Cuando la IA nos devuelve algo que no sirve, solemos reaccionar de la misma manera: reformulamos el prompt, añadimos más contexto o activamos el modo razonamiento.
Pero antes de pedirle que se esfuerce más, conviene averiguar qué ha fallado realmente.
Porque solemos meter en el mismo saco tres problemas muy distintos:
- La IA no entendió qué queríamos.
- Entendió el encargo, pero nadie consideró una alternativa mejor.
- El camino era correcto, pero la ejecución falló.
Especificar, explorar y ejecutar.
Son tres problemas diferentes y mejorar uno no necesariamente arregla los otros.
Cómo usar la IA empieza por identificar el problema
Cuando trabajamos con inteligencia artificial, hay una limitación fundamental: la IA no sabe exactamente lo que tenemos en la cabeza.
Solo puede trabajar con la información que recibe.
Por eso, una petición que para nosotros parece suficientemente clara puede contener muchas decisiones que nunca hemos explicitado.
¿Para quién es?
¿Qué extensión debe tener?
¿Qué nivel técnico necesita?
¿Qué formato buscamos?
¿Qué estructura debería seguir?
¿Qué significa que el resultado sea bueno?
Cuando dejamos demasiadas decisiones abiertas, el modelo tiene que hacer suposiciones. Y puede hacerlo de manera perfectamente razonable… pero equivocada para nuestro objetivo.
Por eso, cuando una respuesta no funciona, la primera pregunta no debería ser:
«¿Cómo consigo que la IA razone más?»
Debería ser:
«¿Está intentando resolver realmente el problema que yo quería resolver?»
Ahí empieza el diagnóstico.
1. Especificar: asegurarnos de que la IA entiende qué necesitamos
El primer problema aparece cuando no hemos definido suficientemente el encargo.
Puede que sepamos perfectamente qué queremos hacer, pero no hayamos conseguido trasladárselo a la IA.
En estos casos, lo que necesitamos es especificar.
Una buena forma de hacerlo es pedir al modelo que nos haga unas pocas preguntas antes de empezar.
Por ejemplo:
Antes de ejecutar, hazme las 3 preguntas cuya respuesta más cambiaría el resultado final.
Solo preguntas donde no puedas anticipar mi respuesta.
No preguntes nada que ya esté respondido en este encargo.
Espera mis respuestas antes de empezar.
La clave está en no convertir esto en un interrogatorio.
No necesitamos veinte preguntas.
Necesitamos las preguntas que realmente puedan cambiar el resultado.
Preguntar antes es mejor que corregir después
Podemos pensar que no importa si la IA empieza con una interpretación equivocada porque siempre podremos corregirla después.
Pero no es exactamente lo mismo.
Cuando el modelo ya ha construido una respuesta sobre una determinada interpretación, la nueva información tiene que competir con todo lo que ya ha generado.
Por eso, cuando una decisión es importante, puede ser mucho más eficiente aclararla antes de ejecutar.
Y esto es especialmente relevante cuando el trabajo posterior va a ser largo o costoso de revisar.
Si quieres profundizar en esta cuestión, puedes consultar también nuestro artículo Claude y el elefante rosa: por qué decirle a la IA lo que NO haga empeora el resultado
2. Explorar: quizá todavía no sabemos cuál es la mejor opción
Aquí aparece un segundo problema, mucho más interesante.
A veces la IA sí ha entendido perfectamente lo que le hemos pedido.
El resultado es correcto.
Pero cuando lo vemos terminado pensamos:
«Espera. Quizá había una forma mucho mejor de hacerlo.»
En ese caso el problema no era de especificación.
Era de exploración.
Nosotros mismos todavía no habíamos descubierto todas las alternativas posibles.
Esto ocurre constantemente en trabajos de estrategia, diseño, marketing, ventas o gestión.
Tenemos una idea inicial y le pedimos a la IA que la desarrolle.
Pero quizá deberíamos haberle pedido primero que nos ayudara a cuestionar esa idea.
Especificar y explorar no son lo mismo
Una pregunta como:
«¿Lo quieres en Word o en PDF?»
puede ser estupenda para especificar.
Pero puede ser inútil para explorar.
¿Por qué?
Porque estamos dando por hecho que Word o PDF son las opciones que tenemos que elegir.
Quizá exista otra alternativa que todavía no hemos considerado.
Por eso, cuando estamos ante una decisión abierta, podemos pedir a la IA que nos ayude a descubrir qué decisiones existen realmente.
Por ejemplo:
No ejecutes todavía. Antes:
- Dime en qué 4 o 5 decisiones se juega este encargo, aunque yo no las haya mencionado.
- Para cada una, dame las alternativas reales, incluida alguna que la gente de mi sector no suela considerar.
- Señala cuáles son incompatibles entre sí.
Luego espera a que elija.
El tercer punto es especialmente importante.
Porque conocer las alternativas no siempre es suficiente.
También necesitamos saber qué opciones se excluyen mutuamente.
Ahí suele estar la decisión de verdad.
Un ejemplo: cuando el problema está un nivel por encima
Imaginemos que una empresa quiere preparar cuatro sesiones de formación interna sobre una herramienta que su equipo acaba de empezar a utilizar.
El encargo puede estar perfectamente especificado:
- catorce personas;
- perfiles no técnicos;
- sesiones de noventa minutos;
- nada de teoría;
- tres cosas concretas que deben saber hacer;
- un guion para la persona que imparte la formación.
Todo parece claro.
Pero todavía puede existir una decisión que nadie haya planteado.
¿El problema es que el equipo no sabe utilizar la herramienta o que no sabe cuándo debería utilizarla?
Son dos problemas diferentes.
En el primer caso necesitamos formación de producto: funciones, clics y práctica.
En el segundo necesitamos formación sobre criterio de decisión: cuándo utilizar la herramienta y cuándo no.
Y quizá cuatro sesiones no sean suficientes para hacer bien las dos cosas.
Aquí no faltaba información para especificar el encargo.
Faltaba descubrir una decisión que ni siquiera estaba encima de la mesa.
Ninguna cantidad de especificación habría solucionado ese problema.
3. Ejecutar: cuando sabemos qué queremos pero la IA lo hace mal
El tercer problema es diferente.
Sabemos qué queremos.
Hemos elegido el camino correcto.
La IA ha entendido el encargo.
Pero lo ha ejecutado mal.
Puede haber cometido un error lógico, un cálculo incorrecto, una mala interpretación de un paso o simplemente haber producido un resultado de baja calidad.
Aquí sí tiene sentido utilizar razonamiento extendido, descomponer el problema en pasos y pedir verificaciones.
Pero hay una diferencia importante.
Si el problema está en la ejecución, necesitamos mejorar la ejecución.
Si el problema está en la especificación, más razonamiento no va a solucionar la falta de información.
Puede producir una respuesta más larga, más elaborada y aparentemente más convincente.
Pero seguirá resolviendo el problema equivocado.
Tres problemas, tres remedios
Podemos resumirlo de una forma muy sencilla.
1. La respuesta está bien hecha, pero no es lo que queríamos
Fallo de especificación.
Necesitamos hacer preguntas antes de ejecutar.
2. La respuesta está bien hecha, pero descubrimos que había una opción mejor
Fallo de exploración.
Necesitamos abrir el mapa de alternativas y descubrir decisiones que quizá no habíamos planteado.
3. La respuesta era exactamente lo que queríamos, pero está mal ejecutada
Fallo de ejecución.
Necesitamos razonamiento, descomposición y verificación.
El error caro aparece cuando aplicamos el remedio equivocado.
Por ejemplo, pedirle a la IA que razone durante más tiempo cuando en realidad no le hemos explicado suficientemente qué queremos.
El resultado puede ser una respuesta mucho más sofisticada a una pregunta que nunca quisimos hacer.
No siempre hay que hacer preguntas
Todo esto tampoco significa que debamos pedir aclaraciones constantemente.
Si estamos haciendo un cálculo cerrado con una única respuesta correcta, preguntar puede ser innecesario.
La regla debería aplicarse en proporción a la cantidad de decisiones abiertas que tenga el encargo.
Para una tarea sencilla y cerrada, probablemente no necesitamos ninguna pregunta.
Para un trabajo que va a ocupar horas y que tiene muchas decisiones posibles, unas pocas preguntas bien elegidas pueden ahorrar mucho trabajo después.
El objetivo no es hacer la conversación con la IA más larga.
Es hacerla más útil.
Cómo usar la IA mejor: diagnosticar antes de pedirle que piense más
Cuando algo sale mal, nuestra reacción suele ser:
«Hazlo mejor.»
Después:
«Piensa más.»
Y quizá:
«Te doy más contexto.»
Pero antes deberíamos hacer algo mucho más sencillo:
diagnosticar.
¿No ha entendido el problema?
¿Hemos elegido demasiado pronto una solución?
¿O simplemente ha ejecutado mal una decisión que ya estaba tomada?
Son tres situaciones diferentes.
Y necesitan tres respuestas diferentes.
Si el fallo está en la especificación, necesitamos preguntar.
Si está en la exploración, necesitamos abrir posibilidades.
Si está en la ejecución, necesitamos razonar, comprobar y verificar.
La IA no siempre necesita más capacidad
Esta distinción cambia también nuestra forma de entender la inteligencia artificial.
Cuando una respuesta no funciona, tendemos a pensar que necesitamos un modelo mejor, más razonamiento o un prompt más sofisticado.
Pero muchas veces el problema es otro.
A la IA no le falta capacidad.
Le falta información.
O nos falta a nosotros descubrir qué queremos realmente.
Porque no es lo mismo pedirle a la IA que ejecute una decisión que pedirle que nos ayude a descubrir cuál debería ser esa decisión.
Y tampoco es lo mismo descubrir la decisión correcta que ejecutarla correctamente.
Son fases diferentes.
Especificar. Explorar. Ejecutar.
La idea clave
La próxima vez que una respuesta de IA no te convenza, antes de reformular el prompt o activar el modo razonamiento, hazte tres preguntas:
¿Ha entendido lo que quiero?
¿He elegido realmente la mejor opción?
¿O simplemente lo ha ejecutado mal?
La respuesta te dirá qué hacer después.
Porque aprender cómo usar la IA no consiste únicamente en aprender a escribir mejores prompts.
También consiste en saber qué tipo de interacción necesitas en cada momento.
Y quizá esa sea una de las habilidades más importantes para trabajar con IA: saber cuándo necesitas que te responda, cuándo necesitas que te pregunte y cuándo necesitas que te ayude a descubrir algo que todavía ni siquiera habías pensado.
