El límite ya no es la máquina: es cómo trabajamos con ella

Hay un mensaje que me llega con frecuencia, a veces meses después de una sesión de trabajo. Lo escribe alguien que ya usaba los modelos más conocidos del mercado, que les hacía buenas preguntas y obtenía buenas respuestas. Un día vio lo que pasa cuando la inteligencia artificial deja de ser un buscador con buena redacción y se convierte en alguien con quien trabajar: alguien que investiga, propone, escribe, ejecuta y corrige al lado suyo. El tono del mensaje se repite: sorpresa y agradecimiento, como quien descubre que llevaba tiempo usando una parte pequeña de algo mucho más grande.

Ese salto no lo produce una frase mágica. Lo produce una manera de trabajar. Y a quien dirige una empresa le importa por una razón concreta: la capacidad de las máquinas ya está disponible, se paga por licencia y mejora cada pocos meses. Lo que no viene incluido es la capacidad de su gente para sacarle partido. Hoy, el límite está ahí.

La máquina avanza rápido; la forma de trabajar con ella, no

Llámela inteligencia artificial avanzada o, como ya empieza a decirse, superinteligencia: el nombre importa menos que el ritmo. Un equipo de investigación mide cuánto duran, en tiempo de una persona, las tareas de software que los modelos más avanzados completan con un 50 % de éxito. Ese horizonte se ha duplicado aproximadamente cada siete meses desde 2019 (Fuente: Kwa et al., «Measuring AI Ability to Complete Long Software Tasks», METR, preprint en arXiv, 2025). Es una medición sobre tareas de software, no una ley general. Pero indica la pendiente.

Frente a esa pendiente, la mayoría de las organizaciones sigue trabajando con la IA como el primer día: preguntas sueltas, respuestas sueltas y nadie que revise cómo se pide ni qué se hace con lo que vuelve. El modelo de este año es mejor que el del año pasado; la forma de trabajar con él sigue igual. Por eso conviene invertir en lo que no caduca con cada versión: cómo se comunica una tarea, cómo se reparte el trabajo entre la persona y la máquina, y cómo se juzga el resultado. Eso sirve con cualquier modelo, el de hoy y el que llegue después.

Brillante en una tarea, equivocada en la de al lado

El estudio que mejor muestra por qué hace falta criterio humano se hizo con 758 profesionales en colaboración con Boston Consulting Group, en un experimento con el diseño registrado antes de empezar. En 18 tareas realistas de consultoría que quedaban dentro de lo que la IA hacía bien, quienes la usaron completaron un 12,2 % más de tareas, un 25,1 % más rápido y con una calidad significativamente mayor. En una tarea elegida precisamente por quedar fuera de ese alcance, de dificultad parecida a simple vista, quienes usaron IA tuvieron un 19 % menos de probabilidad de llegar a la solución correcta que quienes trabajaron sin ella (Fuente: Dell'Acqua et al., «Navigating the Jagged Technological Frontier», documento de trabajo de Harvard Business School, 2023).

Los autores le pusieron nombre: frontera tecnológica irregular (jagged technological frontier). Lo que la IA hace bien no forma una línea recta que separa lo fácil de lo difícil. Es una línea quebrada, y dos tareas que parecen igual de exigentes pueden caer a lados distintos sin que nada lo anuncie.

La lección para quien dirige no es desconfiar de la máquina ni entregarle todo. Es que alguien tiene que saber de qué lado de la línea cae cada tarea, y esa persona no es el modelo. Fuera de su frontera, la IA no avisa: sigue respondiendo con la misma soltura. Quien ha dejado de revisar no lo nota.

Lo que la máquina no puede saber si usted no se lo dice

Un modelo de lenguaje convierte todo lo que recibe, aunque sean palabras, en un cálculo: a partir de lo que tiene delante, produce la continuación más probable. Cuando le falta información no se detiene a preguntar; rellena el hueco con lo más probable en general. Si usted no dice en cuántos pasos se hace un proceso, el modelo pone unos pasos razonables. Si no dice para quién es el documento, escribe para un lector promedio. Lo razonable y lo promedio rara vez coinciden con lo que su empresa necesita.

Piense en una incorporación. A una persona brillante recién contratada no le pide que adivine su proceso de compras: le da el manual, los ejemplos y los criterios, y le explica qué espera recibir. Si no lo hace, el resultado decepciona, y no por falta de inteligencia. Con un modelo pasa lo mismo. El conocimiento general lo trae; el de su negocio (sus procesos, sus excepciones, sus criterios) solo lo tiene si alguien se lo da. Y si ese proceso no está escrito en ningún sitio, el primer trabajo es escribirlo. La propia IA puede ayudar a hacerlo.

Durante años a esto se le llamó ingeniería de instrucciones (prompt engineering), y el nombre confundió: hizo creer que el secreto estaba en la frase. No está en la frase; está en la comunicación. La disciplina que decide qué información recibe el modelo, y en qué orden, se llama ingeniería de contexto (context engineering), y la tratamos a fondo en Lo que su IA sabe hoy y habrá olvidado mañana.

Seis cosas que solo puede poner usted

El resultado final depende de cuánto de esto sea capaz de dar, y del orden en que lo dé:

1. La visión.

   Qué quiere lograr y cómo sería un buen resultado. Sin eso, el modelo optimiza hacia algo que usted no eligió.

2. Las piezas que solo tiene su empresa.

   Documentos, datos, decisiones anteriores, ejemplos de lo que sí y de lo que no. Si no le da todas las piezas, no puede esperar que encajen.

3. Las reglas de la casa.

   Excepciones, límites, criterios particulares que el modelo no pudo haber visto en ningún sitio.

4. Los pasos y la forma.

   Cuántos pasos tiene el proceso, en qué orden, qué formato y qué extensión. Cuanto más vaga la petición, más probable que la respuesta se vaya hacia un lado que usted no quería.

5. El punto de vista.

   Pedirle que responda como un vendedor, como un responsable de marketing o como un director financiero cambia desde dónde mira. No lo vuelve más exacto; le cambia el ángulo.

6. La conversación antes de la orden.

   Si no tiene claro lo que quiere, pregúnteselo a la máquina: cuál es la visión de la tarea, qué sería un buen resultado, cómo llegar ahí. Lo que usted afirma con seguridad marca la dirección que tomará, así que conviene armar el plan juntos antes de ejecutarlo.

El orden también cuenta, y no es una manía. En una evaluación publicada en Transactions of the ACL, el rendimiento de los modelos fue más alto cuando la información relevante estaba al principio o al final del texto de entrada, y cayó de forma significativa cuando estaba en medio de un contexto largo (Fuente: Liu et al., «Lost in the Middle», Transactions of the ACL, vol. 12, 2024). Lo importante va donde se lee.

Automatizar, aumentar, delegar

No toda colaboración es igual, y una parte del criterio consiste en saber qué tipo de trabajo tiene delante.

Hay quien piensa que delegar consiste en elegir qué soltar. Antes hay que comunicarlo: la IA no conoce un proceso interno que nadie le dio. Primero se describe cómo debe ser, se le dan todas las piezas y se revisa el resultado: qué mantendría, qué cambiaría. Ese trabajo pesa sobre todo en la planificación; cuando se escala, es mucho más fácil, siempre que se haya separado bien lo que estaba mal de lo que estaba bien. No hace falta mirar cada paso. Hace falta saber cuándo entrar a fondo. Cómo se fijan esos límites de forma que se puedan comprobar lo explicamos en De usar la IA a dirigirla.

Juzgar el resultado sin ser experto

Aquí aparece la objeción más honesta: si no soy experto en el tema, ¿cómo sé si lo que me devuelve está bien? Si usted no sabe de fundición de metales, no podrá juzgar con facilidad un informe técnico sobre fundición. Pero no todo exige al experto.

En lo que sí domina, su criterio vale mucho. Un cocinero experto puede llevar a la máquina a profundizar en la fermentación más allá de lo que obtendría otra persona, y detectar enseguida si lo que recibe tiene sentido. En lo que no domina, la salida es construir pruebas: casos ya resueltos, con su respuesta correcta conocida, para ver cómo se comporta el sistema antes de confiar en él. Cómo se monta ese circuito de comprobación lo explicamos en Cómo saber que su IA no inventa.

Y hay un hábito que casi nadie tiene: corregir hacia atrás. Cuando un resultado no convence, la reacción común es seguir corrigiendo en la misma conversación, acumulando versiones descartadas. Es mejor volver arriba, cambiar la petición original y quitar de la conversación lo que no gustó. Hay una razón técnica: en una evaluación de 18 modelos, la fiabilidad de las respuestas se volvió más irregular a medida que crecía el texto de entrada, incluso en tareas sencillas, un fenómeno que sus autores llaman context rot (Fuente: Hong, Troynikov y Huber, «Context Rot», informe técnico de Chroma, 2025). Las versiones descartadas no desaparecen: siguen ahí, ocupando la atención del modelo.

Quien entrega, responde

Con mis equipos soy duro en un punto. Lo que alguien me entrega lo entrega esa persona, no la IA que lo ayudó a hacerlo. Tiene que haberlo leído, estar de acuerdo, haber cambiado lo que no servía y mejorado lo que podía mejorar. Uno puede equivocarse. Lo que no puede es entregar algo sin leerlo, por mucho que no sea experto en el tema: la extensión, el detalle y si resuelve la duda se ven sin serlo.

Esa regla no es técnica, es de cultura, y se fija desde arriba. Incluye lo que no se ve en el resultado: qué datos se le dieron a la máquina, si podía dárselos, qué consecuencias tiene lo que se decide con su ayuda. La responsabilidad, la seguridad y la ética no se delegan junto con la tarea.

Empezar pequeño

Si quiere probar todo esto, no empiece por transformar la empresa. Empiece por algo concreto, aunque sea la primera versión de algo que quiere lograr, y crezca sobre lo que funcione:

Durante el proceso aparecerán ideas que al principio no tenía, y está bien. Lo que no puede perderse es la visión que lo puso en marcha. Si se pierde, la máquina sigue produciendo, pero ya no hacia donde usted quería. Es lo que más cuidamos cuando formamos a los equipos con los que construimos: que aprendan sobre su propio trabajo, no sobre ejemplos ajenos, y que la capacidad se quede con ellos (así lo planteamos; el recorrido completo está en nuestro método).

Dejar el ego en la puerta

La parte más difícil no es técnica. Es aceptar que una máquina hace muchas tareas mejor y más rápido que uno, y no vivirlo como una amenaza sino como la oportunidad de lograr lo que en solitario no se habría logrado. Al mismo tiempo, no abdicar: la máquina no va a hacer su trabajo por usted. Lo va a ayudar a hacerlo, a veces haciéndolo, pero con usted guiando, presente y consciente de lo que se está construyendo. Este artículo se hizo así: la idea, la experiencia y el criterio son míos; la estructura y la redacción se trabajaron con IA, y nada sale publicado sin que yo lo haya leído y aceptado.

Las herramientas van a seguir cambiando, y rápido. Cuesta seguirles el paso, y no porque el cambio sea malo, sino porque mejoran tan deprisa que siempre hay algo nuevo que aprender. Pero esa evolución no deja atrás a quien colabora con ella: lo lleva consigo. Cada proyecto lo vuelve mejor comunicando, mejor juzgando y mejor decidiendo qué hace la máquina y qué hace usted.

La pregunta que vale la pena hacerse no es qué modelo compró su empresa. Es otra: ¿su gente le hace preguntas sueltas a la IA, o trabaja con ella? La primera respuesta se compra. La segunda se construye.