Módulo 5 — Conversar, iterar y dirigir
El primer resultado no es el resultado final
Escuchar esta lección
En el módulo anterior aprendiste a formular mejor una petición. Ahora cambia la forma de trabajar: no necesitas acertar todo en el primer mensaje. Una conversación con IA puede funcionar como un proceso de dirección: generas una primera versión, la observas, decides qué sirve y qué no, y corriges el rumbo.
El primer resultado no tiene por qué ser bueno. Tiene que darte suficiente material para saber cuál debe ser el siguiente paso.
1. De pedir una respuesta a dirigir un proceso
En una tarea sencilla, una sola instrucción puede bastar. En una tarea profesional con matices, destinatarios, restricciones o decisiones, suele ser más eficaz trabajar por iteraciones. Cada vuelta utiliza lo que ya existe y añade una decisión humana.
No regeneres a ciegas esperando que «esta vez salga mejor». Cada iteración debería incorporar una decisión: más foco, menos extensión, otro destinatario, una estructura diferente, una restricción nueva o una corrección concreta.
2. «Mejóralo» sirve menos de lo que parece
Decir «mejóralo» deja al modelo decidir qué significa mejorar. Puede hacerlo más largo, más formal o más elaborado, aunque ninguna de esas cosas resuelva tu problema. Es mucho más útil indicar qué defecto has detectado y qué resultado quieres conseguir.
El modelo decide por su cuenta qué debe cambiar y qué entiende por «profesional».
Queda claro qué conservar, qué modificar y con qué criterio.
Una tarea que mejora por iteraciones
3. Conserva lo que ya funciona
Cuando una parte del resultado es correcta, dilo. Si no lo haces, una nueva generación puede modificar también lo que ya habías dado por bueno. Dirigir consiste tanto en corregir como en fijar decisiones.
«Conserva X. Cambia Y. Añade Z. No modifiques W.»
Este patrón es especialmente útil cuando trabajas con textos largos, propuestas, análisis, código o documentos en los que una revisión puede introducir regresiones: arreglar una cosa y estropear otra.
4. Del prompt al sistema: nuevas especialidades alrededor de la IA
A medida que una IA deja de limitarse a responder y empieza a trabajar con documentos, herramientas, código, memoria o agentes, escribir una buena instrucción sigue siendo importante, pero ya no es suficiente. Por eso están apareciendo nombres para competencias que amplían el prompting hacia el diseño completo del sistema.
Los nombres todavía están evolucionando y no todos acabarán convirtiéndose en puestos independientes. Lo importante son las competencias que describen: instruir, aportar contexto, diseñar flujos, controlar ciclos, evaluar y decidir dónde debe intervenir una persona.
Es diseñar las condiciones para que produzca un resultado útil, verificable, repetible y económicamente razonable.
5. Cuando la IA puede actuar, un mal prompt también puede costar dinero
En un chat, una instrucción ambigua puede darte una respuesta mediocre. En un agente con herramientas, esa misma ambigüedad puede activar una cadena completa de trabajo equivocado. El problema deja de ser solo la calidad de una respuesta: aparecen consumo, tiempo, acciones y trabajo de revisión.
Piensa en un agente de desarrollo al que se pide «moderniza esta parte de la aplicación y corrige lo que veas necesario». Puede inspeccionar muchos archivos, ampliar el alcance, modificar dependencias, ejecutar pruebas, fallar, reintentar y seguir acumulando contexto. Aunque cada paso parezca razonable por separado, una instrucción inicial mal acotada puede convertir bastante trabajo en consumo que después hay que revisar o deshacer.
El agente tiene que interpretar por su cuenta qué puede tocar, cuándo debe parar y qué significa realmente «mejorar».
El objetivo, los límites y el punto de escalado quedan definidos antes de empezar a consumir trabajo.
Puede incluir inferencias + herramientas + cómputo + reintentos + contexto acumulado + revisión humana + trabajo de corregir o revertir.
Cuanta más autonomía tiene la IA, más cara puede resultar una instrucción ambigua. Por eso prompting, control de alcance y criterio humano terminan siendo también herramientas de control de costes.
- ¿Está claro el objetivo y qué significa terminar?
- ¿Qué puede tocar y qué queda expresamente fuera de alcance?
- ¿Qué herramientas o acciones puede ejecutar?
- ¿Cuántos reintentos o cuánto consumo estás dispuesto a aceptar?
- ¿Cuándo debe detenerse y volver a preguntarte?
- ¿Qué parte del resultado debe validar una persona?
6. Saber cuándo parar... y cuándo dar uno o dos pasos atrás
Una IA está diseñada para intentar ayudarte a continuar. Si una propuesta falla y le pides otra, normalmente encontrará un siguiente paso, una corrección, una alternativa o un parche. Esa capacidad es muy útil, pero tiene una trampa: que exista una respuesta siguiente no significa que estés más cerca de resolver el problema.
La IA casi siempre puede darte otra respuesta. Otra respuesta no es necesariamente otro avance.
Primero necesitas saber qué aspecto tendría una buena solución
Para dirigir y criticar una respuesta necesitas algún criterio independiente del propio modelo. Si no sabes qué debería producir la IA, qué condiciones debe cumplir el resultado o qué señales indicarían que algo está mal, resulta muy difícil distinguir una solución válida de una respuesta simplemente convincente.
En programación, por ejemplo, que el código compile o que la pantalla parezca funcionar no demuestra que la lógica sea correcta, que no haya efectos laterales o que la solución sea mantenible. En un informe ocurre algo parecido: un texto puede estar impecablemente redactado y, sin embargo, interpretar mal los datos. El conocimiento del trabajo cambia de función: quizá ya no tengas que producir cada línea, pero sí debes ser capaz de entender, contrastar y responsabilizarte de lo que aceptas.
Antes de delegar una tarea, pregúntate: «¿Cómo sabré que el resultado es correcto?». Si no puedes responder, todavía te falta definir criterios de aceptación, una referencia, una prueba o una forma de verificación.
La madeja: cuando cada respuesta arregla algo y complica otra cosa
Un patrón especialmente peligroso aparece cuando el resultado inicial es incorrecto y continuamos pidiendo correcciones sin entender bien la causa. La IA puede resolver el síntoma añadiendo otra capa, otra excepción, otra dependencia o una nueva suposición. Si vuelve a fallar, puede proponer otro cambio encima del anterior. Cada paso puede parecer razonable de forma aislada mientras el conjunto se vuelve progresivamente más difícil de entender.
si después de varias iteraciones entiendes menos el problema que al principio, seguir generando soluciones probablemente no sea la mejor siguiente acción.
Retroceder también es dirigir
A veces la mejor decisión no es pedir una versión más. Es volver al último estado que entendías, eliminar cambios que no han demostrado aportar valor y replantear el problema desde ahí. En desarrollo puede significar recuperar la última versión estable y aislar un error reproducible. En análisis puede significar volver a los datos originales. En un documento, regresar a la última estructura aprobada.
Puede acumular cambios, hipótesis y complejidad sin comprobar cuál era realmente la causa.
Separa diagnóstico de solución y recupera control sobre el proceso.
1. Recupera el último estado conocido y fiable. 2. Aísla el problema. 3. Separa hechos de hipótesis. 4. Decide qué comprobación puede confirmar o descartar la causa. 5. Solo entonces pide o aplica una nueva solución.
¿Cuándo merece la pena seguir iterando?
La productividad no consiste en mantener a la IA trabajando hasta que produzca algo que parezca correcto. Consiste en utilizarla para avanzar sin perder comprensión ni control sobre el resultado. A veces eso exige otra iteración. Otras veces exige parar, revisar y retroceder.