. ¿La información nueva lo debilita de verdad? Si sí, cambia tu decisión y escribe por qué. Si no, la decisión se mantiene. El caso de Maya si la IA hubiera sido ambigua: supón que la IA hubiera dicho "el bootcamp cubre Python los primeros tres días y luego presenta React". React es algo que su escuela no enseña, pero son solo dos días del bootcamp. Maya relee su línea 3: el caso era "dos semanas con amigos aprendiendo debate superan una semana repitiendo Python en su mayoría". Dos días de React no cambian eso: el bootcamp sigue siendo en su mayoría material repetido. Su decisión se mantiene.
Si la IA responde con matices en lugar de contestar, pregunta de nuevo con una frase más: "Just give me the specific information; don't qualify it." Si la IA hace una pregunta aclaratoria, respóndela, pero agrega: "Then answer the original question." El objetivo es una respuesta concreta que puedas poner junto a tu línea 4, no un párrafo de "depende de varios factores". Si tu segundo intento todavía no te da una respuesta útil, tu pregunta de la línea 2 quizá sea demasiado amplia. Reescríbela para que sea más específica y vuelve a intentar.
Una nota sobre revisar el bloqueo. Si la respuesta de la IA te hace darte cuenta de que tu línea 4 estaba mal (nombraste la condición de reversión equivocada), esa es una señal real que vale la pena honrar, pero ten cuidado con cuándo la revisas. Revisar la línea 4 antes de decidir cómo reaccionar a la respuesta de la IA está bien; notaste algo que se te había pasado y estás actualizando tu pensamiento. Revisar la línea 4 después de que llegó la respuesta de la IA, para que la respuesta no cuente como un cambio, derrota el bloqueo. La prueba es si habrías escrito la nueva línea 4 incluso sin ver la respuesta de la IA. Si sí, revísala. Si no, tu línea 4 anterior se mantiene.
Comprueba que el bloqueo funcionó. Intenta terminar la frase "Decidí esto porque..." en voz alta. Si puedes hacerlo sin usar las palabras "la IA dijo", el bloqueo funcionó. Si no puedes, busca la línea que te saltaste.
Esa frase, la que puedes terminar en voz alta, es la pieza más pequeña de evidencia documentada del pensamiento que puedes producir. Es lo mismo de lo que trata la regla al inicio de esta página: no una respuesta pulida que te entregó la IA, sino una razón que puedes señalar. Cada disciplina de abajo se construye sobre esta única pieza de evidencia. Haz que esta funcione y el resto se vuelve más fácil.
El ejercicio de abajo no comprueba si tu decisión es "correcta". Solo comprueba si tus cuatro líneas son claras: ¿Nombraste la decisión real? ¿Tu pregunta es específica? ¿Tu postura está comprometida (no "depende")? ¿Nombraste la respuesta específica de la IA que te haría cambiar? Está bien si tu primer intento es desordenado.
Tienes dos opciones para lo que pones en las casillas. Opción 1: escribe cuatro líneas para Maya, usa su decisión (campamento de debate vs. bootcamp de programación) y tu propia versión de lo que debería decir cada línea. El evaluador comprobará si tus líneas son claras. Opción 2: escribe cuatro líneas para una decisión real de tu propia semana, algo que de verdad necesites resolver. El evaluador comprobará lo mismo. Cualquiera de las dos opciones funciona; la disciplina es la misma.
Si vas con la opción 1, aquí están las líneas de Maya como referencia:
Línea 1 (qué está pasando): Si hará lo que hacen sus amigos o lo que elegiría sola.
Línea 2 (la pregunta que ayudaría): ¿El bootcamp usará Python (que su escuela ya enseña en 9.º grado)?
Línea 3 (decisión): Debate. Dos semanas con amigos, aprendiendo algo que la escuela no ofrece, superan una semana repitiendo el currículo del próximo año.
Línea 4 (confianza + qué me hace cambiar): 70%. Si el bootcamp enseña Rust, sistemas embebidos o cualquier cosa que su escuela no cubra, gana programación.
Llena las cuatro casillas y haz clic en enviar. El evaluador califica cada línea y te dice qué mejorar, como un profesor que revisa tu tarea al instante.
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Calcula 8 minutos la primera vez. El movimiento más útil con la retroalimentación de la IA: encuentra un lugar donde no estés de acuerdo. Ahí vive tu juicio.
La mitad de la disciplina. La otra mitad (registrar qué afirmaciones de la IA aceptas, rechazas o modificas mientras avanza la conversación) es la disciplina 2.
Por qué funciona esto (la investigación detrás)
El bloqueo de predicción no es una idea nueva. Es la versión para la era de la IA de tres técnicas más antiguas, cada una estudiada durante décadas.
El premortem (Gary Klein, 2007). Antes de que comience un proyecto, el equipo imagina que ya fracasó y escribe todas las razones por las que ocurrió. El acto de escribir las razones del fracaso primero, antes de que se imponga el optimismo del proyecto, saca a la luz riesgos que de otro modo quedarían enterrados. Una investigación de Deborah J. Mitchell, Jay Russo y Nancy Pennington encontró que la "retrospectiva prospectiva" (imaginar que un evento ya ocurrió) aumenta en 30% la capacidad de identificar correctamente las razones de los resultados futuros. La disciplina que acabas de aprender hace lo mismo en miniatura: antes de que la IA opine, escribes tu decisión y el hallazgo específico que te haría cambiar de opinión. El "escribir primero" es la parte que sostiene el peso.
Lee el artículo original de Klein: Performing a Project Premortem, Harvard Business Review, septiembre de 2007.
Calibración de pronósticos (Philip Tetlock, el Good Judgment Project, 2011-2015). Tetlock y sus colegas dirigieron un torneo de varios años donde miles de pronosticadores hacían predicciones probabilísticas sobre eventos mundiales. Los mejores pronosticadores (los que Tetlock llamó "superpronosticadores") compartían un hábito específico: registraban sus predicciones con porcentajes de confianza antes de que llegara la respuesta, y luego comparaban la predicción con el resultado. Sin la predicción por escrito, no puedes saber si tu intuición estaba calibrada o desviada, porque reconstruyes tus "creencias previas" para que coincidan con lo que haya pasado. La línea 4 del bloqueo de predicción (el porcentaje de confianza) es la versión más pequeña posible de esta práctica. Con el paso de los meses y los años, comparar tu confianza fijada con los resultados reales es la única forma en que el juicio mejora.
Lee sobre el proyecto: The Good Judgment Project (Wikipedia). Para el tratamiento de libro: Tetlock y Gardner, Superforecasting: The Art and Science of Prediction (2015).
Anclaje (Amos Tversky y Daniel Kahneman, 1974). Cuando una respuesta segura ocupa el lugar en tu cabeza donde habría ido tu propia respuesta, la respuesta segura se convierte en tu punto de referencia, y ya no puedes saber qué habrías pensado sin ella. El trabajo original de Tversky y Kahneman usó ejemplos numéricos (las personas a las que se les pedía estimar un porcentaje después de mostrarles un número arbitrario daban estimaciones ancladas a ese número), pero el principio es general: cualquier respuesta segura que aterriza en tu cabeza antes de que formes la tuya se convierte en el ancla desde la que ajusta tu pensamiento posterior. Las respuestas de la IA son seguras por defecto. Eso las vuelve anclas poderosas. El bloqueo de predicción es el movimiento que impide que se forme el ancla: colocas tu propia ancla primero, por escrito, antes de que aterrice la de la IA.
Lee el artículo original: Judgment under Uncertainty: Heuristics and Biases, Science, vol. 185, n.º 4157, 27 de septiembre de 1974, pp. 1124-1131. (Disponible en acceso abierto en este espejo si no tienes acceso a la revista Science).
El bloqueo de predicción combina los tres. Escribe tu decisión y tu condición de cambio primero (premortem). Registra tu confianza para poder comprobar la calibración después (Tetlock). Y haz ambas cosas antes de leer la respuesta de la IA, para que la confianza de la IA no se convierta en el ancla desde la que ajustas (Tversky y Kahneman). Las cuatro líneas en una nota adhesiva comprimen tres décadas de investigación en un hábito de tres minutos.
La versión completa de este ejercicio (10 preguntas ordenadas más la plantilla de recibo de razonamiento; 45-60 minutos) vive en Parte 0, capítulo 1, lección 1. Esta página enseña el movimiento. Esa página lo convierte en sistema.
Disciplina 2: El recibo de razonamiento
Pasaste la mañana trabajando con Claude en un informe. El resultado se ve bien. Lo envías y sigues adelante. Dos semanas después alguien pregunta: "¿Qué partes de esto verificaste realmente? ¿Qué partes cambiaste?" No tienes respuesta. Leíste lo que escribió la IA, se veía bien, así que lo usaste. El trabajo se hizo, pero nunca lo pensaste de verdad.
Este es el segundo modo de falla más común de la IA, después de dejar que la IA piense por ti (disciplina 1). Incluso cuando tienes tu propia postura fijada, los borradores de la IA salen en bloques grandes y pulidos (cinco sugerencias, un memo de seis párrafos, un plan de diez filas) y no puedes defender nada de eso después porque nunca registraste qué decidiste sobre cada parte.
Así se arregla. Cada vez que la IA te da una afirmación, una recomendación o un fragmento de texto que va a tu trabajo final, escribes una nota de una línea que dice qué hiciste con eso y por qué. No todo, solo una nota por parte. Juntas, esas notas se llaman recibo de razonamiento.
Así se ve una fila. Supón que le pediste a Claude que te ayudara a planear una presentación grupal, y sugirió: "Empieza la presentación con un clip de video corto para captar la atención." Lo piensas. Tu profesor dijo a principios de semestre que las aperturas visuales sacan mejores notas, así que la sugerencia encaja con lo que ya sabes que funciona en esta clase. Decides conservarla.
Esa decisión se vuelve una fila en tu recibo:
| Qué dijo la IA | Qué hiciste | Por qué |
|---|---|---|
| Empieza con un clip de video corto para captar la atención. | ACCEPT | Nuestro profesor dijo que las aperturas visuales sacan mejores notas. Esto encaja. |
Tres columnas. Qué dijo la IA (para que tu yo futuro recuerde qué se estaba decidiendo), qué hiciste (una etiqueta de una palabra) y por qué (una frase para que la fila sea defendible después).
Ahora supón que la siguiente sugerencia de Claude fue "Dale 5 minutos a cada persona para hablar." Tienes cuatro integrantes en el grupo y 15 minutos en total. La cuenta no da. Así que la rechazas:
| Qué dijo la IA | Qué hiciste | Por qué |
|---|---|---|
| Dale 5 minutos a cada persona para hablar. | REJECT | Tenemos 15 minutos para 4 personas. La cuenta no da. |
Esa es la disciplina. Una fila por sugerencia de la IA, tres columnas cada una.
Las cinco etiquetas. Qué hiciste siempre cae en una de cinco categorías. La mayoría de las veces usarás ACCEPT, REJECT o MODIFY. Las otras dos (SURFACED y MISSED) capturan casos que de otro modo es fácil saltarse.
| Etiqueta | Qué hiciste | Escribe una frase que explique por qué |
|---|---|---|
| ACCEPT | Conservaste lo que dijo la IA, sin cambios. | Por qué confiaste en ello. |
| REJECT | Decidiste que la IA estaba equivocada y lo quitaste. | Qué te hizo no estar de acuerdo. |
| MODIFY | Conservaste la idea pero cambiaste parte de ella. | Qué cambiaste y por qué. |
| SURFACED | La IA planteó algo en lo que no habías pensado. Lo conservaste. | Por qué importa. |
| MISSED | Notaste algo que la IA olvidó mencionar. Lo agregaste. | Qué faltaba y por qué importa. |
ACCEPT, REJECT y MODIFY son los movimientos básicos. SURFACED es para los momentos en que la IA te enseñó algo: esos vale la pena registrarlos porque son los casos donde la IA de verdad agregó un pensamiento que no habrías hecho sola. MISSED es para lo que la IA no dijo pero debería haber dicho: esos son los casos donde tu propio juicio captó algo que el borrador de la IA pasó por alto.
Con el tiempo, un buen recibo tiene una mezcla de las cinco. Si cada fila dice ACCEPT, en realidad no estás pensando: solo estás dando el visto bueno a lo que escribió la IA.
"Pero nadie audita nunca mi trabajo, ¿para qué molestarse?"
Esta es la objeción más razonable a la disciplina, y merece una respuesta real. La mayoría de los lectores, la mayoría de las veces, no serán auditados. Tu jefe no pregunta. Tu profesor pasa a lo siguiente. Tu cliente aprueba. Si el único beneficio de un recibo de razonamiento fuera "por si alguien pregunta", no valdría la pena.
Llevar un recibo hace tres cosas incluso cuando nadie pregunta.
Primero, el acto de escribir cambia lo que decides. Cuando aceptas en silencio una sugerencia de la IA, tu cerebro la procesa como "suena bien, seguimos". Cuando tienes que escribir una etiqueta de una palabra y una razón de una frase, tu cerebro tiene que examinar de verdad la sugerencia. La mayoría de los lectores, la primera vez que lo intentan, descubren al menos una fila por sesión en la que no pueden terminar la frase del "por qué". Esa fila era algo que estaban a punto de usar sin pensarlo. El recibo lo captura antes de que salga.
Segundo, el recibo se vuelve parte de tu trabajo, no solo un registro. La gerente bancaria de la disciplina 1 convirtió la brecha entre su postura y los datos en la primera línea de su informe. La estudiante del siguiente ejemplo usó su recibo como documento de trabajo con su grupo, no como pista de auditoría. Una fila etiquetada REJECT a menudo se convierte en un párrafo de "alternativas consideradas" en el documento final. Una fila etiquetada SURFACED a menudo se convierte en la idea más interesante que llevas a la reunión. El recibo es una herramienta de trabajo, no un archivador.
Tercero, tu yo futuro es el auditor más común. Dentro de tres meses, mirarás este trabajo y no recordarás qué partes eran tuyas, cuáles eran de la IA, ni por qué decidiste lo que decidiste. El recibo es una nota para tu yo futuro. La mayoría de las veces que el recibo rinde frutos, la pregunta viene de ti, no de un jefe.
El escenario de auditoría es el beneficio más visible, pero es el más raro. Los primeros tres beneficios ocurren cada vez que llevas un recibo, incluso cuando nadie lo lee. Esto es lo que significa en la práctica la regla central de la página: el entregable es la evidencia documentada del pensamiento. El recibo no está separado de tu trabajo: moldea el trabajo mientras lo produces, y con el tiempo es lo que conservas cuando la memoria del proyecto se ha desvanecido.
Un recibo es una decisión por fila. La etiqueta dice qué hiciste. El "por qué" le dice a tu yo futuro (o a cualquiera que lo lea) por qué se puede confiar en la fila.
Así se ve en la vida real.
Una estudiante le pidió a Claude que la ayudara a planear una presentación grupal para clase. Claude dio un plan completo. En vez de solo usarlo, la estudiante revisó cada sugerencia y escribió lo que pensaba:
| Qué dijo la IA | Etiqueta | Por qué |
|---|---|---|
| "Empieza la presentación con un clip de video corto para captar la atención." | ACCEPT | Buena idea. Nuestro profesor dijo que las aperturas visuales sacan mejores notas. |
| "Dale 5 minutos a cada persona para hablar." | REJECT | Solo tenemos 15 minutos en total y somos 4. La cuenta no da. |
| "Termina con una sesión de preguntas y respuestas." | MODIFY | Preguntas y respuestas sí, pero prepararemos 3 preguntas de respaldo por si nadie pregunta nada. |
| "Agrega una demo en vivo de la app que construyeron." | SURFACED | No había pensado en esto. Una demo en vivo haría que nuestra presentación destaque. |
| (La IA no mencionó quién lleva la laptop y el adaptador para el proyector.) | MISSED | Esto lo agregué yo. La última vez nuestro grupo olvidó el adaptador y perdimos 5 minutos. |
Compartió el recibo con su grupo. Después de la presentación, el profesor preguntó por qué no le dieron 5 minutos a cada persona. Señaló la fila 2: "Solo teníamos 15 minutos para 4 personas. La cuenta no daba." Esa sola frase bastó. Sin el recibo, habría tenido que recordar y explicar todo desde cero.
Qué pasa sin un recibo:
| Qué dijo la IA | Etiqueta | Por qué |
|---|---|---|
| "Empieza con un clip de video corto." | ACCEPT | Suena bien. |
| "Dale 5 minutos a cada persona." | ACCEPT | Suena bien. |
| "Termina con una sesión de preguntas y respuestas." | ACCEPT | Suena bien. |
| "Agrega una demo en vivo." | ACCEPT | Suena bien. |
| (Nada registrado.) |
Si cada fila dice ACCEPT con "suena bien" como razón, en realidad no lo pensaste. Solo copiaste lo que dijo la IA. Un buen recibo tiene una mezcla de etiquetas. Si no puedes explicar por qué aceptaste algo, no decidiste conservarlo de verdad. Solo te dejaste llevar.
Pruébalo tú
Estás organizando el festival de tecnología anual de tu universidad. Tu equipo tiene 10 integrantes. El evento es en 3 semanas. Todavía no empezaste con la difusión. Otra universidad anunció un evento similar el mismo fin de semana. Le preguntaste a la IA: "¿Deberíamos adelantar el evento una semana o mantener la fecha original?" La IA te dio cinco sugerencias. Para cada una, elige una etiqueta (ACCEPT, REJECT, MODIFY, SURFACED o MISSED) y escribe una frase que explique por qué.
- "Adelántalo. Llegar primero importa cuando dos eventos compiten por el mismo público."
- "Si mantienes la fecha original, los estudiantes compararán los dos eventos y podrían elegir el otro."
- "Tus publicaciones en redes sociales tienen más interacción los jueves, así que empieza la difusión este jueves."
- "Adelantar una semana significa que tu equipo tiene solo 2 semanas para prepararse en vez de 3."
- "La mayoría de los estudiantes decide a qué eventos asistir según a cuáles van sus amigos."
El evaluador de IA revisará dos cosas:
- ¿Explicaste tu razonamiento o solo escribiste "suena bien"? Califica de 1 a 10. Cita mi explicación más débil.
- ¿Usaste más de una etiqueta? Si cada fila dice ACCEPT, en realidad no lo pensaste. Califica de 1 a 10.
No reescribas mi trabajo. Si una casilla está vacía o es vaga, solo dilo.
Afirmación 1: "Adelántalo. Llegar primero importa."
Afirmación 2: "Los estudiantes compararán los dos eventos y podrían elegir el otro."
Afirmación 3: "Empieza la difusión este jueves porque es cuando las publicaciones tienen más interacción."
Afirmación 4: "Adelantarlo significa solo 2 semanas para prepararse en vez de 3."
Afirmación 5: "Los estudiantes deciden según a cuáles van sus amigos."
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Esto toma unos 10-15 minutos la primera vez. Después de recibir tu puntuación, busca cualquier fila donde escribiste "suena bien" sin una razón real. Esa es la fila donde aceptaste el pensamiento de la IA sin hacer el tuyo. Vuelve y escribe una explicación real para esa fila.
Lo que acabas de hacer te ayuda a revisar cada sugerencia de una en una. Pero no captura los errores dentro de cada sugerencia, como hechos inventados, información desactualizada o la IA sonando segura sobre algo que tiene mal. Para eso está la disciplina 3.
¿Quieres ver un buen ejemplo? (Ábrelo después de enviar el tuyo).
Otra estudiante hizo el mismo ejercicio del festival de tecnología. No es la única respuesta correcta, pero muestra cómo se ve un buen recibo.
| Afirmación | Etiqueta | Por qué |
|---|---|---|
| 1 | REJECT | Llegar primero no importa aquí. Los estudiantes eligen eventos según lo que suena divertido, no según cuál se anunció primero. |
| 2 | MODIFY | Los estudiantes podrían comparar, pero solo si se enteran de ambos. Si hacemos mejor difusión, el otro evento no importa. |
| 3 | ACCEPT | Nuestros datos de Instagram del semestre pasado muestran que las publicaciones del jueves reciben 2x más "me gusta". Esto se confirma. |
| 4 | SURFACED | No había pensado en esto. Perder una semana de preparación es un problema real porque todavía no reservamos el lugar. |
| 5 | ACCEPT | Esto es cierto. El año pasado vimos un gran salto en inscripciones después de agregar la opción "trae a un amigo" al formulario de registro. |
| 6 | MISSED | La IA no mencionó que nuestro patrocinador más grande necesita 3 semanas de aviso. Adelantarlo significa que podríamos perder el patrocinio. |
Por qué es bueno: solo dos ACCEPT, y ambos tienen razones reales detrás (datos reales del semestre pasado y del año pasado, no solo "suena bien"). La fila MISSED (fila 6) captura algo que la IA no podía saber (la regla de 3 semanas de aviso del patrocinador). La estudiante terminó decidiendo mantener la fecha original, pero por una razón que la IA nunca mencionó: el patrocinio.
Lo que no intenta hacer: ser ingeniosa. La mayoría de las filas son una frase. El punto es escribir razones reales, no largas.
Por qué funciona esto (la investigación detrás)
El recibo de razonamiento tampoco es una idea nueva. Escribir qué decidiste y por qué es uno de los hábitos más estudiados sobre cómo piensan de verdad los expertos. Tres cuerpos de trabajo explican por qué funciona.
Reflexión en la acción (Donald Schön, 1983). Estudiando cómo trabajan de verdad médicos, arquitectos, ingenieros y docentes, Schön descubrió que los profesionales hábiles no solo actúan y siguen adelante: mantienen un comentario interno continuo, notando sorpresas y decidiendo qué hacer al respecto mientras el trabajo se desarrolla, no en una revisión posterior. Los profesionales que mejoraban más rápido eran los que hacían explícito ese comentario en vez de dejarlo tácito. El recibo de razonamiento es ese comentario por escrito: en vez de pensar en silencio "esta sugerencia de la IA parece rara", escribes la etiqueta y la razón mientras todavía estás en el trabajo, donde puede cambiar lo que haces a continuación.
Lee más: Reflective practice (Wikipedia), que resume The Reflective Practitioner de Schön (Basic Books, 1983).
Aprendizaje de bucle simple vs. de doble bucle (Chris Argyris, 1977). Argyris trazó una línea entre dos tipos de corrección. El aprendizaje de bucle simple corrige el error inmediato: la respuesta estaba mal, así que cambias la respuesta. El aprendizaje de doble bucle da un paso atrás y pregunta si todo el enfoque o el supuesto estaba mal desde el principio. Su hallazgo fue que las personas inteligentes y capaces se quedan atascadas en el modo de bucle simple por defecto; ajustan la salida y nunca cuestionan el marco. Un recibo donde cada fila dice ACCEPT es pensamiento de bucle simple hecho visible: estás aprobando salidas sin preguntarte nunca si el enfoque es correcto. Forzar un "por qué" real en cada fila, y notar cuándo no puedes escribir uno, es lo que te empuja al doble bucle.
Lee el artículo original de Argyris: Double Loop Learning in Organizations, Harvard Business Review, septiembre de 1977.
Elaboración y el efecto de generación (Brown, Roediger y McDaniel, 2014). Décadas de investigación sobre memoria convergen en un hallazgo simple: recuerdas algo mucho mejor cuando lo pones en tus propias palabras y lo conectas con lo que ya sabes que cuando solo lo relees. El acto de generar la explicación (aunque sea una sola frase) es lo que construye la memoria duradera. Cada "por qué" de tu recibo es exactamente este movimiento. Tres meses después, la fila para la que escribiste una razón real es la que todavía entenderás; la fila que sellaste con "suena bien" será un vacío.
Lee más: Make It Stick: The Science of Successful Learning (Belknap Press of Harvard University Press, 2014), un resumen de los hallazgos centrales del libro.
El recibo de razonamiento combina los tres. Escribes tu decisión sobre cada afirmación de la IA mientras todavía estás en el trabajo (Schön), el "por qué" forzado te empuja de sellar salidas a cuestionar el enfoque (Argyris), y poner la razón en tus propias palabras es lo que hace que la recuerdes después (Brown, Roediger y McDaniel). Nadie ha probado el recibo de razonamiento contra la IA específicamente, pero el hábito que lo sustenta, escribir tus decisiones y explicarlas, es uno de los resultados más establecidos sobre cómo las personas piensan y aprenden. Usarlo en la salida de la IA es el paso natural.
Profundiza: Parte 0, capítulo 1: Hacer mejores preguntas. La versión completa (un recibo de 10 filas contra una conversación real con IA, más el desafío de contradicción donde haces que otra IA ataque tu razonamiento, 45-60 min) vive ahí como parte de la secuencia fundacional. Esta página enseña la disciplina. Ese capítulo lo convierte en un hábito que puedes ejecutar en cada conversación de IA de alto riesgo que tengas.
Parte 2: Detección (capturar lo que la IA omite)
La parte 1 te enseñó a pensar antes de usar la IA. La parte 2 te enseña a detectar errores en lo que la IA te devuelve.
Este es el problema: la IA suena igual de segura cuando acierta y cuando se equivoca. Sus peores errores suelen esconderse en las frases que suenan más pulidas. La IA también tiende a enfocarse en lo único que preguntaste e ignorar los efectos secundarios.
La disciplina 3 (taxonomía de errores) te da una lista de seis errores comunes de la IA para que los busques antes de confiar en la salida. La disciplina 4 (pensamiento en sistemas) te enseña a preguntar "si hago esto, ¿qué más cambia?" para que detectes los efectos secundarios que la IA omitió.
Disciplina 3: La taxonomía de errores
Esta disciplina es la respuesta práctica a Qué es realmente la IA, Idea 3: la máquina no tiene un verificador de verdad integrado, así que tú eres ese verificador. Los seis tipos de error de abajo muestran cómo se ve en la práctica "ser quien verifica".
Probablemente ya viviste esto. Le haces una pregunta a la IA, la respuesta vuelve sonando fluida y profesional, la lees, todo parece estar bien, la usas. Tres días después descubres que uno de los números estaba mal, o que una fuente que mencionó la IA en realidad no existe. El error estaba ahí mismo, pero se te escapó porque la escritura sonaba muy bien.
Esta es la parte que importa: quien paga por ese error no detectado suele ser tú, no algún auditor que te descubre después. Si la IA te dijo que un automóvil usado tenía 32.000 millas cuando en realidad tenía 58.000, no te avergüenzas en una reunión: compras el automóvil equivocado. Si la IA inventó una estadística para tu informe, no solo quedas mal cuando alguien lo revisa; tomaste una decisión con base en un número que nunca fue real. Los errores de la IA dañan primero a quien actúa sobre ellos. Esa persona eres tú.
¿Por qué "taxonomía"? Una taxonomía es solo un sistema de nombres: un conjunto fijo de categorías etiquetadas en las que clasificas las cosas, como los biólogos clasifican a los seres vivos en especies. El poder está en nombrar. "Revisa si esto sirve" es demasiado vago para actuar; tus ojos se deslizan por la página y nada los detiene. Pero "revisa si hay una fuente fabricada" es una búsqueda específica con un objetivo específico, así que de verdad te detienes en cada cita y miras. La taxonomía de errores son seis categorías nombradas de errores de la IA. Nombrarlas es lo que convierte una preocupación vaga ("algo podría estar mal") en seis búsquedas concretas que de verdad puedes ejecutar.
Así se atrapan. En vez de leer la salida de la IA y preguntarte "¿esto se siente bien?", recórrela buscando un tipo específico de error a la vez. Hay seis tipos:
| Tipo de error | Cómo se ve | Dónde mirar primero |
|---|---|---|
| Error factual | Un hecho equivocado: un número equivocado, una fecha equivocada, un nombre equivocado. | Cualquier frase con un número específico. Los números de aspecto exacto hacen que las cosas suenen investigadas. Ejemplo: "73,6% de las personas no verifica los números de la IA." Eso suena real. Lo acabo de inventar. |
| Brecha lógica | La conclusión no se sigue realmente de la evidencia. | Busca palabras como "por lo tanto" o "así que". Luego pregunta: ¿la evidencia de verdad prueba esto, o falta un paso? |
| Falsa confianza | La IA declara algo incierto como si fuera un hecho. | Los párrafos que suenan más fluidos. Si la IA usa "puede" o "podría", sabe que está insegura. Si la IA declara algo discutible sin ningún "puede" ni "podría", esa es la señal de alarma. |
| Contexto faltante | La IA omitió un detalle importante que cambiaría la respuesta. | Piensa en qué preguntaría primero un experto. Si tú preguntarías "¿pero qué pasa con X?", probablemente la IA no lo pensó. |
| Fuente fabricada | La IA menciona un libro, artículo, estudio o herramienta que en realidad no existe. | Revisa cada fuente que nombre la IA. Busca el título en Google. Si no lo encuentras, probablemente la IA lo inventó. |
| Hecho obsoleto | Algo que antes era cierto pero ya no lo es. | Todo lo que cambia con el tiempo: precios, reglas, leyes, versiones de software, quién dirige una empresa. |
Así se siente un escaneo. Toma solo el primer tipo, error factual. La instrucción dice: mira cualquier frase con un número específico. Así que lees la salida de la IA y te detienes en cada número, ignorando todo lo demás. Supón que la IA escribió "este automóvil tiene 32.000 millas en el odómetro." Es un número, así que te detienes. No preguntas "¿esto suena bien?": un kilometraje equivocado suena exactamente igual de razonable que uno correcto. En cambio, lo verificas contra la fuente: miras la foto del tablero. Dice 58.000. Detectado. No lo detectaste leyendo con cuidado; lo detectaste porque estabas cazando específicamente un tipo de error, un número equivocado, y un número es donde te detuviste.
Esa es toda la técnica, repetida seis veces. Cada pasada caza un tipo. No estás leyendo la salida seis veces; la lees una vez pero con seis preguntas distintas en mente, deteniéndote en los lugares que señala cada pregunta. En el ejercicio de abajo practicarás dos pasadas (error factual y fuente fabricada) para aprender el ritmo. El ejemplo trabajado que sigue muestra los seis.
Los seis tipos de error no se anuncian. Se esconden dentro de los párrafos que parecen más profesionales, y por eso escanear por nombre vence a leer por sensación.
Así se ven los seis en la vida real.
Un padre estaba buscando un automóvil usado confiable. Encontró un anuncio que le gustó: un Honda CR-V 2021. Antes de conducir una hora para verlo, le pidió a Claude que lo revisara. Pegó el anuncio, las fotos y una nota de su propio mecánico. Claude respondió con un resumen limpio y seguro: poco kilometraje, historial limpio, motor sólido, un descuento que convenía aprovechar. Se leía bien. Casi se lo reenvía a su pareja con "compremos este". En cambio, ejecutó el escaneo de seis filas.
| Tipo de error | Qué encontró en el texto | Veredicto |
|---|---|---|
| Error factual | El texto decía: "32.000 millas en el odómetro." La foto del tablero en el anuncio mostraba claramente 58.000. Una diferencia de 26.000 millas. | Detectado. Corregido desde la foto. |
| Brecha lógica | El texto decía: "Tiene un historial limpio de accidentes, por lo tanto no tiene problemas mecánicos." Un historial limpio de accidentes no dice nada del motor. El "por lo tanto" no se sostenía. | Detectado. Un historial limpio no es un motor limpio. |
| Falsa confianza | El texto decía: "Obtendrás al menos 200.000 millas sin problemas de este motor." Sin "debería", sin "probablemente", sin base. La promesa plana hacía todo el trabajo. | Detectado. Reescrito como "muchos CR-V duran mucho, si reciben mantenimiento". |
| Contexto faltante | El texto nunca mencionó la correa de distribución, cuyo reemplazo toca alrededor de las 60.000 millas. El mecánico del padre la había señalado. El modelo nunca vio esa nota. | Detectado. Se agregó la correa como lo primero que revisar. |
| Fuente fabricada | El texto decía: "Como escribió Consumer Reports en su edición de confiabilidad de marzo de 2026, este es el SUV pequeño más confiable del mercado." El padre revisó Consumer Reports. No existía tal nota. | Detectado. Se eliminó la cita. |
| Hecho obsoleto | El texto decía: "Todavía califica para el descuento de fidelidad de $1.000 del concesionario." El padre llamó al concesionario. Ese descuento terminó el mes pasado. | Detectado. Se quitó el descuento del cálculo. |
Cinco de los seis tipos de error aparecieron en un resumen breve. El más difícil de detectar fue la cita falsa de Consumer Reports, porque sonaba exactamente como algo que escribiría una revista real. Como el padre revisó cada tipo de error por nombre, fue a ver el automóvil sabiendo el kilometraje real, la reparación que necesitaba y el precio verdadero. Fíjate a quién protegió esto: no la reputación del padre ante algún auditor, sino su propio bolsillo. Si hubiera confiado en el resumen, habría conducido una hora para comprar un automóvil que creía que tenía 32.000 millas, habría pagado un precio que suponía un descuento que ya no existía y se habría saltado una reparación que no sabía que venía. El escaneo no lo salvó de quedar mal. Lo salvó de estar equivocado sobre su propia decisión.
La misma persona, sin escanear por nombre, habría comprado esto:
| Hábito de lectura | Qué se omite | Por qué falla |
|---|---|---|
| Leer de arriba abajo preguntando "¿este automóvil suena bien?" | Números específicos. El ojo se desliza sobre cifras dentro de un párrafo fluido. | La cifra de 32.000 millas es fácil de aceptar al pasar. Escanear "factual" por nombre obliga a detenerse en cada número, incluido el odómetro. |
| Confiar en la cita porque nombra una marca conocida | La línea de Consumer Reports. Revista real, afirmación creíble, ninguna nota así. | "Suena creíble" es la trampa misma. Escanear "fuente fabricada" por nombre obliga a revisar cada cita antes de confiar en ella. |
| Leer "por lo tanto" como solo una palabra de conexión | La brecha lógica del historial limpio. La palabra "por lo tanto" oculta si el enlace realmente se sostiene. | Leer por la historia general deja que una palabra de conexión cargue la afirmación sin revisión. Encerrar cada "por lo tanto" hace que el enlace se demuestre. |
| Notar algo faltante solo si salta a la vista | La correa de distribución cerca de las 60.000 millas. No está en el texto, así que nada en la página avisa. | El contexto faltante nunca levanta una bandera en la página. Tienes que preguntar activamente qué preguntaría tu mecánico que el modelo no podría saber. |
El padre que revisó por tipo y el padre que solo leyó por encima podrían ser la misma persona. La única diferencia es cómo leyeron la salida de la IA: uno revisó cada tipo de error por nombre, el otro solo leyó y esperó que nada estuviera mal.
La cuadrícula de escaneo completada también vale la pena conservarla, no solo ejecutarla. Es el mismo tipo de evidencia de la que trata la regla de la página: el entregable es la evidencia documentada del pensamiento. Cuando le entregas un informe a alguien y te pregunta "¿verificaste los números de la IA?", la cuadrícula es tu respuesta. Más a menudo, es una nota para tu yo futuro: dentro de seis meses, cuando te preguntes si verificaste esa estadística o solo confiaste en ella, la cuadrícula te lo dice.
Pruébalo tú
Vas a comprar un automóvil usado este fin de semana. El vendedor ya tiene otra persona interesada, así que no tienes días para pensarlo. Le pediste a una IA que comparara los dos automóviles de tu lista corta y te dijera cuál comprar. Esto es lo que respondió. Escanéalo con los seis tipos de error por nombre, empezando por factual y fuente fabricada (los dos que cuestan más si se te escapan), y completa la cuadrícula de abajo.
¿Qué automóvil deberías comprar?
Elige el Toyota Corolla 2020. El Corolla rinde 47 mpg combinados, así que gastarás mucho menos en gasolina que con la mayoría de los automóviles de su tamaño. Según el ranking CarReliability Index 2026, el Corolla obtiene 9,4 de 10, el primer puesto de su clase. El Honda Civic 2019 también es un buen automóvil. El Civic tiene menor kilometraje, por lo tanto es la opción más confiable si quieres menos sorpresas en el camino.
Cualquiera de los dos automóviles funcionará otra década sin una reparación importante, así que puedes elegir por precio, color y sensación, y quedarte tranquilo. Ambos todavía califican para el reembolso estatal de vehículo limpio de $2.000, lo que baja bastante tu costo real. De cualquier modo, estás comprando un automóvil confiable.
(Si prefieres, puedes saltarte el ejemplo del automóvil y usar cualquier salida real de IA de tu propia vida: una respuesta de tarea, un borrador de solicitud universitaria, un resumen de investigación. Los seis tipos de error funcionan en cualquier tema).
El evaluador de IA revisará dos cosas:
- ¿De verdad revisaste cada tipo o solo leíste y adivinaste? Califica de 1 a 10. Una buena respuesta tiene algo escrito en cada fila. Si revisaste un tipo y no encontraste nada mal, escribe "revisado, nada encontrado" en vez de dejarla en blanco.
- ¿Detectaste los errores importantes o solo los fáciles? Califica de 1 a 10. Si se me escapó un error mayor en el mismo texto, dime qué frase debí haber detectado.
No reescribas mi trabajo. Si una fila está en blanco sin explicación, solo dilo.
Para cada uno de los seis tipos de error, copia la frase exacta del texto de la IA que tiene el error y explica qué está mal. Si revisaste un tipo y no encontraste error, escribe "revisado, nada encontrado".
¿Qué tan seguro estás de cada uno? (Califica de 1 a 10 y di por qué en una frase).
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Esto toma unos 8-15 minutos la primera vez. Se vuelve más rápido con la práctica. Después de recibir tu puntuación, encuentra un lugar donde el evaluador de IA no esté de acuerdo contigo. Ese desacuerdo es donde más aprendes.
Lo que acabas de hacer te ayuda a encontrar errores dentro de la respuesta de la IA. Pero hay otro tipo de problema que no captura: ¿qué pasa después de que actúas sobre el consejo de la IA? Si compras el automóvil equivocado, pierdes dinero en reparaciones. Si una empresa sigue un mal consejo de IA, los clientes se van. Una decisión causa otro problema, que causa otro. La disciplina 4 te enseña a rastrear esas reacciones en cadena antes de que ocurran.
¿Quieres una muestra sólida para comparar? (Ábrela después de enviar la tuya).
Una persona lectora que ejecutó el escenario del automóvil usado produjo esta cuadrícula. No es la única buena respuesta; solo muestra la forma.
| Tipo de error | Frase citada del texto de la IA | Por qué activa esta categoría |
|---|---|---|
| Error factual | "El Corolla rinde 47 mpg combinados." | Un número específico que puedes verificar. El rendimiento combinado real de ese Corolla ronda 33 mpg. La cifra es simplemente incorrecta y cambia el cálculo de costos. |
| Brecha lógica | "El Civic tiene menor kilometraje, por lo tanto es la opción más confiable." | El "por lo tanto" trata el bajo kilometraje como prueba de confiabilidad. Menor kilometraje ayuda, pero no convierte por sí solo a un automóvil en más confiable. El enlace se afirma, no se demuestra. |
| Falsa confianza | "Cualquiera de los dos automóviles funcionará otra década sin una reparación importante." | Sin "debería", sin "probablemente", sin condición. Una promesa plana sobre el futuro de un automóvil usado es una conjetura vestida de hecho. La falta de cobertura es la bandera roja. |
| Contexto faltante | (Falta en el texto). El modelo Civic 2019 tiene un recall abierto de airbag. | Que no esté en la página es justamente el punto de esta fila. Escaneas lo que no aparece. Un recall de seguridad es exactamente lo que querrías ver antes de comprar, y el modelo nunca lo dijo. |
| Fuente fabricada | "Según el ranking CarReliability Index 2026, el Corolla obtiene 9,4 de 10." | Seguro, específico e inventado. No existe "CarReliability Index". Una fuente nombrada que no puedes encontrar es la falla exacta que esta fila busca capturar. |
| Hecho obsoleto | "Ambos todavía califican para el reembolso estatal de vehículo limpio de $2.000." | Fue cierto alguna vez, no ahora. Ese reembolso expiró en 2025. Todo lo ligado a precio, ley o fecha límite se vuelve obsoleto, así que recibe una revisión nombrada. |
Lo que hace que esto funcione: cada fila tiene un veredicto, y cada línea citada cambiaría de verdad qué automóvil compras. No son selecciones decorativas. La fila de contexto faltante es lo bastante específica para actuar (un modelo-año nombrado, un recall nombrado). La fila de fuente fabricada cita la frase exacta y nombra por qué falla (no existe tal índice).
Lo que no intenta hacer: ser exhaustivo. La taxonomía es un escaneo, no una auditoría. Seis filas en quince minutos es la meta. Tres hallazgos reales vencen a treinta performativos.
Por qué funciona esto (la investigación detrás)
La taxonomía de errores funciona por una peculiaridad de cómo el juicio humano maneja la escritura fluida. Cuando un texto es fácil de leer, confiamos más en él, independientemente de si es cierto. La IA escribe de forma muy fluida, lo que la convierte en un disparador casi perfecto de ese sesgo. Cuatro hallazgos explican por qué escanear por tipo nombrado vence a leer por sensación.
Fluidez de procesamiento (Adam Alter y Daniel Oppenheimer, 2009). Revisando décadas de experimentos, Alter y Oppenheimer mostraron que la facilidad con la que procesamos algo (tipografía clara, palabras simples, frases fluidas) la malinterpreta el cerebro como una señal de que el contenido es cierto. La sensación de "esto se lee bien" se filtra al juicio "esto es correcto", aunque las dos cosas no tengan nada que ver. La salida de la IA está diseñada para ser lo más fluida posible, así que tira de esta palanca con fuerza. Escanear por un tipo de error específico rompe el hechizo: dejas de evaluar cómo se siente el texto y empiezas a comprobar si un tipo de afirmación en particular se sostiene.
Lee el artículo (acceso abierto): Uniting the Tribes of Fluency to Form a Metacognitive Nation, Personality and Social Psychology Review, 13(3), 2009.
Facilidad cognitiva (Daniel Kahneman, 2011). El marco de Kahneman le pone nombre al mecanismo: cuando la información llega sin esfuerzo, la parte rápida y automática de la mente (Sistema 1) la acepta y la parte lenta y verificadora (Sistema 2) nunca despierta. La prosa fluida de la IA mantiene dormido al Sistema 2. El escaneo de seis tipos es una forma deliberada de volver a encender el Sistema 2: cada revisión nombrada es una tarea que la mente automática no puede hacer en piloto automático, lo que obliga a la mirada cuidadosa de la que el texto fluido te estaba arrullando.
Lee más: Thinking, Fast and Slow (Wikipedia); el material relevante es el capítulo sobre facilidad cognitiva.
La confianza no es precisión (Nate Silver, 2012). Estudiando a pronosticadores de la política, las finanzas y el deporte, Silver documentó una brecha constante: las personas que suenan más seguras suelen ser las menos precisas, porque la confianza y la calibración son habilidades distintas. La IA hereda lo peor de esto: declara casi todo con el mismo tono seguro, ya sea que acierte o que invente. La fila de "falsa confianza" del escaneo existe precisamente para separar el tono de la verdad: marcas la afirmación plana y sin matices como una señal de alarma en vez de leer su seguridad como evidencia.
Lee más: The Signal and the Noise (Wikipedia).
Por qué seis revisiones separadas en vez de un solo juicio general. El trabajo de Gerd Gigerenzer sobre el riesgo muestra que cómo se representa un problema determina si las personas razonan bien sobre él: divide un juicio confuso en piezas claras y concretas, y la precisión sube, aunque los hechos subyacentes no hayan cambiado. "¿Sirve esta salida de la IA?" es exactamente el tipo de juicio confuso y de golpe en el que las personas son malas. El escaneo lo descompone en seis preguntas concretas que puedes responder una a la vez, y por eso atrapa errores que una sola lectura holística deja pasar.
Lee más: Gerd Gigerenzer (Wikipedia), que resume el argumento de Calculated Risks (2002).
La taxonomía de errores combina las cuatro. El texto fluido se siente cierto (Alter y Oppenheimer) y mantiene dormida a la mente verificadora (Kahneman), la confianza uniforme de la IA oculta qué afirmaciones son en realidad débiles (Silver), y un vago "¿esto parece correcto?" es la representación equivocada para atrapar errores (Gigerenzer). Nombrar seis tipos de error y revisar cada uno arregla las cuatro cosas a la vez. Nadie ha probado esta lista de verificación exacta contra la IA específicamente, pero cada pieza del mecanismo está bien establecida. Aplicarla a la salida de la IA es el paso natural.
Profundiza: Parte 0, capítulo 2: Detectar razonamiento roto. La versión completa (taxonomía de 8 categorías, verificación cruzada con doble IA, calibración predicción-vs-realidad; 60-75 min) lo convierte en sistema.
El escaneo de seis tipos funciona mejor cuando conoces el tema. ¿Pero qué pasa con los temas nuevos para ti? Ayudan tres trucos:
- Pídele a la IA la fuente exacta. No aceptes "los estudios muestran". Pregunta: "Dame el nombre del autor, el título, el año y dónde se publicó." Si la IA no puede darte una fuente real, no confíes en la afirmación.
- Sospecha de números de aspecto exacto sin fuente. "Las ventas subieron 47,3%" suena muy preciso. Pero si la IA no dice de dónde salió ese número, la precisión es una señal de alarma, no una prueba.
- Cuando no estés seguro, etiquétalo MODIFY. Si no puedes verificar una afirmación en dos minutos, no la marques ACCEPT. Escribe MODIFY y agrega "aún no verificado". Puedes buscarlo después, antes de usarlo.
Disciplina 4: Pensamiento en sistemas
Una universidad decidió ahorrar dinero reemplazando parte de la tutoría presencial con un chatbot de IA. Le preguntaron a la IA, y la IA dijo: "Esto ahorra 30% en costos de tutoría". Sonó genial, así que siguieron adelante.
Seis meses después: los estudiantes que más batallaban dejaron de pedir ayuda, porque el chatbot no entendía sus preguntas. Sus notas bajaron. Los padres se quejaron. La universidad tuvo que contratar más tutores para reparar el daño, y terminó costando más que el presupuesto original. La respuesta "ahorra 30%" era correcta en el papel. Pero la reacción en cadena se comió el ahorro.
Este es el modo de falla de la disciplina 4. Cuando le preguntas a la IA sobre una decisión, responde la pregunta que hiciste ("¿cuánto ahorra esto?") y se detiene ahí. Casi nunca rastrea las reacciones en cadena: el efecto A causa el efecto B, que causa el efecto C, y a veces el efecto C vuelve en círculo y deshace tu decisión original. Un mapa de cascada es cómo rastreas esas reacciones en cadena tú mismo, antes de comprometerte, para que la sorpresa ocurra en el papel en vez de a los seis meses, dentro de un presupuesto que ya no puedes deshacer.
Fíjate a quién protege esto: no tu reputación ante un auditor, sino tu propia decisión. Nadie auditó a la universidad por un mal despliegue del chatbot. La universidad simplemente gastó el dinero, vivió con las consecuencias y gastó más dinero arreglándolo. El mapa de cascada no es una defensa que muestras después: es el pensamiento que te impide hacer la jugada cara en primer lugar.
¿Por qué "pensar en sistemas"? Un sistema es cualquier conjunto de partes que se afectan entre sí: estudiantes, tutores, presupuestos y notas no son hechos separados, se empujan unos a otros. La mayoría de nosotros razonamos en líneas rectas: esto causa aquello, fin de la historia. Pero las partes de un sistema están conectadas en bucles, así que un efecto puede dar la vuelta y regresar a cambiar lo que lo inició. "Pensar en sistemas" solo significa negarse a parar en el primer efecto: sigues preguntando "¿y luego qué?" hasta que encuentras dónde la línea se dobla y se vuelve un círculo. El mapa de cascada es la versión en papel de ese hábito: presenta las partes, traza las líneas entre ellas y busca el lugar donde una línea vuelve en bucle.
Así se construye uno. Esto toma unos 20 minutos la primera vez, y 10 minutos cuando ya te acostumbras.
- Escribe tu decisión en una frase clara. Sé específico. No "tal vez cambiar la tutoría", sino "reemplazar la mitad de las horas de tutoría presencial con un chatbot de IA a partir del próximo semestre".
- Lista cinco grupos de personas que afecta esta decisión. Toda decisión grande toca a distintas personas. Una buena lista de inicio: quienes hacen el trabajo (p. ej., los tutores), quienes usan el servicio (p. ej., los estudiantes), quienes compiten contigo (p. ej., otras universidades), las reglas que aplican (p. ej., las políticas universitarias) y lo que tu equipo sabe o no sabe (p. ej., ¿qué tan bueno es el chatbot, en realidad?).
- Para cada grupo, pregunta "¿y luego qué?" tres veces. Empieza con lo primero que ocurre. Luego pregunta a qué lleva eso. Luego pregunta qué viene después de eso. Tres capas de profundidad.
- Encuentra al menos un bucle. Busca un lugar donde un efecto posterior vuelva en círculo y empeore (o mejore) tu decisión original. Sé específico sobre cómo ocurre.
- Si tu mapa se ve limpio y simple, paraste demasiado pronto. Los riesgos reales se esconden en la segunda y tercera capa. Profundiza hasta que se vea desordenado.
Así se siente construir una cadena. Toma la decisión de la tutoría y solo el grupo "estudiantes que más batallan". Empieza con lo primero que ocurre, luego pregunta "¿y luego qué?" dos veces más.
- Primera capa: Los estudiantes que batallan prueban el chatbot. No entiende sus preguntas a medio formular, así que se rinden y dejan de pedir ayuda.
- ¿Y luego qué? (Segunda capa.) Sin ayuda, sus notas bajan. Son los estudiantes que más necesitaban apoyo, y recibieron el menor.
- ¿Y luego qué? (Tercera capa.) Algunos se transfieren a una universidad que todavía tiene tutores humanos. La universidad pierde su matrícula.
Ese último enlace es donde vive la sorpresa. La decisión era "ahorrar 30% en tutoría". Pero tres capas más abajo, se convierte en "perder ingresos de matrícula de los estudiantes que más nos necesitaban". Nunca lo verías preguntándole a la IA "¿cuánto ahorra esto?": solo lo ves preguntando "¿y luego qué?" tres veces seguidas.
Ahora busca el bucle: la matrícula perdida significa un presupuesto aún más ajustado, que significa aún menos dinero para tutoría, que significa que el chatbot tiene que cubrir aún más, que significa que aún más estudiantes que batallan se rinden. La decisión original se alimenta a sí misma. Ese es el bucle, y es lo que convierte un ahorro único del 30% en un declive continuo.
Este dibujo se llama mapa de cascada. El objetivo no es predecir el futuro a la perfección. El objetivo es encontrar los bucles antes de comprometerte, mientras cambiar la decisión todavía es gratis.
Si tu mapa se ve limpio y prolijo, probablemente solo anotaste los efectos obvios. Los riesgos reales están en las capas más profundas. Sigue adelante.
Tú y la IA tienen puntos ciegos opuestos aquí, por eso esta disciplina es una sociedad. La IA es buena para responder la pregunta específica que hiciste y mala para notar los efectos secundarios que crea tu decisión. Tú eres mejor para pensar en las personas que la IA olvidó y en las reacciones en cadena que tardan meses en desarrollarse. Así que dibujas el mapa primero (esa es la parte que solo tú puedes hacer) y luego puedes pedirle a la IA que te ayude a someter a prueba de estrés cada rama que dibujaste.
Para una decisión real, el mapa puede tomar 20-30 minutos. El ejercicio de abajo usa un ejemplo más corto para que practiques la técnica.
El mapa muestra dónde mirar; el bucle muestra qué socava la decisión. El desorden es la característica, no un defecto.
Lee el diagrama en dos pasadas. La mitad superior es la pasada de amplitud: una decisión en el centro ("reemplazar oficiales de crédito con IA"), cinco dominios a su alrededor y lo primero que le ocurre a cada uno. La mayoría de estos son los efectos que cualquiera listaría: los empleados pierden su empleo, los clientes reciben peor servicio, los competidores sienten presión para copiarte. El que es fácil pasar por alto es Conocimiento interno: se pierde el saber local tácito. Los oficiales de crédito llevan un conocimiento que nunca se escribió en ningún sistema: qué negocios locales son confiables a pesar de un historial crediticio delgado, de quién es estacional el ingreso, así que un pago tardío en marzo es normal, cuándo un solicitante no está siendo honesto. Reemplaza a los oficiales y ese conocimiento sale por la puerta, porque nunca estuvo en el software del que la IA aprendió.
La mitad inferior es la pasada de profundidad, y es por qué la decisión sale mal. Sigue el dominio Clientes hacia adelante: el recorte de costos quita a los oficiales, así que el servicio cae (la IA pierde las señales que los humanos solían captar, justo el saber que se perdió), así que los clientes se van, así que los ingresos caen por debajo de lo que se ahorró, así que el ahorro se esfuma. La flecha punteada es todo el punto: la cadena vuelve en bucle al inicio, lo que significa que la jugada de recorte de costos termina borrando su propia justificación. Ese regreso en círculo es lo que dibujas un mapa de cascada para encontrar, y es invisible si solo le preguntas a la IA "¿cuánto ahorra esto?".
Aquí está la misma disciplina en una decisión distinta.
Una presidenta del consejo estudiantil quería ahorrar dinero moviendo el día deportivo anual de un estadio alquilado al propio campo de la universidad. La IA dijo: "Esto ahorra 40% del presupuesto del evento". Los beneficios eran obvios: sin cuota de alquiler, más cerca del campus, más fácil de montar. La IA listó todos los aspectos positivos y recomendó seguir adelante.
Antes de presentar la idea, dibujó un mapa de cascada. Su decisión: mover el día deportivo del estadio alquilado al campo de la universidad para ahorrar 40% del presupuesto. Listó cinco grupos y trazó tres capas para cada uno. Los efectos obvios eran de esperar (ahorra dinero, menos viaje para los estudiantes, sede más pequeña). Pero la tercera capa reveló un problema en el que no había pensado: el campo de la universidad tiene cabida para muchos menos espectadores, así que asistirían menos familias, así que el evento se sentiría más pequeño, así que los patrocinadores que pagaban por visibilidad pagarían menos el año siguiente, así que el presupuesto se encogería, así que el evento tendría que volverse más pequeño otra vez. Un bucle: la jugada de ahorro encogiendo el evento en silencio año tras año.
La imagen de arriba muestra su mapa de cascada completo: qué le pasa a cada grupo (estudiantes, equipos deportivos, vendedores de comida, administración, patrocinadores), el bucle que habría encogido el evento año tras año y las protecciones que agregó para evitarlo: un paquete mínimo garantizado de patrocinio y una verificación de capacidad de espectadores antes de comprometerse. La respuesta original de la IA ("solo muévelo, ahorras dinero") no tenía ninguna de estas protecciones. Igual ahorró dinero, pero lo ahorró sin activar el bucle.
El mapa de cascada que dibujó es en sí mismo una pieza de evidencia documentada del pensamiento, lo mismo de lo que trata la regla al inicio de esta página. Cuando presentó ante el consejo y alguien preguntó "¿esto no encogerá el evento?", no tuvo que improvisar. Señaló el bucle que ya había mapeado y la protección que ya había construido. El mapa era a la vez el pensamiento y la evidencia de él.
Pruébalo tú
Tu ejercicio: tu universidad acaba de anunciar que todos los exámenes del próximo semestre usarán supervisión por IA (una IA te observa por la webcam durante el examen) y serán solo en línea. Se acabaron los exámenes presenciales.
Dibuja un mapa de cascada con cinco grupos: estudiantes, profesores, personal de TI, padres y la administración. Profundiza tres capas para cada grupo. Encuentra un bucle donde un efecto posterior vuelva en círculo y empeore la decisión original.
(O usa cualquier decisión real de tu propia vida esta semana. Eso es lo que hace que se fije).
El evaluador de IA revisará dos cosas:
- ¿Cubriste los cinco grupos con tres capas cada uno, y explicaste cómo ocurre cada efecto (no solo lo nombraste)? Califica de 1 a 10. Dime cuál grupo es el más débil y qué omití.
- ¿Tu bucle es una cadena real de causa y efecto, o solo una etiqueta? Califica de 1 a 10. "Los estudiantes reaccionan" es una etiqueta. "Los estudiantes con mal internet reprueban los exámenes, lo que baja la tasa de aprobación de la universidad, lo que hace que la administración reconsidere la política" es una cadena real. Si la mía es solo una etiqueta, muéstrame cómo convertirla en cadena.
No redibujes mi mapa. Si una casilla está vacía o es vaga, solo dilo.
Tu mapa de cascada (escribe la decisión, luego lista cada grupo con tres capas de efectos. No tiene que estar ordenado):
Tu bucle (escríbelo como una cadena de causa y efecto):
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Esto toma unos 15-20 minutos la primera vez. Las primeras preguntas de "¿y luego qué?" se sienten incómodas. Es normal. Los hallazgos reales suelen aparecer en la tercera capa, no en la primera. Con práctica, puedes hacer un mapa completo en 8-12 minutos.
Después de recibir tu puntuación, busca un grupo que el evaluador de IA mencionó y que tú olvidaste. Ahí está tu punto ciego. Si la IA encontró un bucle que se te escapó, préstale atención extra. Los bucles son lo más importante porque te muestran cuándo una decisión saldrá mal con el tiempo.
Lo que acabas de hacer te ayuda a rastrear qué ocurre después de una decisión. Pero no comprueba si la decisión se basa en la información correcta en primer lugar.
Un plan perfectamente mapeado construido sobre un supuesto equivocado igual falla. Solo falla más tarde, con mejores notas. Para eso está la disciplina 5.
¿Quieres ver un buen ejemplo? (Ábrelo después de enviar el tuyo).
Otra estudiante hizo el mismo ejercicio de los exámenes supervisados por IA. No es la única respuesta correcta, pero muestra cómo se ve un buen mapa de cascada.
Decisión: Todos los exámenes del próximo semestre serán supervisados por IA y solo en línea.
| Grupo | Qué ocurre primero | Qué causa eso | Qué causa ESO |
|---|---|---|---|
| Estudiantes | Los estudiantes con internet lento o laptops viejas batallan | A algunos la IA supervisora los marca por error por "hacer trampa" | Esos estudiantes presentan apelaciones; cae la confianza en el sistema de exámenes |
| Profesores | Los profesores no pueden ver a los estudiantes durante el examen | No pueden saber si un estudiante está confundido o atascado | Los profesores rediseñan los exámenes para que sean más cortos y simples, lo que baja el nivel |
| Personal de TI | TI tiene que instalar y dar soporte al software de supervisión | Los estudiantes llaman a TI sin parar durante la semana de exámenes con problemas técnicos | TI queda saturado; los tiempos de respuesta empeoran para todos en el campus |
| Padres | Los padres se preocupan por la privacidad (grabación por webcam) | Algunos padres contactan a la administración para quejarse | La universidad tiene que redactar nuevas políticas de privacidad, lo que toma meses |
| Administración | La administración ahorra dinero en salas de examen | Pero gasta dinero en licencias del software de supervisión | El ahorro resulta ser menor de lo esperado |
El bucle: A los estudiantes con mal internet la IA los marca por hacer trampa → presentan quejas → la administración tiene que contratar personas para revisar cada queja a mano → esto cuesta más que reservar salas de examen → la administración considera volver a los exámenes presenciales → la decisión original se revierte.
Por qué es bueno: los cinco grupos están cubiertos con tres capas cada uno. Cada efecto explica cómo ocurre, no solo qué ocurre. El bucle es una cadena real: empieza con un problema de los estudiantes y termina deshaciendo la decisión original.
Lo que no intenta hacer: listar todos los efectos posibles. Hay más bucles en este escenario (profesores que renuncian, estudiantes que se transfieren). El punto es encontrar un bucle real con una cadena clara de causa y efecto, no encontrarlos todos en el primer intento.
Si tu mapa se ve más ordenado que este, esa es la señal: profundiza un "¿y luego qué?" más en tus dos dominios más débiles y vuelve a buscar un bucle.
Por qué funciona esto (la investigación detrás)
El mapa de cascada no es una idea nueva: es una versión reducida de la dinámica de sistemas, un campo que ha pasado setenta años documentando un hecho terco: las personas razonan en líneas rectas, pero el mundo funciona con bucles. Tres cuerpos de trabajo explican por qué dibujar el mapa vence a pensarlo en la cabeza.
Amplificación de la demanda (Jay Forrester, 1958). Forrester, que fundó la dinámica de sistemas en el MIT, mostró que una decisión tomada en un punto de una cadena se propaga hacia afuera y vuelve distorsionada. Su demostración más famosa es lo que ahora se llama el efecto látigo: un cambio pequeño y constante en la demanda del cliente en el extremo minorista produce oscilaciones salvajes en los pedidos de fábrica aguas arriba, porque cada eslabón reacciona al eslabón de al lado sin ver el bucle completo. La lección se generaliza mucho más allá de las cadenas de suministro: cuando decides en términos de línea recta ("esto ahorra 30%"), no ves cómo el efecto viaja por el sistema y vuelve cambiado. El mapa de cascada es la herramienta que hace visible el viaje de regreso antes de que te comprometas.
Lee más: Bullwhip effect (Wikipedia), que rastrea la idea hasta "Industrial Dynamics: A Major Breakthrough for Decision Makers" de Forrester, Harvard Business Review, 36(4), 1958.
Mala percepción de la retroalimentación (John Sterman, el Beer Game). Sterman dirigió un experimento ya clásico, el juego de distribución de cerveza, en el que los jugadores manejan un eslabón de una cadena de suministro simple. Incluso participantes inteligentes y motivados (estudiantes de MBA, ejecutivos) crean de forma confiable oscilaciones grandes y costosas, porque responden a lo que tienen enfrente e ignoran los retrasos y los bucles de retroalimentación del sistema que no pueden ver. La falla no es falta de esfuerzo ni de inteligencia; es que los bucles son invisibles a menos que algo te obligue a trazarlos. Ese "algo" es exactamente lo que provee el mapa de cascada: una versión de cinco minutos, de bajo riesgo, del dibujo forzado que hace visible el bucle antes de que te cueste algo.
Lee más: Beer distribution game (Wikipedia). El tratamiento completo está en Business Dynamics: Systems Thinking and Modeling for a Complex World de Sterman (McGraw-Hill, 2000).
Puntos de apalancamiento (Donella Meadows, 2008). Meadows, que trabajó en la misma tradición del MIT, pasó su carrera argumentando que los lugares más poderosos para cambiar un sistema casi nunca son los obvios. El mayor apalancamiento suele estar en los bucles de retroalimentación, justo las estructuras que el análisis de línea recta nunca nombra. Su corolario tajante: no puedes ajustar, debilitar ni protegerte de un bucle que no has dibujado. Todo el trabajo del mapa de cascada es sacar a la luz al menos un bucle, porque ese bucle es a la vez el riesgo oculto y el lugar de mayor apalancamiento para intervenir.
Lee más: el ensayo de Meadows Leverage Points: Places to Intervene in a System, que se convirtió en la base de su libro Thinking in Systems (Chelsea Green, 2008).
El mapa de cascada combina los tres. Las decisiones se propagan por un sistema y vuelven distorsionadas (Forrester), las personas omiten de forma confiable esos viajes de regreso a menos que se las obligue a dibujarlos (Sterman), y los bucles que omiten son justo los lugares de mayor apalancamiento para actuar (Meadows). El mapa es el dibujo forzado que atrapa el bucle mientras cambiar la decisión todavía es gratis. Nadie ha probado el mapa de cascada contra la IA específicamente, pero el hallazgo subyacente, que los humanos omiten los bucles de retroalimentación y que externalizarlos lo arregla, es uno de los resultados más replicados del campo. El giro de la era de la IA es solo que ahora tienes un socio con el punto ciego opuesto: la IA es fuerte en la amplitud que olvidarías y débil en los bucles que estás hecho para percibir, así que dibujar el mapa juntos cierra ambas brechas a la vez.
Profundiza: Parte 0, capítulo 3: Pensamiento en sistemas. La versión completa (revisión por pares más contraanálisis de IA más la rúbrica de evaluación; 60 minutos) lo convierte en sistema.
Parte 3: Originación (hacer lo que la IA no puede hacer)
La parte 1 te enseñó a pensar antes de preguntar a la IA. La parte 2 te enseñó a detectar errores en las respuestas de la IA. La parte 3 trata de algo distinto: hacer el pensamiento que la IA no puede hacer por ti.
Aquí la IA tiene dos puntos ciegos grandes. Primero, te da la respuesta más común, no la mejor respuesta para tu situación. Si mil personas hicieron la misma pregunta, la IA te da el promedio de lo que funcionó para ellas. Pero tu situación puede ser distinta. Segundo, cuanto más usas IA, más fácil es dejar de pensar por cuenta propia y aceptar lo que diga.
Las disciplinas 5 y 6 corrigen ambos problemas.
Antes de empezar, aprende una frase importante: umbral nombrado. Un umbral nombrado es una condición específica que te dice cuándo un consejo deja de funcionar. Por ejemplo: "Este consejo funciona cuando tu clase tiene menos de 30 estudiantes" es un umbral nombrado. "Esto funciona a veces" no lo es, porque "a veces" no dice cuándo. Usarás esta frase en un minuto.
Disciplina 5: Primeros principios
Eres presidenta del club de programación de tu universidad. Todos los demás clubes del campus acaban de empezar a cobrar cuotas de membresía. Tu vicepresidente, tu asesor académico y dos miembros sénior dicen lo mismo: "También deberíamos cobrar cuotas; todos los demás lo hacen." Le preguntas a la IA. La IA está de acuerdo. Todo apunta en la misma dirección.
Ese acuerdo es el peligro. Cuando todo el mundo se alinea tras la misma respuesta, incluida la IA, se siente resuelto, y es fácil dejar de pensar y seguir la corriente. Pero la respuesta común se basa en lo que funciona para la mayoría de los clubes. El tuyo podría ser la excepción, y nadie en la sala está revisando si lo es. Esta disciplina es cómo lo revisas.
La revisión tiene una forma específica: tomas el consejo común y encuentras la condición exacta donde deja de funcionar. La mayoría de las personas, cuando dudan de un consejo, producen una queja vaga: "cobrar cuotas no siempre es buena idea". Eso es inútil, porque "no siempre" nunca dice cuándo. La habilidad es convertir la queja vaga en un umbral nombrado: una condición específica y numerada donde el consejo se rompe.
¿Por qué "primeros principios"? Razonar desde primeros principios significa negarse a aceptar una respuesta solo porque todos la repiten, y en cambio averiguar qué es realmente cierto para tu situación. Normalmente la gente se imagina esto como construir una respuesta desde cero. Esta disciplina hace la versión más ligera y rápida: en vez de reconstruir el consejo, lo pruebas; encuentras las condiciones exactas donde la respuesta común deja de ser cierta para ti. Es el mismo movimiento de raíz (no tomes el consenso por autoridad; compáralo con tu propio caso), apuntado al límite en vez de a la página en blanco.
Mira el movimiento una vez. Misma situación, dos formas de dudar del consejo:
- Queja vaga: "Cobrar cuotas no siempre es buena idea."
- Umbral nombrado: "Cuando el objetivo principal del club es atraer estudiantes de primer año que nunca han programado, y la mayoría no puede pagar una cuota, cobrar dinero espanta exactamente a las personas que estás intentando atraer."
La primera es un encogimiento de hombros. La segunda te dice exactamente cuándo falla el consejo (estudiantes de primer año que no pueden pagarla) y por qué (la cuota bloquea a las personas para las que existe el club). La primera no cambia nada. La segunda cambia tu decisión. Esa distancia, entre un encogimiento de hombros y una condición nombrada, es toda la disciplina.
Así se practica. Elige un consejo común que todos a tu alrededor, y la IA, te dicen que sigas. Luego escribe tres filas. En cada una, describe una situación específica donde ese consejo no funcionaría. Usa un número real o una condición real, no solo "a veces".
| El consejo común | ¿Cuándo deja de funcionar? Usa un número o una condición específica. |
|---|---|
Si no puedes llenar tres filas con condiciones específicas, estabas siguiendo el consejo sin entenderlo de verdad.
Cómo saber si tu fila es buena: una fila que dice "cuando más de 80% de los miembros del club son estudiantes de primer año sin ingresos, cobrar cuotas reducirá la membresía a la mitad" sirve. Te dice exactamente cuándo se rompe el consejo. Una fila que dice "cobrar cuotas no siempre funciona" es demasiado vaga para ayudarte a decidir.
Fíjate a quién protege esto. Nadie iba a auditar a la presidenta del club por cobrar cuotas: toda la sala, más la IA, estaban de acuerdo en que era la jugada correcta. Si hubiera seguido el consenso, simplemente habría tomado una peor decisión, habría visto caer la membresía y nunca habría sabido que el umbral nombrado era la razón. El umbral no es algo que produces para defenderte después. Es lo que atrapa una mala decisión mientras todos a tu alrededor siguen asintiendo.
Así se ve un buen resultado.
La presidenta del club de programación no escribió tres filas perfectas en el primer intento. Después de pensarlo, tenía esto:
| Consejo común: "Todos los clubes deberían cobrar cuotas de membresía." |
|---|
| Límite 1. Cuando más de 80% de tus miembros son estudiantes de primer año sin ingresos, cobrar cuotas espanta exactamente a las personas que intentas atraer. Umbral: 80% de miembros de primer año sin ingresos. |
| Límite 2. Cuando el valor principal del club son talleres gratuitos a los que cualquiera puede entrar, agregar una cuota crea una barrera que destruye la asistencia espontánea. Esto importa más cuando el campus tiene 3 o más clubes competidores que siguen siendo gratuitos. Umbral: 3 o más clubes gratuitos competidores en el mismo campus. |
| Límite 3. Cuando el club recibe la mayor parte de su presupuesto de una subvención universitaria que exige acceso abierto para todo el estudiantado, cobrar cuotas podría hacerte perder la subvención. Umbral: una subvención con requisito de "acceso abierto" que cubre más de la mitad del presupuesto. |
Presentó los tres límites a su asesor académico. Decidieron mantener el club gratis y recaudar dinero mediante hackatones patrocinados. Al final del semestre, la membresía había crecido 40%, mientras que otros clubes que empezaron a cobrar vieron caer la asistencia. Ninguno de los tres límites aparecía en el consejo común. Tampoco aparecía en la primera respuesta de la IA.
Esos tres límites son también una pieza de evidencia documentada del pensamiento, lo mismo de lo que trata la regla al inicio de esta página. Cuando la presidenta se sentó con su asesor, no dijo "tengo una mala sensación sobre las cuotas". Puso tres condiciones nombradas sobre la mesa. La diferencia entre una sensación y tres umbrales nombrados es la diferencia entre que te pasen por encima y que te escuchen. Las filas eran a la vez su pensamiento y la prueba de que lo había hecho.
Sin umbrales nombrados, habría escrito algo como esto:
| Consejo común: "Todos los clubes deberían cobrar cuotas." | Por qué esto no ayuda |
|---|---|
| A veces cobrar cuotas no es buena idea. | Demasiado vago. "A veces" no dice cuándo. Podría significar cuando se va 5% de los miembros o cuando se va 90%. No ayuda a decidir. |
| Otros clubes no siempre saben lo que hacen. | Es una queja sobre otros clubes, no una razón para tu decisión. No cambia nada. |
| Depende de la situación. | Decir "depende" sin decir de qué no ayuda. Todo el mundo ya sabe que depende de la situación. |
Pruébalo tú
Tu ejercicio: elige cualquier consejo común que la gente te repite. Ejemplos: "sigue tu pasión", "estudia siempre en grupo", "ahorra 20% de cada sueldo", "no faltes a clase". Escribe tres filas. En cada fila, nombra una situación específica, con un número o una condición, donde ese consejo deja de funcionar.
(Esto funciona igual sin importar qué consejo elijas.)
Antes de empezar, recuerda: un umbral usa un número o una condición específica, por ejemplo "cuando tu clase tiene más de 200 estudiantes". Palabras como "a veces", "a menudo" y "depende" no son umbrales.
Si no puedes sacar una tercera fila, eso significa que seguías el consejo sin entenderlo de verdad. Prueba con otro consejo en vez de forzar una tercera fila débil. Eso también es un descubrimiento útil.
El evaluador de IA revisará dos cosas:
- ¿Cada fila tiene un umbral específico (un número, una condición, una situación clara)? Califica de 1 a 10. Cita la fila más débil.
- ¿Cada fila explica por qué el consejo falla en esa situación, o solo dice "no funciona"? Califica de 1 a 10. Señala cualquier fila que sea una queja vaga en lugar de una explicación real.
No reescribas mis filas. Si una fila está vacía o es vaga, dilo directamente.
El consejo común que estoy examinando:
Fila 1: ¿cuándo deja de funcionar este consejo? Nombra una condición específica y explica por qué.
Fila de límite 2:
Fila de límite 3:
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Esto toma unos 15-25 minutos la primera vez. Los umbrales son más difíciles de escribir de lo que esperas. Después de recibir tu puntuación, busca cualquier fila donde escribiste "a veces" o "depende" y reescríbela con un número o condición real. Si no puedes reescribirla, probablemente esa fila no sea un límite real. Descártala y prueba otra.
Lo que acabas de hacer te ayuda a encontrar dónde deja de funcionar un consejo. Pero no te ayuda a trabajar con IA en problemas donde no hay un consejo obvio que cuestionar. Para eso está la disciplina 6.
¿Quieres ver un buen ejemplo? Ábrelo después de enviar el tuyo.
Otra estudiante eligió el consejo "estudia siempre en grupo". Estas fueron sus tres filas:
| Consejo común: "Estudia siempre en grupo." |
|---|
| Fila 1. Los grupos de más de 5 personas no funcionan bien. La mayoría solo se sienta a escuchar mientras 2-3 personas hacen el trabajo real. Cuándo se rompe: más de 5 personas. |
| Fila 2. Algunas materias necesitan concentración tranquila, como resolver problemas de matemáticas o escribir ensayos. En un grupo, alguien te interrumpe cada pocos minutos. Cuándo se rompe: tareas que necesitan más de 30 minutos de pensamiento sin interrupciones. |
| Fila 3. Cuando una persona sabe mucho más que las demás, se pasa toda la sesión explicando en vez de estudiar. Se atrasa en su propio trabajo. Cuándo se rompe: cuando la mejor y la peor estudiante están separadas por más de 2 niveles de curso. |
Por qué es bueno: cada fila usa un número específico: 5 personas, 30 minutos, 2 niveles de curso. Cada fila explica por qué falla el consejo, no solo que falla.
Tres filas claras bastan. No tienes que listar todas las situaciones posibles.
Por qué funciona esto (la investigación detrás)
El movimiento de primeros principios (encontrar la condición exacta donde el consejo común deja de ser cierto para ti) se apoya en tres ideas más antiguas sobre por qué falla el consejo y cómo ponerlo a prueba.
Racionalidad ecológica (Gerd Gigerenzer, Peter Todd y el ABC Research Group, 1999). Su hallazgo central se resume en una ecuación corta: heurística + entorno = resultado. Una regla práctica nunca es buena ni mala por sí sola: es buena en los entornos que le quedan y mala en los que no, y toda la habilidad consiste en saber en qué entorno estás. "Cobra cuotas de membresía" es una heurística ajustada para clubes con miembros que pueden pagar; ponla en un club de estudiantes de primer año sin ingresos y la misma regla sale mal. Un umbral nombrado es solo tú declarando, con precisión, el entorno donde el consejo deja de quedar, que es exactamente el juicio que, según este cuerpo de trabajo, separa las buenas decisiones de las malas.
Lee más: Ecological rationality (Wikipedia), que resume a Gigerenzer, Todd y el ABC Research Group, Simple Heuristics That Make Us Smart (Oxford University Press, 1999).
Decisiones cebadas por reconocimiento (Gary Klein, 1998). Estudiando a bomberos, enfermeras y otros expertos bajo presión, Klein descubrió que rara vez sopesan opciones: reconocen una situación como familiar y ejecutan el primer patrón que encaja, normalmente sin darse cuenta de que lo hicieron. Eso es rápido y a menudo correcto, pero también es exactamente cómo el consejo de consenso pasa sin examen: se siente como una respuesta reconocida y resuelta. Obligarte a escribir cuándo fallaría el patrón es la pausa deliberada que interrumpe el calce automático: dejas de hacer calce de patrones el tiempo suficiente para comprobar si tu caso es la excepción.
Lee más: Recognition-primed decision (Wikipedia); el relato completo está en Sources of Power: How People Make Decisions de Klein (MIT Press, 1998).
Falsabilidad (Karl Popper, 1959). Popper argumentó que una afirmación solo te dice algo sobre el mundo si puedes declarar qué la probaría falsa. Una creencia que sobrevive a todos los resultados posibles no explica nada. Un umbral nombrado es la prueba de falsabilidad aplicada al consejo: "esto funciona a menos que más del 80% de los miembros no pueda pagar la cuota" nombra la condición exacta bajo la cual abandonarías el consejo. Una queja vaga ("no siempre funciona") no nombra ninguna condición, nunca puede comprobarse y por eso no cambia nada. Esa es la diferencia entre un umbral y un encogimiento de hombros.
Lee más: Falsifiability (Wikipedia), la idea que Popper introdujo en The Logic of Scientific Discovery (1959).
Primeros principios combina los tres. El consejo solo es correcto para el entorno que le queda (Gigerenzer y Todd), el consenso te pasa de largo porque reconocer una respuesta "resuelta" es automático (Klein), y la cura es nombrar la condición exacta que probaría que el consejo está mal para ti (Popper). Un umbral nombrado hace las tres cosas a la vez: declara el entorno, interrumpe el calce automático y es lo bastante específico como para comprobarse. Nadie ha probado este ejercicio exacto contra la IA, pero las ideas subyacentes se han sostenido durante décadas. Usarlas para someter a presión las respuestas de consenso seguras de la IA es el paso natural.
Profundiza: Parte 0, capítulo 4: Razonar desde primeros principios. La versión completa, el sprint de página en blanco: escribir 500 palabras contra una práctica que venías siguiendo, luego ejecutar un contraanálisis estructurado con IA y una revisión por pares, 60 min, vive en la parte 0. Esta página enseña la forma de la fila. Esa página enseña el argumento largo.
Disciplina 6: Trabajar CON IA
Pasaste la mañana trabajando con IA en un ensayo importante. El resultado se ve muy bien. Los argumentos son claros y la escritura está pulida. Entonces tu profesor pregunta: "¿Qué partes de esto son tus ideas y cuáles vinieron de la IA?" Abres la boca y te das cuenta de que no puedes distinguirlo. Algunas frases son tuyas. Algunas son de la IA. La mayoría es una mezcla. El ensayo es bueno. Simplemente no sabes qué partes puedes explicar y defender de verdad.
Esta es la solución. Haz la misma tarea de tres maneras distintas y luego compara los resultados lado a lado.
- Solo. 15 minutos, sin IA. Solo tú y el problema.
- Solo IA. 5 minutos. Preguntas a la IA, aceptas la primera respuesta y no cambias nada.
- Colaborativo. 10 minutos. Preguntas a la IA, lees con criterio, discrepas cuando haga falta, haces preguntas de seguimiento y reescribes partes tú mismo.
Luego compara las tres versiones. Pregúntate: ¿cuál versión es mejor? ¿Qué partes de la versión "en conjunto" son mejores porque cuestionaste algo? La versión conjunta suele ganar, pero la lección real es ver exactamente dónde tu pensamiento la mejoró. De eso trata esta disciplina.
Así se siente la comparación. Supón que tu tarea es la línea de cierre de un correo a un profesor. Pon las tres versiones una al lado de la otra y lee solo esa línea:
- Solo: "Gracias, y perdón de nuevo por la molestia." (Disculpándose, un poco débil.)
- Solo IA: "Gracias por su tiempo y consideración." (Pulida, pero podría ser cualquier correo de cualquiera.)
- Colaborativo: "Puedo mostrarle lo que tengo hasta ahora si ayuda." (Tuya: prueba que ya empezaste el trabajo.)
Leerlas una al lado de la otra es todo el movimiento. La línea Solo muestra lo que habrías escrito sola. La línea Solo IA muestra a qué recurre la IA por defecto. Y la línea Colaborativa es la que puedes defender, porque sabes por qué vence a las otras dos: hace un trabajo que ninguna de las otras hace. No solo sentiste que la versión colaborativa era mejor: puedes señalar la línea y decir qué hace. Ese señalar es la habilidad.
Para un proyecto real, la comparación completa toma unos 30 minutos. El ejercicio de abajo es una versión rápida de 10 minutos para que hoy puedas sentir la diferencia.
Así se ve con un ejemplo real.
Una estudiante tenía que escribir un correo a su profesor para pedir una extensión de plazo en una tarea importante. Tenía una razón real, una emergencia familiar, pero necesitaba que el correo fuera honesto sin sonar a excusa. Decidió probar los tres caminos.
Solo, 15 minutos. Escribió el correo ella misma sin ayuda de IA. Era honesto y personal. Explicaba la situación con claridad. Pero divagaba, y la petición real, "¿puedo tener 5 días más?", estaba enterrada al final. El correo era demasiado largo y el profesor quizá no llegaría hasta el final.
Solo IA, 5 minutos. Le dio la situación a la IA y aceptó el primer borrador sin cambiar nada. El correo estaba pulido y bien estructurado. Pero sonaba genérico, como una plantilla que cualquiera podría enviar. No mencionaba detalles concretos de su situación. No sonaba como ella. El profesor probablemente pensaría que solo copió un correo de IA.
Colaborativo, 10 minutos. Escribió ella misma el inicio, explicando su situación concreta con sus propias palabras, y luego pidió a la IA que la ayudara a reestructurar el correo para que la petición apareciera primero. La IA sugirió suavizar el tono; ella no estuvo de acuerdo y mantuvo su redacción directa porque sabía que ese profesor prefiere la honestidad a la cortesía excesiva. También pidió a la IA una frase de cierre; la versión de la IA era demasiado formal, así que la reescribió para que coincidiera con su forma real de hablar. El correo final fue claro, personal y bien estructurado. El profesor respondió en menos de una hora y le dio la extensión.
La versión colaborativa ganó por dos cosas específicas que hizo ella: mantuvo su tono directo, que la IA intentó suavizar, y puso la petición al principio, algo que no se le habría ocurrido por cuenta propia. Puede señalar exactamente dónde su juicio mejoró el correo.
Esa última frase es la conexión con la regla al inicio de esta página. Las tres versiones lado a lado son la evidencia documentada del pensamiento. El acierto no es que "el correo fuera bueno". Muchos correos hechos solo con IA son buenos. El acierto es que ella puede mostrar, línea por línea, dónde su juicio cambió el resultado, que es justo lo que la pregunta del profesor ("¿qué partes son tuyas?") preguntaba en realidad. Fíjate, además, en que la recompensa no dependía de que el profesor preguntara. Incluso si nadie lo hubiera cuestionado, la comparación hizo que su correo fuera de verdad mejor que el que habría producido cualquiera de los otros dos caminos. La auditoría solo vuelve visible un valor que ya estaba ahí de todos modos.
Por qué necesitas las tres versiones, no solo la colaborativa:
- Sin la versión Solo, no sabes qué habrías escrito por tu cuenta. Así no puedes distinguir qué ideas del correo final son tuyas y cuáles vinieron de la IA.
- Sin comparar las tres, no puedes demostrar que la versión colaborativa sea realmente mejor. "Se siente mejor" no es una respuesta real si alguien pregunta por qué elegiste esa versión.
- Sin la versión Solo IA, no puedes saber si solo aceptaste todo lo que dijo la IA. Si tu versión colaborativa y tu versión Solo IA se parecen demasiado, no colaboraste de verdad. Copiaste.
Úsalo para trabajo donde tu experiencia personal importa: correos que deben sonar como tú, decisiones donde la IA no conoce tu situación o trabajo creativo que necesita tus ideas. Para tareas simples donde la IA funciona bien sola, como dar formato a una tabla o resumir notas, deja que la IA lo haga. No gastes este ejercicio en tareas que no necesitan tu juicio.
Pruébalo tú
Empieza aquí: escribe un mensaje a tu arrendador para pedir una reducción del alquiler, o un mensaje a tu profesor para pedir una extensión de plazo. Algo donde tú tengas contexto que la IA no tiene: tu historial de pagos, tu relación con la persona o la situación específica.
Versión de trabajo: tu jefa te pide un memo de una página que recomiende si la empresa debería comprar un competidor más pequeño. El competidor tiene 90 personas y crecía rápido hasta el trimestre pasado, cuando perdió a su cliente más grande, que representaba 22% de sus ingresos. Está abierto a ser comprado por $40-55M. Tu recomendación será citada durante los próximos tres años.
Para cualquiera de las dos opciones, haz las tres versiones: Solo (5 min), Solo IA (3 min), Colaborativo (5 min). Pon las tres lado a lado. El punto no es el memo. El punto es sentir la diferencia entre los tres caminos.
(O elige cualquier decisión real que tengas esta semana. Cuanto más real sea, más nítida será la comparación.)
No te saltes el borrador solo IA. Es el más tentador de soltar ("ya sé qué diría la IA") y el más diagnóstico de conservar. Si tu colaborativo termina incómodamente cerca de tu solo IA, aceptaste demasiado. Solo aprendes eso escribiendo ambos.
El evaluador de IA revisará:
- ¿Tus tres versiones son realmente distintas, o todas dicen lo mismo? Califica de 1 a 10. Si la versión Solo y la Colaborativa se parecen demasiado, dilo.
- ¿Tus tres cambios son específicos? Califica de 1 a 10. Cada cambio debe ser algo que puedas señalar y decir: "sin esto, el correo habría sido peor." Si alguno es vago, como "lo mejoré", dilo.
No reescribas mi trabajo. Si una caja está vacía o es vaga, dilo.
Describe cada una de tus tres versiones: qué escribiste, qué te sorprendió y dónde se quedó corta.
Nombra tres cosas específicas que cambiaste o agregaste en la versión colaborativa y que la mejoraron:
¿Cuál versión enviarías de verdad, y por qué?
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
Esto toma unos 15 minutos en total, incluido el tiempo de pensar. Después de recibir tu puntuación, busca un lugar donde el evaluador diga que tu versión Solo fue mejor en algo. Eso te muestra dónde la versión colaborativa dependió demasiado de la IA y no lo suficiente de tu propio pensamiento.
Lo que acabas de hacer es todo el curso intensivo en un ejercicio. Formaste tu propia opinión antes de preguntar a la IA (disciplina 1). Seguiste lo que aceptaste y lo que rechazaste (disciplina 2). Revisaste errores (disciplina 3). Pensaste qué ocurre después (disciplina 4). Probaste dónde deja de funcionar el consejo común (disciplina 5). Y conservaste tu propio juicio cuando la IA intentó tomar el control (disciplina 6). El punto nunca fue la respuesta en sí. El punto es poder mostrar cómo pensaste para llegar allí.
¿Quieres ver un buen ejemplo? Ábrelo después de enviar el tuyo.
Otra estudiante escribió un correo a su profesor para pedir una extensión de plazo. Así se veía cada versión:
| Versión | Qué escribió |
|---|---|
| Solo (15 min) | Honesta y personal. Explicó con claridad la situación familiar. Pero era demasiado larga, y la petición real, "¿puedo tener 5 días más?", quedó enterrada al final. Sabía que había que reestructurarla, pero se quedó sin tiempo. |
| Solo IA (5 min) | Breve y bien organizada. Pero sonaba como una plantilla. Usaba frases como "agradecería mucho su consideración" que ella nunca diría en la vida real. No mencionaba detalles específicos de su curso ni de su profesor. |
| Colaborativo (10 min) | Escribió el inicio con sus propias palabras y luego pidió a la IA que la ayudara a poner la petición al principio. La IA sugirió suavizar el tono; ella mantuvo su redacción directa porque sabe que este profesor prefiere la honestidad. Usó la estructura sugerida por la IA, pero reemplazó el cierre con una frase propia. |
Tres cosas que cambió en la versión colaborativa:
- Mantuvo su tono directo. La IA intentó volverlo más formal: "agradecería su comprensión". Ella mantuvo su redacción original, "necesito 5 días más", porque su profesor ha dicho que prefiere estudiantes que van al punto. Sin esto, el correo habría sonado como cualquier solicitud de extensión escrita por IA.
- Movió la petición a la primera línea. A ella no se le habría ocurrido sola. La IA lo sugirió. Fue la mejora más importante respecto de su versión Solo.
- Reemplazó el cierre de la IA. La IA escribió "Gracias por su tiempo y consideración." Ella lo reemplazó por "Puedo mostrarle lo que tengo hasta ahora si ayuda." Eso mostraba que ya había empezado el trabajo. Sin esto, el correo habría terminado con una línea genérica que no aportaba nada.
Por qué es bueno: cada cambio apunta a algo que ella sabía y la IA no: la preferencia del profesor por la claridad directa y el hecho de que ya había empezado el trabajo. Puede decir exactamente dónde su juicio mejoró el correo. Esa es la prueba.
Por qué funciona esto (la investigación detrás)
El patrón sobre el que se construye este ejercicio (humano más IA vence a cualquiera de los dos por separado, pero solo cuando el humano conserva las decisiones) es uno de los hallazgos más consistentes en la investigación de productividad con IA. Tres trabajos lo explican desde tres ángulos.
Equipo humano + máquina (Garry Kasparov, sobre el ajedrez "centauro"). Después de perder contra Deep Blue de IBM en 1997, Kasparov no concluyó que las máquinas simplemente habían ganado. Ayudó a popularizar el ajedrez avanzado, donde un humano juega junto a una computadora. En los torneos libres que siguieron, los competidores más fuertes a menudo no eran grandes maestros ni los mejores motores, sino jugadores comunes hábiles para gestionar la máquina: saber cuándo confiar en su cálculo y cuándo anularlo con juicio humano sobre la estrategia. La lección duradera no es sobre el ajedrez específicamente (los motores de hoy son lo bastante fuertes como para que un humano rara vez mejore el juego puro); es que el trabajo en equipo gana cuando el humano aporta algo que a la máquina le falta. En la escritura y la toma de decisiones, ese algo es tu contexto privado (tu situación, tu lector, lo que de verdad intentas decir), que es exactamente lo que el camino colaborativo te obliga a agregar.
Lee más: Advanced chess (Wikipedia); Kasparov desarrolla el argumento en Deep Thinking (PublicAffairs, 2017).
La IA levanta a quienes menos saben (Brynjolfsson, Li y Raymond, 2023). En el primer gran estudio de campo de la IA generativa en el trabajo, los investigadores siguieron a 5179 agentes de atención al cliente a los que se les dio un asistente de IA. La productividad subió 14% en promedio, pero la ganancia se concentró casi por completo en los novatos (un salto de alrededor del 34%), con poco efecto en los agentes más experimentados. La razón es reveladora: la IA esencialmente le entregaba a los trabajadores más nuevos el conocimiento que los expertos ya tenían. La implicación para este ejercicio es directa: la colaboración agrega valor solo cuando tú aportas algo que la IA no contiene ya. Donde la IA ya sabe la respuesta, no hay juicio que puedas agregar; donde tú tienes el contexto, tus sustituciones son todo el punto.
Lee más: Generative AI at Work (NBER), publicado en el Quarterly Journal of Economics (2025).
La IA comprime a todos hacia el mismo medio (Noy y Zhang, 2023). En un experimento controlado, 444 profesionales hicieron tareas de escritura, la mitad con ChatGPT. La herramienta recortó tiempo y elevó la calidad promedio, pero lo hizo comprimiendo la distribución: quienes escribían peor mejoraron mucho, quienes escribían mejor apenas cambiaron, y los resultados se volvieron más parecidos entre sí. Esa compresión es la advertencia incrustada en este ejercicio. Si tomas el borrador de la IA tal cual, aterrizas en el mismo medio competente y genérico en el que aterriza todo el mundo. El camino colaborativo es cómo te despegas de ese medio: tus sustituciones son lo que hace que el resultado sea tuyo en vez del valor por defecto compartido.
Lee el artículo (acceso abierto): Experimental evidence on the productivity effects of generative artificial intelligence, Science, 381, 2023.
La comparación de tres caminos combina los tres. El trabajo en equipo vence al trabajo en solitario solo cuando el humano gestiona la máquina en vez de delegar en ella (Kasparov); la IA agrega más donde menos sabes, lo que significa que tu valor es lo que la IA no contiene ya (Brynjolfsson, Li y Raymond); y sin gestión, la IA empuja cada resultado hacia el mismo medio genérico (Noy y Zhang). Escribir la tarea de tres maneras (Solo, Solo IA, Colaborativo) hace visibles las tres cosas a la vez: el borrador Solo IA te muestra el medio genérico, el borrador Solo te muestra lo que es únicamente tuyo, y el borrador colaborativo es donde tu juicio convierte el primero en el segundo. Nadie ha probado este ejercicio exacto, pero el hallazgo que lo sustenta está tan bien establecido como pueden estarlo los resultados en este campo.
La versión completa de este ejercicio, la comparación de tres caminos de 95 minutos con revisión por pares, seguimiento de XP y diagnóstico completo de estilo de colaboración, vive en Parte 0, capítulo 6: Trabajar CON IA, no para la IA. Esta página enseña la disciplina. Esa página construye la semana de trabajo alrededor de él.
El proyecto final: una decisión, seis disciplinas
Eres presidenta del consejo estudiantil de tu universidad. La universidad acaba de dar al consejo un presupuesto sorpresa de $10.000 que debe gastarse antes de que termine el semestre. Ves dos opciones. Opción A: contratar a una planificadora profesional de eventos para organizar una gran fiesta de despedida de fin de año. Opción B: usar el dinero para comprar herramientas de IA y equipo que ayuden a cada miembro del consejo a planear mejores eventos durante todo el año. La mitad del consejo quiere la fiesta de despedida. La otra mitad quiere las herramientas de IA. Tienes que presentar tu recomendación en la reunión del consejo del viernes. Así te ayuda cada disciplina a decidir.
Disciplina 1, bloqueo de predicción. Antes de preguntar cualquier cosa a la IA, escribes tus cuatro líneas. Decisión real: no "fiesta de despedida vs. herramientas", sino "un gran evento vs. mejorar todos los eventos futuros". Pregunta que la resolvería: ¿las herramientas de IA de verdad las usarán suficientes miembros del consejo como para justificar la inversión? Tu postura: elige la opción B, las herramientas de IA, porque has visto a este consejo batallar con la organización de eventos todo el año y sabes que las herramientas correctas cambiarían los próximos cuatro eventos, no solo uno. Confianza + qué te hace cambiar: 55% de seguridad. Si menos de 6 de 8 miembros del consejo usarían de verdad las herramientas, cambia a la opción A.
Luego preguntas. Fíjate que tu pregunta de la línea 2 era sobre los miembros del consejo, así que la respuesta viene de ellos, no de la IA: encuestas a los ocho directamente. Seis dicen que usarían las herramientas y terminarían la capacitación; dos no están seguros. Eso supera tu umbral de seis. Tu postura se mantiene (opción B) por la razón que escribiste, y ahora con un número detrás en vez de una corazonada. (No toda pregunta decisiva es una pregunta para la IA. El bloqueo de predicción solo te dice qué pregunta responder; a veces la respondes preguntándole a personas, no a un modelo.)
Disciplina 2, recibo de razonamiento. Pides consejo a la IA. La IA dice que la fiesta de despedida "creará recuerdos duraderos para 500+ estudiantes". Lo marcas MODIFY: el recinto solo admite 300. La IA dice que las herramientas de IA aumentan la calidad de los eventos 35%. Lo marcas REJECT: no da fuente, y tu consejo nunca ha usado estas herramientas. La IA menciona que otras universidades ahorraron dinero usando IA para planificar eventos. Lo marcas SURFACED: no habías pensado en lo que hacen otras universidades. Después de revisar las sugerencias de la IA, tienes 8 filas etiquetadas. Sabes exactamente en qué afirmaciones confías y en cuáles no.
Disciplina 3, taxonomía de errores. El recibo se ocupó de las afirmaciones en las que te detuviste; el escaneo de errores es para las que podrías haber dejado pasar. Pasas la salida de la IA por los seis tipos de error y atrapas tres que el recibo omitió: una fuente fabricada (la IA citó un "Informe Nacional de Eventos Estudiantiles 2025" que no encuentras por ningún lado), un hecho obsoleto (el precio de las herramientas de IA que citó la IA es del año pasado; el precio actual es alrededor de 15% más alto) y falsa confianza (la IA afirmó sin más que las herramientas "se pagarán solas en un semestre" sin nada detrás). El precio obsoleto cambia tus cálculos de presupuesto; los otros dos son recordatorios de cuánto del tono seguro de la IA no estaba ganado.
Disciplina 4, mapa de cascada. Rastreas qué ocurre con cada opción en cinco grupos:
- Miembros del consejo: la opción A significa un gran evento y luego nada. La opción B significa nuevas habilidades para todos.
- Estudiantes: la opción A da a 300 estudiantes una gran noche. La opción B mejora todos los eventos para todo el estudiantado.
- Administración universitaria: la opción A es segura y familiar. La opción B muestra que el consejo piensa hacia adelante.
- Consejo del próximo año: la opción A no deja nada. La opción B deja herramientas y capacitación que el siguiente equipo puede usar.
- Patrocinadores: la opción A atrae patrocinadores que quieren visibilidad en un evento. La opción B es más difícil de vender a patrocinadores.
Encuentras un bucle: si eliges la opción B pero solo 4 de 8 miembros usan realmente las herramientas, los eventos no mejoran, el consejo del año siguiente no ve beneficio y cancela las herramientas de IA. La inversión se desperdicia. Este es exactamente la condición de reversión que nombraste en la línea 4 de tu bloqueo de predicción, y es lo bastante real como para que construyas una salvaguarda contra ella.
Disciplina 5, primeros principios. Todo el mundo dice "un gran evento construye espíritu universitario". Pruebas dónde se rompe ese consejo. Límite: cuando puede asistir menos de 20% del estudiantado, 300 de 2.000, la fiesta construye espíritu para un grupo pequeño y el resto se queda fuera. Ese límite cambia el cuadro.
Disciplina 6, trabajar CON IA. Escribes tu recomendación de tres maneras. Solo: un caso sólido para la opción B, pero olvidaste responder a quienes apoyan la fiesta de despedida. Solo IA: una recomendación pulida que divide la diferencia, "hagan ambas cosas", pero no explica cómo encajan ambas en el presupuesto. Colaborativo: escribes tú el argumento central, pides a la IA que te ayude a responder las preocupaciones de quienes apoyan la fiesta y agregas una regla específica: si menos de 6 de 8 miembros completan la capacitación de IA en 3 meses, el dinero restante va a la fiesta de despedida.
El consejo vota por la opción B con tu regla de salvaguarda. Puedes explicar cada parte de tu recomendación porque la construiste tú, con ayuda de la IA.
Qué hicieron las seis disciplinas: no te dieron la respuesta. Te dieron el rastro: una postura con la que te comprometiste el lunes con el hallazgo específico que la cambiaría, un recibo que muestra en qué afirmaciones de la IA confiaste y cuáles no, un escaneo de errores que corrigió tus números, un mapa de cascada que encontró el riesgo, un límite que desafió la opción obvia y una comparación de tres versiones que encontró la salvaguarda. Sin las seis disciplinas, entras a la reunión con "creo que la opción B es mejor". Con ellas, entras con evidencia y un plan de respaldo.
No necesitas un mapa de cascada para decidir dónde almorzar. No necesitas un recibo de razonamiento para cada mensaje de texto. Usa las seis disciplinas para decisiones que realmente importan. Para todo lo demás, decide y sigue adelante.
¿Qué disciplinas usar según la decisión?
| ¿Qué tan importante es la decisión? | Ejemplo | Qué disciplinas usar | Tiempo |
|---|---|---|---|
| Nada importante | Elegir dónde comer, responder un mensaje rutinario | Ninguna | 0-1 min |
| Algo importante | Elegir una materia el próximo semestre, comprar una portátil | Bloqueo de predicción + taxonomía de errores sobre la recomendación principal de IA | 10-15 min |
| Importante, con fecha límite | Decisión de carrera, compra grande, propuesta de proyecto grupal | Bloqueo de predicción + recibo de razonamiento + taxonomía de errores + una o dos más que encajen | 30-60 min |
| Muy importante, otras personas juzgarán tu razonamiento | Defensa de tesis, presentación de entrevista laboral, recomendación del consejo | Las seis disciplinas | 90+ min |
🚀 Proyectos
El proyecto final de arriba fue la decisión de otra persona. Estos cuatro proyectos son tuyos. No entregas una URL ni construyes una app. Tomas una decisión real de tu propia semana, la pasas por las disciplinas hasta que atrapas algo que se te habría escapado, y conservas el rastro.
Las disciplinas están hechas para atrapar. El premortem atrapa una forma en que tu plan fracasa. El recibo atrapa una afirmación en la que en realidad no confías. El escaneo de errores atrapa una fuente que la IA inventó. Así que el logro aquí es pequeño y real: una frase que puedes decir en voz alta, terminada en un verbo. "Casi decidí X, pero atrapé una forma en que falla, así que cambié mi plan." "Sonaba seguro, pero atrapé una fuente inventada, así que no lo acepté sin más." Y lo que conservas es un dossier de decisión: un archivo corto, privado, que responde "¿por qué decidiste esto?" sin que tengas que recordar nada. Ese archivo es la regla del inicio de esta página vuelta concreta, la evidencia documentada de tu pensamiento.
Estos no son ejercicios sobre un caso inventado. El acierto solo cuenta si la decisión es real y es tuya. Los cuatro proyectos avanzan hacia el proyecto final: el primero atrapa una forma en que un plan falla, el segundo audita una respuesta segura, el tercero replantea la pregunta misma, y el cuarto corre las seis disciplinas sobre una decisión y conserva el resultado.
Project 1~15 minAnúncialo antes de que paseFija tu decisión y luego corre un premortem para atrapar cómo falla antes de comprometerte.
Elige una decisión real que estés por tomar esta semana. Acepta la oferta o quédate. Compra la cosa o espera. Ten la conversación o déjala ir. Cambia el plan o mantenlo.
Escribe primero tu bloqueo de predicción, antes de preguntarle nada a la IA. Cuatro líneas cortas de la disciplina 1: la decisión real por debajo de la etiqueta, el único dato que la resolvería, tu postura con su razón, y tu confianza más lo que te haría cambiar.
Ahora corre un premortem. Este es el movimiento que está debajo del bloqueo de predicción y que nombró la caja de investigación de la disciplina 1: imaginas que la decisión ya fracasó y preguntas por qué. Fíjate que esta es la única vez que le entregas tu decisión a la IA a propósito. En la disciplina 1 mantuviste tu postura fuera de la página para que la IA no se limitara a darte la razón. Aquí quieres que ataque, así que le dices exactamente qué elegiste:
He decidido [tu decisión]. Imagina que pasaron seis meses y esto resultó ser un error. No me tranquilices. Enumera las tres razones más probables por las que falló, la más probable primero, y mantenlas específicas para mi situación.
Lee las tres razones contra tu línea 4. Una de ellas suele ser un modo de falla que no habías visto. Ese es el acierto. Escribe una frase de protección contra él (una regla, una verificación, una alarma), como la presidenta del consejo estudiantil agregó "si menos de 6 de 8 integrantes terminan la capacitación, el dinero va a la fiesta en su lugar".
El logro que puedes decir en voz alta: "Atrapé una forma en que esto podía fallar antes de comprometerme, y construí una protección."
Listo cuando: has nombrado un modo de falla que sacó a la luz el premortem y que no habías visto, y has escrito una línea de protección contra él. Conserva ambas líneas; son la primera página de tu dossier.
Project 2~20 minAudita la respuesta seguraHaz que la IA enumere sus propias afirmaciones y luego atrapa la que en realidad no puede respaldar.
Toma una pregunta real que de verdad le harías a la IA esta semana y deja que te dé una recomendación completa y segura. Qué laptop. Qué préstamo. Cuánto cobrarle a un cliente. Si vale la pena el suplemento. Cómo manejar al inquilino.
La mayoría de los lectores leen esa recomendación, la encuentran pulida y la usan. Tú en cambio la vas a auditar, con dos disciplinas a la vez. Primero el recibo de razonamiento (disciplina 2): una fila por afirmación, etiquetada ACCEPT, REJECT, MODIFY, SURFACED o MISSED, con una frase de por qué. Luego la taxonomía de errores (disciplina 3): escanea esa misma respuesta buscando los seis tipos de error, en especial una fuente fabricada, un número obsoleto y falsa confianza.
La forma más rápida de sacarlos a la luz es hacer que la IA califique su propia respuesta. Pega esto justo después de su recomendación:
Vuelve sobre la recomendación que me acabas de dar. Enumera cada afirmación factual como una lista numerada. Para cada una, dime con honestidad si de verdad la sabes o la estás estimando, y márcala SÉ o ADIVINO. Para cualquiera con fuente, dame el título exacto y el año para poder buscarlo.
Ahora haz la cacería. Intenta encontrar una fuente que haya nombrado; una real sobrevive a una búsqueda, una fabricada no. Verifica un número contra el precio o la cifra real de hoy. La afirmación que no se sostiene es tu acierto. Ponla en tu recibo con la razón y el tipo de error.
El logro que puedes decir en voz alta: "Sonaba seguro, pero atrapé una fuente inventada, así que no lo acepté sin más."
Listo cuando: tienes una fila etiquetada que es un acierto real (una fuente que no pudiste encontrar, un número que estaba obsoleto, o confianza sin nada detrás), y puedes nombrar cuál de los seis tipos de error era. Agrega el recibo a tu dossier.
Project 3~20 minLa pregunta que lo destrabóDeja de pedirle a la IA la respuesta; trabaja con ella para encontrar la pregunta que disuelve el problema.
Toda esta página sostiene que la palanca está en la pregunta, no en la respuesta. Aquí lo demuestras con algo en lo que de verdad estás atascado. Elige un problema real de tu semana, del tipo que normalmente le volcarías a la IA con "¿qué debería hacer?": una decisión que no se resuelve, un conflicto que sigues repitiendo, una meta que sigues sin alcanzar.
Primero, escribe en una línea la pregunta que normalmente harías. Luego no la hagas. Entrega el problema y pide mejores preguntas en vez de una respuesta:
Estoy atascado en [tu problema]. No lo resuelvas todavía. En cambio, hazme las cinco preguntas que debería responder antes de siquiera intentar resolver esto, ordenadas de la que tiene más probabilidad de cambiar todo mi enfoque a la que menos. Luego dime cuál probablemente estoy evitando.
Lee la lista contra la pregunta que escribiste primero. Normalmente una de ellas, a menudo la que dice que estás evitando, replantea todo el problema: resulta que estabas intentando resolver lo equivocado. Responde esa única pregunta tú mismo, en una o dos frases, y observa cómo el problema original se encoge o cambia de forma. Esa pregunta replanteada es tu acierto.
El logro que puedes decir en voz alta: "Dejé de responder la pregunta equivocada, y la verdadera volvió el problema más pequeño."
Listo cuando: puedes nombrar la pregunta replanteada que cambió cómo ves el problema, y decir en una frase por qué la pregunta con la que empezaste era la equivocada. Agrega ambas a tu dossier.
Project 430-45 minEl dossier de decisiónCorre una decisión real por las seis disciplinas y conserva el rastro en un archivo.
Este es el proyecto final. Elige una decisión que de verdad importe esta semana, del tipo en que alguien podría pedirte que la justifiques después: una contratación, una compra grande, una dirección de proyecto, un giro de carrera, una conversación difícil. Correrás las seis disciplinas sobre ella y conservarás el resultado como un dossier de decisión: un archivo, privado, que responde "¿por qué decidiste esto?" sin que tengas que recordar nada. No es un memo pulido y no se publica en ningún lado. Es la evidencia documentada de tu pensamiento, en un solo lugar.
Abre un documento en blanco. Cada paso de abajo agrega una sección corta.
- Bloqueo de predicción (2 minutos). Escribe un bloqueo de 2 líneas: una frase que nombre la decisión real bajo la etiqueta, una frase que se comprometa con una postura con el hallazgo específico que la cambiaría.
- Recibo de razonamiento (5 minutos). Pide a la IA su recomendación sobre tu pregunta real, luego registra tres de sus afirmaciones con ACCEPT, REJECT o MODIFY y una frase de por qué en cada una. (El prompt de autoauditoría del proyecto 2 hace que las afirmaciones sean fáciles de ver).
- Taxonomía de errores (3 minutos). Escanea la salida de la IA buscando un error nombrado de los seis tipos. Cita la frase exacta y nombra el tipo.
- Mapa de cascada (5 minutos). Elige tres grupos afectados por tu decisión. Escribe una capa de "¿y luego qué?" bajo cada uno. Nombra un bucle donde un efecto regresa sobre la decisión.
- Primeros principios (3 minutos). Escribe una fila de límite: el umbral donde el consejo que todos repiten deja de funcionar para tu caso.
- Comparación de tres caminos (5 minutos). Escribe un párrafo corto de tu recomendación en solitario, luego uno con ayuda de la IA. Compáralos. Conserva la anulación: la línea que escribiste tú y que a la versión de la IA le faltaba.
No estará pulido. Será tuyo, y estará completo: una postura que fijaste, las afirmaciones en que confiaste y las que no, el error que atrapaste, el riesgo que encontró la cascada, el límite que probaste, y la anulación que conservaste. Ese es el acierto, escalado a una decisión completa.
El logro que puedes decir en voz alta: "Alguien preguntó por qué decidí esto, y tenía todo el rastro para mostrárselo, no solo la respuesta."
Listo cuando: tienes un archivo con las seis secciones completas para una decisión real, y podrías entregárselo a quien pregunte "¿por qué decidiste esto?" y dejar que responda por ti.
Adónde ir desde aquí
Para practicar con más profundidad cualquiera de las seis disciplinas, la parte 0 de este libro es el tratamiento largo:
- Parte 0, cap. 1: Hacer mejores preguntas. Bloqueo de predicción y bloqueo de postura expandidos en cuatro ejercicios y un portafolio de calidad de preguntas.
- Parte 0, cap. 2: Detectar razonamiento roto. La taxonomía de errores extendida con calibración de confianza y una prueba de estrés de experiencia de dominio.
- Parte 0, cap. 3: Pensamiento en sistemas. Mapas de cascada aplicados a cuatro decisiones reales, más un ejercicio de análisis de sistemas humano-vs-IA.
- Parte 0, cap. 4: Razonar desde primeros principios. El sprint de página en blanco, la autopsia de supuestos y un ejercicio de reconstrucción desde restricciones.
- Parte 0, cap. 6: Trabajar con IA, no para la IA. Comparación de tres caminos, registros de colaboración y pruebas de sustitución durante una semana de trabajo.
Para las cinco habilidades de pensamiento que este curso intensivo no cubrió, la parte 0 contiene el tratamiento completo:
- Cap. 5: Comunicar lo que importa. Predicción de audiencia, adaptación en vivo, conversaciones difíciles.
- Cap. 7: Razonar a través de dilemas. Bloqueos de postura ética, defensas adversariales, intercambios de grupos de interés.
- Cap. 8: Construir algo desde cero. Sprints de página en blanco, registros de creación, evoluciones de tres borradores.
- Cap. 9: Decidir bajo incertidumbre. Decisiones selladas, disparadores de reversión, auditorías de decisión.
- Cap. 10: Aprender a aprender. Metaaprendizaje, sprints de 72 horas, un marco personal de aprendizaje.
Para tu próximo movimiento en este libro, elige un modo:
- Si escribes código, continúa con Claude Code y OpenCode. La superficie de ingeniería para el modo 1: usar IA para mejorar trabajo que ya haces.
- Si haces trabajo de conocimiento (legal, finanzas, marketing, operaciones, salud, educación, liderazgo), continúa con Cowork. La superficie para especialistas de dominio en modo 1.
- Si estás listo para construir AI Workers que funcionen por su cuenta, continúa con Crear agentes de IA. Esto es modo 2: construir sistemas de IA que trabajan de manera independiente.
Las disciplinas se transfieren a cada herramienta, cada modo, cada dominio. Son lo que llevas de aquí a cualquier lugar.
Glosario
Si llegaste a mitad de la página y olvidaste qué significaba una palabra, aquí están los términos que sostienen la lección en un solo lugar.
Las cuatro ideas clave, de la sección de la regla y el diagrama.
- Disciplina: un hábito de pensamiento que practicas. Algo que haces tú.
- Modo de falla: una forma específica en que la IA tiende a engañarte. Algo que hace la IA. Cada disciplina se empareja uno a uno con el modo de falla al que responde.
- Parte: un grupo de disciplinas que comparten una función. El curso tiene tres partes (Fundamentos, Detección, Originación), con dos disciplinas cada una.
- Entregable: lo que entregas a tu jefa, tu profesor o tu cliente. En 2026 el entregable no es solo la respuesta; es la respuesta más la evidencia documentada del pensamiento que la produjo: la predicción que escribiste, las filas del recibo donde aceptaste o rechazaste afirmaciones de la IA, el mapa de cascada y el umbral nombrado. Si no puedes señalar la evidencia, no tienes un entregable.
Las seis disciplinas y sus movimientos.
| # | Disciplina | El movimiento | Qué hace |
|---|---|---|---|
| 1 | Bloqueo de predicción (parte 1: Fundamentos) | PREDICE ANTES DE PREGUNTAR | Escribe tu postura comprometida antes de preguntar a la IA, incluida la respuesta específica de la IA que la cambiaría. |
| 2 | Recibo de razonamiento (parte 1: Fundamentos) | DOCUMENTA CADA DECISIÓN | Para cada cosa que dice la IA, marca ACCEPT / REJECT / MODIFY / SURFACED / MISSED con una razón de una frase. |
| 3 | Taxonomía de errores (parte 2: Detección) | PREDICE DÓNDE SE ESCONDEN LOS ERRORES | Revisa la salida de la IA buscando seis tipos de error: error factual, brecha lógica, falsa confianza, contexto faltante, fuente fabricada y hecho obsoleto. |
| 4 | Pensamiento en sistemas (parte 2: Detección) | MAPAS DE CASCADA Y BUCLES | Rastrea qué ocurre después de una decisión en los grupos que afecta, tres capas de profundidad, y encuentra los bucles donde los efectos regresan. |
| 5 | Primeros principios (parte 3: Originación) | ENCUENTRA EL LÍMITE | Nombra el umbral nombrado, el número o condición específica donde el consejo común deja de funcionar. |
| 6 | Trabajar CON IA (parte 3: Originación) | SUSTITUYE E ITERA | Compara lo que escribes Solo, lo que escribe la IA sola y lo que escriben en colaboración. La versión colaborativa solo gana si puedes señalar sustituciones específicas donde tu juicio la mejoró. |
Otros términos usados en la página.
- Umbral nombrado: un número o condición específica que te dice cuándo un consejo deja de funcionar. "Esto funciona cuando tu clase tiene menos de 30 estudiantes" es un umbral nombrado. "Esto funciona a veces" no lo es.
- Mapa de cascada: un diagrama de una página con una columna breve para cada grupo afectado por tu decisión, como estudiantes, profesores, padres o patrocinadores, y tres flechas bajo cada uno que muestran qué ocurre primero, qué causa eso después y qué causa luego.
- Recibo de razonamiento: una lista de filas, una por cada afirmación importante de la IA, cada una con una etiqueta (ACCEPT, REJECT, MODIFY, SURFACED, MISSED) y una razón de una frase.
- Bucle: una cadena de causa y efecto donde un efecto posterior regresa y cambia la decisión original, normalmente empeorándola.
Ayuda de estudio con tarjetas didácticas
Pon a prueba tu comprensión
Las disciplinas no son el entregable. La evidencia que producen es el entregable. Las disciplinas son la forma de producir esa evidencia.
¿Esto convierte la IA en una herramienta más poderosa en tus manos, o te convierte a ti en una versión más lenta de la herramienta?