Hay una escena que se repite en todas las formaciones de IA que he visto. Alguien abre ChatGPT, escribe «hazme un resumen de este texto», y cuando obtiene un resultado decente, se queda con cara de «esto es magia». Y sí, es impresionante la primera vez. Pero es como comprar un Ferrari y usarlo solo para ir al supermercado.
Llevo meses trabajando con agentes de IA de una forma muy distinta a como la usa el noventa por ciento de la gente. Y la diferencia no está en que yo escriba mejores prompts. La diferencia está en que la IA no es mi asistente de chat. Es mi sistema operativo.
El problema del prompt
La industria del «prompt engineering» me genera una mezcla de escepticismo y pereza. No porque los prompts no importen —claro que importan, igual que importa saber escribir un email claro—, sino porque poner el foco ahí es como enseñar a alguien a conducir y dedicar el ochenta por ciento del tiempo a explicarle cómo funciona la radio del coche.
Un buen prompt te da una buena respuesta. Vale. ¿Y luego qué? Copias esa respuesta, la pegas en un documento, la editas un poco y la envías. Enhorabuena, has ahorrado quince minutos. Repite eso veinte veces al día y habrás ahorrado unas horas. No está mal. Pero no es transformador.
Lo transformador es otra cosa. Y tiene que ver con una idea que lleva años flotando en el mundo del software pero que la mayoría de la gente no ha conectado todavía con la IA: la idea de que entender cómo funciona la herramienta es más importante que aprender trucos para usarla.
Datos conectados, no conversaciones sueltas
La tesis es brutalmente simple: la IA sin datos reales es un juguete. La IA conectada a tus datos, a tus procesos, a tus decisiones operativas, es una ventaja competitiva. Y la distancia entre ambas cosas no es un escalón. Es un abismo.
Ethan Mollick, profesor en Wharton y probablemente la persona que mejor está documentando el impacto real de la IA en el trabajo, lo explica bien: los profesionales que más provecho sacan de la IA no son los que escriben mejores prompts. Son los que han integrado la IA en sus flujos de trabajo reales. No como un añadido, sino como parte de la infraestructura.
Piénsalo así. Tu empresa tiene datos en el CRM, en hojas de cálculo, en emails, en Slack, en herramientas de gestión de proyectos. Cada una de esas fuentes tiene información valiosa, pero están desconectadas. Cuando le preguntas algo a un chatbot, le estás pidiendo que trabaje a ciegas, sin acceso a nada de eso. Es como pedirle a un consultor que te aconseje sin dejarle ver tus números.
Ahora imagina que la IA tiene acceso a todo eso. Que puede cruzar lo que dice tu CRM con lo que dicen tus métricas con lo que dicen tus emails de soporte. Que no necesitas preguntarle nada porque está configurada para avisarte cuando detecta algo que necesita tu atención. Eso ya no es un chatbot. Eso es un sistema nervioso.
De chatbot a sistema nervioso
Te cuento cómo funciona esto en mi caso, a una escala modesta pero con la misma lógica que aplican las empresas que van en serio.
Tengo agentes de IA que se ejecutan cada día sin que yo les diga nada. No les escribo prompts. No abro ningún chat. Se disparan solos a las horas que tienen programadas y hacen su trabajo:
Uno monitoriza fuentes de información y me avisa por Telegram si detecta algo relevante para mi sector. No me manda un resumen genérico. Me manda lo que importa según los criterios que yo he definido, cruzado con datos que ya tiene sobre mi contexto.
Otro sincroniza datos entre sistemas distintos. Información que antes había que copiar a mano de una herramienta a otra, ahora fluye sola. Y no es un copy-paste automático. El agente interpreta, clasifica y decide dónde va cada cosa según una estructura que yo he montado.
Otro analiza patrones en mis propios datos y me señala anomalías. No porque yo le pregunte «¿qué ha cambiado?», sino porque está configurado para detectarlo y avisarme.
¿Ves la diferencia? No hay prompt. No hay chat. Hay un sistema que trabaja en segundo plano, conectado a datos reales, tomando decisiones menores de forma autónoma y elevándome las importantes.
Por qué casi nadie hace esto
La respuesta es incómoda pero honesta: porque es difícil. Bueno, no difícil en el sentido de que necesites un doctorado. Difícil en el sentido de que requiere pensar.
Usar un chatbot es fácil. Abres una ventana, escribes lo que necesitas, obtienes una respuesta. El ciclo dura treinta segundos. La gratificación es inmediata.
Montar un sistema de IA conectado a tus datos requiere algo muy distinto. Requiere que primero entiendas tus propios procesos. Que los mapees. Que identifiques dónde hay decisiones repetitivas que se pueden automatizar. Que definas criterios claros. Que conectes las fuentes de datos. Que pruebes, ajustes y vuelvas a probar.
Es trabajo de fontanería. No es glamuroso. No queda bien en un post de LinkedIn. Pero como ya escribí hace poco, lo que de verdad funciona casi nunca es lo que brilla.
Stephen Wolfram tiene una forma interesante de explicarlo: los modelos de lenguaje son extraordinarios generando texto coherente, pero su verdadero potencial aparece cuando los conectas a sistemas que pueden actuar en el mundo real. Un LLM que solo genera texto es literatura. Un LLM que puede consultar bases de datos, ejecutar código y tomar acciones es ingeniería.
La ontología del profesional
Hay un concepto que suena a filosofía griega pero que es tremendamente práctico: la ontología. En este contexto, no es más que cómo organizas y conectas la información para que tenga sentido como un todo. Tus clientes, tus proyectos, tus métricas, tus decisiones. Todo conectado.
La mayoría de la gente tiene sus datos desperdigados. Emails por un lado, documentos por otro, notas en tres apps distintas, hojas de cálculo que nadie mantiene, conocimiento que solo existe en la cabeza de alguien. La IA no puede hacer nada útil con ese caos. Por eso se limita a responder preguntas genéricas: porque no tiene acceso a nada específico tuyo.
El primer paso, y el más importante, no es aprender a escribir mejores prompts. Es ordenar tu información. Estructurarla. Hacerla accesible para que un sistema pueda trabajar con ella. Es lo menos emocionante del mundo, pero es donde está el valor real.
Cuando tienes tu información ordenada y conectada, la IA pasa de ser un asistente que responde cuando le preguntas a ser un sistema que trabaja continuamente con tu contexto. Y esa transición cambia todo.
El test que separa a los dos grupos
Hay una pregunta que le hago a cualquier persona que me dice que «ya usa IA en su trabajo»: ¿tu IA sabe cosas de ti que no le has dicho hoy?
Si la respuesta es no —si cada vez que abres el chat empiezas de cero, explicando tu contexto, tu empresa, tu problema—, estás en el grupo del chatbot. No pasa nada. Es donde está la mayoría. Pero es el escalón más bajo.
Si la respuesta es sí —si tu IA tiene acceso a tu información, conoce tu contexto, recuerda decisiones anteriores y actúa en base a todo eso—, estás en el otro grupo. Y la productividad de uno y otro no se puede comparar.
Sequoia Capital publicó un análisis donde estimaban que las empresas están gastando cientos de miles de millones en infraestructura de IA pero generando una fracción de eso en valor real. ¿Por qué? Porque la mayoría se ha quedado en la capa del chatbot. En la capa de «le pregunto cosas y me responde». El valor real está una capa más abajo: en la integración con datos y procesos reales.
No necesitas ser una gran empresa
Antes de que alguien diga «claro, pero yo no tengo recursos para montar eso»: sí los tienes. La lógica es la misma a cualquier escala.
Si eres freelance, puedes tener agentes que monitorizan tu mercado, que procesan tus facturas, que analizan tus métricas de cliente y te avisan cuando algo necesita atención.
Si tienes un equipo pequeño, puedes tener flujos donde la IA clasifica las peticiones que entran, prioriza según criterios que tú has definido y prepara respuestas que solo necesitan tu aprobación.
Si diriges un departamento, puedes tener dashboards donde la IA cruza datos de distintas fuentes y te señala las tres cosas que necesitas mirar hoy, en vez de obligarte a revisar quince informes.
Nada de esto requiere un prompt perfecto. Requiere pensar en tus procesos, ordenar tu información y conectar las piezas. El trabajo duro no es hablar con la IA. Es preparar el terreno para que la IA pueda trabajar de verdad.
La pregunta real
Así que la próxima vez que alguien te diga que la clave de la IA es aprender a escribir buenos prompts, pregúntate esto: ¿quieres ser el que chatea mejor con la máquina, o el que ha montado un sistema donde la máquina trabaja para él sin necesidad de chatear?
La respuesta te ubica en un lado u otro del abismo. Y ese abismo, cada mes que pasa, se hace más ancho.
Deja un comentario ¡Tu opinión me interesa!