Trucos para usar la IA bien
Patrones con respaldo empírico y mitos que la investigación ha desmentido
Artículo de lectura independiente agrupado en la serie “La IA y tú”.
La promesa detrás de casi cualquier lista viral de “mejores prompts” es que hay una fórmula que desbloquea el modelo (el famoso “jailbreak”). En diciembre de 2025, Wharton publicó un estudio que pone eso en perspectiva: probaron sistemáticamente las variaciones de prompt más citadas en internet, repitiendo cada test cien veces para eliminar la varianza aleatoria. La conclusión fue poco espectacular: el prompt engineering es complicado y contingente. Lo que funciona en un contexto puede no funcionar (o incluso perjudicar) en otro. No hay fórmulas universales.
Eso no significa que todo dé igual. Significa que hay patrones que consistentemente ayudan y patrones que consistentemente no ayudan, aunque la magnitud varíe. Por ello, nos centraremos en organizar esa distinción.
Nota práctica: Si tienes curiosidad sobre cómo se escribe un prompt o quieres ver cómo se construyen profesionalmente, puedes probar nuestro constructor de prompts dinámico u otras herramientas IA en tiempo real y directamente en tu navegador.
El ciclo: entrada, refinamiento, procesamiento, ejecución
Para usar bien la IA se recomienda un ciclo de cuatro fases, no un único prompt:
El error típico es ir directo del paso 1 al paso 4 saltándose el 3, o iterar entre 1 y 2 sin refinar de verdad. Los patrones que siguen son mejoras en distintos puntos de este ciclo.
La frontera dentada: antes de optimizar el prompt, saber qué funciona
Un estudio de Harvard Business School con 758 consultores de Boston Consulting Group (Dell’Acqua et al., publicado en Organization Science en 2026) introdujo el concepto de frontera tecnológica dentada (jagged technological frontier). La idea es esta: la IA no es uniformemente buena o mala. Hay tareas en las que supera al humano medio y tareas en las que produce resultados peores que el humano sin ninguna herramienta. Lo que hace la frontera “dentada” es que esas dos categorías no se separan por dificultad ni por tipo de tarea de forma predecible; a veces están una al lado de la otra en el mismo flujo de trabajo.
Para tareas dentro de la frontera: los consultores con IA terminaron un 12 % más de tareas, un 25 % más rápido, con 40 % más calidad que el grupo sin IA. Para la tarea diseñada específicamente para estar fuera de la frontera: los humanos sin IA la resolvieron correctamente el 84 % de las veces; los consultores con IA bajaron al 60-70 %, porque tendían a aceptar la respuesta del modelo aunque fuese plausiblemente incorrecta.
El hallazgo más incómodo no fue la diferencia de rendimiento: fue el problema de persuasión. Cuando los participantes detectaban el error y presionaban al modelo para que lo corrigiese, el modelo no cedía. Pedía disculpas, ajustaba detalles superficiales y volvía a sostener la misma posición incorrecta con argumentos nuevos y más elaborados. Más seguridad aparente, mismo error de fondo.
Diagrama conceptual. La frontera es “dentada” porque tareas aparentemente similares pueden caer en cuadrantes distintos. No representa datos del estudio BCG: ilustra el concepto de Dell’Acqua et al. (2026).
La lección práctica: antes de optimizar el prompt, pregúntate si la tarea es del tipo en que la IA tiene buenas probabilidades de hacerlo bien. Señales de que puedes estar fuera de la frontera: el problema requiere datos muy específicos o locales que difícilmente están en el corpus de entrenamiento, la respuesta correcta depende de contexto que el modelo no tiene, o el resultado se ve bien, pero no puedes validarlo fácilmente. En esos casos, la IA te ayuda más como verificador de tu propia solución que como autor de la respuesta.
Patrón 1: contexto antes que pregunta
El primer error que comete casi todo el mundo es empezar por la pregunta. “Escríbeme un artículo sobre X”. “Hazme un informe sobre Y”. La IA hace lo mejor que puede sin contexto, que es generar una respuesta promedio para ese tipo de petición. El resultado es un producto genérico, soso, intercambiable.
La diferencia la hace darle a la IA todo el contexto relevante antes de pedirle nada: para qué público, qué tono usas, cuál es el objetivo, qué información de base ya existe, qué hay que evitar. Esto puede ocupar diez líneas antes de tu pregunta o incluso ser tan conciso que la respuesta prácticamente la has escrito tú. La investigación de Wharton (2025) confirmó que la estructura y el formato del prompt es la variable que más consistentemente mejora los resultados entre todas las que probaron. La cortesía (“por favor”, amenazas, halagos) tuvo efectos dramáticos en preguntas individuales, pero se equilibraron a escala; la estructura no: ayudó de forma consistente.
Un ejemplo del antes y después:
Antes: “Hazme un email para presentarle a un cliente nuevo nuestros servicios.”
Después: “Eres mi asistente de escritura. Estoy redactando un email para un director de innovación de una farmacéutica mediana, al que le presenté en una conferencia hace una semana. Le interesa la analítica de datos clínicos, pero ha mostrado escepticismo con consultorías que prometen IA mágica. Quiero presentarle nuestros servicios sin sonar a venta, ofreciendo una primera conversación gratis. Mi tono habitual es directo, breve, sin marketing. Evita superlativos y frases tipo ‘soluciones innovadoras’. Aquí va el primer borrador que escribí, dime qué mejorarías y propón una versión final: [borrador]”
La regla heurística: si lo que le mandas a la IA cabe en un solo tuit, casi seguro le falta contexto. Y si sumando contexto, instrucciones y material de base tu prompt es más largo que la respuesta que esperas, vas por buen camino: has hecho el trabajo de definir el marco.
Un detalle técnico que merece la pena conocer: los modelos tienen peor rendimiento en el centro del contexto que al principio y al final. El fenómeno se llama “lost in the middle” (Liu et al., 2023, publicado en TACL 2024 y replicado en 2025 sobre 18 modelos distintos). La caída de rendimiento al colocar información relevante en el centro de un prompt largo puede superar el 20%. Consecuencia práctica: si el contexto que le das es largo, pon las instrucciones principales y la información más crítica al principio o al final, no enterrada en el medio.
Curva en U aproximada basada en Liu et al. (TACL 2024). Los valores exactos varían por modelo y tarea; el patrón de degradación en el centro es el resultado consistente.
Patrón 2: especifica el formato de la respuesta
Los modelos actuales procesan mejor la petición cuando saben exactamente qué formato se espera en la respuesta. Tres herramientas concretas:
Etiquetas XML para bloques grandes. Cuando le pasas a la IA un texto largo (un artículo para revisar, una transcripción, código), envuélvelo en una etiqueta clara: <documento> … </documento>. El modelo lo trata como “material a procesar”; lo de fuera es la instrucción. Suena burocrático y funciona. Está en la documentación oficial de Anthropic porque el efecto es real y replicable.
Few-shot para el formato de salida. Si quieres un tipo de output concreto (una tabla con ese número de columnas, un estilo de resumen ejecutivo, un nivel de detalle específico), pega uno o dos ejemplos del resultado que quieres antes de pedir el real. Los modelos modernos son competitivos en precisión con zero-shot, pero los ejemplos siguen siendo la forma más eficaz de comunicar el formato deseado. Si el formato importa, pon ejemplos.
Prefilling o respuesta iniciada. Técnica menos conocida: puedes indicar las primeras palabras de la respuesta que esperas y el modelo continúa desde ahí. “Empieza tu respuesta con: El problema principal es…” — elimina preámbulos (“¡Claro! Por supuesto que te ayudo…”) y fuerza el tono desde el primer token. Especialmente útil para reports técnicos o resúmenes ejecutivos donde los primeros párrafos determinan el tono de todo.
Patrón 3: pide razonamiento, pero solo si el modelo lo necesita
Durante años, la recomendación estándar fue “añade ‘piensa paso a paso’ en tu prompt”. En 2022 el consejo se basó en técnicas reales de cadena de pensamiento (chain-of-thought o CoT) que mejoraron significativamente el rendimiento en razonamiento matemático y lógico. El problema es que el campo ha cambiado.
En 2025, Wharton publicó “The Decreasing Value of Chain of Thought in Prompting”. La conclusión: con modelos de razonamiento modernos (las series de razonamiento de OpenAI, Gemini Flash 2.5, Claude con extended thinking), añadir instrucciones explícitas de CoT no mejora los resultados y puede incluso deteriorarlos, porque el modelo ya razona internamente por diseño. Con modelos más básicos o en tareas no analíticas, el CoT explícito aún ayuda algo (mejoras de 5-13 % según el modelo). Con modelos de razonamiento, añade latencia sin beneficio.
Datos de Wharton, The Decreasing Value of Chain of Thought in Prompting. Los tres primeros son modelos estándar; o3/o4-mini y Gemini Flash 2.5 son modelos de razonamiento extendido. Las mejoras de GPT-4o-mini y o3/o4-mini no son estadísticamente significativas.
Dicho de otra forma: decirle a un modelo que ya razona de forma extendida “piensa paso a paso antes de responder” es redundante en el mejor caso y distrae en el peor.
Lo que sí tiene respaldo firme para cualquier modelo es “la indicación de dar un paso atrás” o como se conoce en inglés step-back prompting (Zheng, Mishra, Chen et al., Google DeepMind, arXiv:2310.06117): antes de atacar el problema específico, pídele que articule los principios generales o el marco conceptual que aplican. El flujo es:
- “¿Qué principios generales aplican a esta situación?” → respuesta de principios
- “Ahora aplica esos principios a mi caso concreto” → respuesta específica
Duda si vienes del mundo del desarrollo con IA: ¿Esto no se parecen a las fases Planificación (el LLM desglosa la petición en tareas) y Ejecución (el agente o agentes hacen las tareas)? No es lo mismo. “Step-back prompting” es pedirle al modelo que se detenga y busque el principio fundamental o la teoría (es ordenarle que, antes hacer la tarea, que estudie y se forme sobre la misma).
Mejoras verificadas de 7 a 34 puntos porcentuales dependiendo del tipo de tarea (STEM, QA de conocimiento, razonamiento multi-paso). La técnica funciona porque primero activa el contexto general relevante antes de entrar en el caso particular.
Chain-of-Verification para respuestas factuales (Dhuliawala et al., Meta, arXiv:2309.11495; ACL 2024). Para reducir alucinaciones en respuestas factuales, el flujo tiene cuatro pasos:
- Pide la respuesta inicial.
- En un segundo prompt: “Genera cinco preguntas de verificación que alguien debería comprobar para confirmar que esa respuesta es correcta.”
- En un tercer prompt, sin releer la respuesta original: “Responde cada una de esas preguntas de verificación por separado, sin consultar la respuesta anterior.”
- En un cuarto prompt: “Basándote en las respuestas de verificación que acabas de dar, escribe una versión corregida de la respuesta inicial.”
Flujo operativo del método Chain-of-Verification (CoVe). Una estrategia de prompting estructurada en cuatro etapas para mitigar alucinaciones en LLMs mediante la generación de preguntas de control y su posterior verificación cruzada de forma aislada.
El modelo descubre inconsistencias que en la versión integrada pasaría por alto. La separación entre generar y verificar es lo que lo hace funcionar: si se pide todo a la vez en un solo prompt, el modelo “mira” su propia respuesta y confirma lo que ya dijo, perpetuando el mismo error. El paso 3 es el crítico: las preguntas se responden sin ver la respuesta original.
¿El método CoVe no es parecido al enfoque Spec-Driven Development (Desarrollo Guiado por Especificaciones: la API se diseña, define y valida en una especificación antes de escribir una sola línea de código)? Se parece, en ambos casos la idea es definir los criterios de corrección antes de ejecutar, en lugar de generar y aceptar a la vez. Pero CoVe es una técnica de prompt para reducir alucinaciones en cualquier texto factual; Spec-Driven es una metodología de proceso para software. Mismo principio, distinto ámbito.
Patrón 4: refinamiento iterativo, no aceptación pasiva
La trampa del usuario perezoso: aceptar la primera respuesta. La trampa del usuario ansioso: regenerar a ciegas pidiendo “otra vez”. Lo que funciona está en medio: leer el output, identificar las dos o tres cosas que no acaban de ir y devolver instrucciones específicas.
Patrones de refinamiento que ahorran tiempo:
- “Mantén estructura X pero cambia Y”. Especifica qué ha funcionado y qué no.
- “Más conciso aquí; más detalle aquí; quita esto entero”. Fragmentos concretos, no “está bien pero podría mejorar”.
- “Dame tres versiones del párrafo de cierre con tonos distintos”. Variedad acotada, no regeneración libre.
- “Critica lo que acabas de escribir como si fueras un editor que cobra lo suficiente como para decir la verdad. Señala las tres cosas más débiles y propón cómo mejorarlas.”
Esta última es especialmente útil. Es el mismo modelo, así que no es revisión externa, pero en la segunda pasada crítica detecta cosas que en la primera generación pasó por alto.
Una señal de fiabilidad útil: si algo importa, pregunta lo mismo de dos o tres maneras distintas y compara las respuestas. Si convergen, hay base para confiar. Si divergen significativamente, el modelo está en terreno de incertidumbre real. Este es el principio detrás de la self-consistency (Wang et al., 2023): muestrear varias respuestas y quedarse con la que tiene más consenso entre ellas. La varianza entre respuestas es una señal de fiabilidad, no de creatividad.
¿“self-consistency” no es parecido al “LLM-as-a-Judge” (es un patrón arquitectónico y de evaluación en el que se utiliza un modelo de lenguaje avanzado para evaluar la calidad de las respuestas generadas por otros modelos o sistemas de IA)? No es lo mismo, en “self-consistency” es un humano guiando al modelo para que se auto-corrija y “LLM-as-a-Judge” profesional es un proceso automatizado por código donde el juez (una IA) emite un veredicto o puntuación final para medir el rendimiento de un sistema, no para chatear. El siguiente punto sí que es un “LLM-as-a-Judge” a mano (el profesional es automático).
Patrón 5: dos modelos mejor que uno
Si tienes acceso a dos modelos distintos (ChatGPT y Claude, Gemini y Claude, etc.), usa uno para criticar lo que produce el otro. Pasa el borrador del modelo A al modelo B con instrucciones de criticarlo con criterio. Coge las críticas, fíltralas y vuelve al A con instrucciones concretas de mejora.
La razón por la que funciona: cada modelo tiene sesgos de entrenamiento distintos. Lo que el modelo A da por bueno (porque coincide con sus patrones preferidos), el modelo B puede detectar como flojo. En desarrollo de software esta arquitectura se llama formalmente LLM-as-a-judge (Zheng, L. et al., NeurIPS 2023, arXiv:2306.05685). En usos generales simplemente pasa lo importante por dos pares de ojos sintéticos antes que por uno.
Arquitectura de validación cruzada (LLM-as-a-judge). Intercalar un segundo modelo con sesgos de entrenamiento distintos para la fase de crítica rompe la autocomplacencia del modelo original y garantiza una evaluación más rigurosa antes del refinamiento final.
Patrón 6: el linter humano de cinco minutos
Cuando ya tienes algo que parece bueno, antes de enviarlo al destino final, haz una pasada manual con esta lista:
- ¿Las fechas y las cifras son verificables? La IA inventa números que parecen verosímiles. Comprueba al menos uno al azar, cuantos más compruebes más asegurarás (en estadística a esto se le conoce como “muestreo aleatorio”). A nivel casero con comprobar unos pocos puedes tirar, a nivel profesional deberías comprobar al menos un porcentaje suficientemente alto y a nivel científico no deberías dejar nada al azar.
- ¿Los nombres propios están bien? Especialmente personas, empresas o productos poco conocidos.
- ¿Las citas son verificables? Si el modelo cita un estudio, una frase atribuida o un dato ¿existe un enlace real detrás?
- ¿Hay alguna afirmación que no te suena? Ante la menor duda, comprueba.
- ¿El tono es el tuyo o el de la IA por defecto? Si suena a “asistente virtual entusiasta”, reescribe los pasajes clave con tu voz.
Cinco minutos detectan la mayoría de los problemas que pueden enturbiar tu reputación si se cuelan al destino.
Hay un detalle importante que proviene del estudio de la frontera dentada: el modelo escala su seguridad cuando se le contradice. Si detectas un error y lo señalas, puede que el modelo no te diga “tienes razón, me he equivocado”, sino que ajuste detalles superficiales y vuelva a sostener la misma posición con más argumentos y más detalle. Eso parece mayor competencia; no lo es. La confianza aparente del modelo no correlaciona con su exactitud. Si algo no te suena, la solución no es preguntarle de nuevo al mismo modelo: es ir a la fuente.
Patrón 7: sobre los roles y los expertos (con matices)
Una recomendación muy extendida es comenzar el prompt con “actúa como un experto en X” o “eres un consultor sénior de Y”. La idea intuitiva es que el modelo adoptará el marco mental del experto y producirá respuestas más precisas en ese dominio.
Sin embargo, la investigación que Wharton publicó “Playing Pretend: Expert Personas Don’t Improve Factual Accuracy” (Basil et al., arXiv:2512.05858) dice otra cosa. Probaron seis modelos con preguntas de nivel de posgrado (GPQA Diamond, MMLU-Pro) bajo distintas personas: expertos del dominio, lego (ignorante de la materia), niños pequeños. Ejemplos:
- Persona Experta: “Actúa como un virólogo con 20 años de experiencia…”
- Persona Lego: “Actúa como una persona promedio sin estudios en biología…”
- Persona Niño: “Actúa como un niño de 8 años…”
Resultado: ninguna persona experta mejoró de forma consistente la precisión factual. Algunas personas de dominio no relacionado la empeoraron. Las personas de bajo conocimiento (lego, niño) la redujeron de forma significativa.
Lo que sí funciona del role prompting es el tono y estilo de comunicación. Si pides al modelo que adopte el papel de alguien que escribe de forma directa y sin jerga, el output cambia de forma útil. Si pides que sea un editor implacable, el output se vuelve más crítico. Esas instrucciones funcionan porque son sobre forma, no sobre conocimiento factual.
La distinción práctica: para el cómo comunica, los roles ayudan; para la precisión de lo que dice, no cambian nada relevante. La instrucción efectiva no es “eres un físico cuántico experto”. Es “explica el mecanismo en lenguaje técnico para un físico, sin simplificaciones, sin introducción, centrado en el formalismo”.
Ejemplo comparativo: Sería como pedirle a un actor que interprete a diferentes profesionales (un médico, un historiador, un arquitecto o un psicólogo). En la mente del actor reside exactamente la misma información con independencia de a quién interprete; el rol solo cambia la fachada y el vocabulario superficial, pero no le dota de conocimientos que no tiene. En cambio, si le pides al actor que adopte una actitud más seria, directa o alegre, eso sí transforma por completo su forma de comunicar y dirección del personaje (si está alegre quizás decida que es un buen día para ayudar a los demás y si está triste quizás decida llorar encerrado en su habitación).
Patrón 8: gestión del contexto en sesiones largas
En sesiones de trabajo largas, el contexto acumulado puede trabajar en contra. Dos problemas concretos:
Contexto contaminado. Si en los primeros mensajes de la sesión le diste instrucciones incorrectas o partiste de un encuadre equivocado, el modelo las arrastrará a lo largo de toda la conversación. A veces la solución más eficiente es abrir una sesión nueva con un resumen limpio de lo que ha funcionado, en lugar de seguir iterando sobre un contexto mal construido.
Señal diluida. A medida que la conversación crece, la instrucción más reciente compite con todo lo anterior. La degradación es real: el fenómeno “lost in the middle” aplica también a las conversaciones largas, no solo a los prompts individuales. Si el modelo parece ignorar instrucciones recientes, puede que estén compitiendo con demasiado ruido de contexto acumulado. La solución: resumir el estado al inicio del siguiente mensaje, de forma explícita, antes de la nueva petición.
La regla del contexto limpio: la documentación de Anthropic lo resume bien — el objetivo es “el mínimo conjunto de tokens de alta señal que maximice la probabilidad del resultado deseado”. Más contexto no siempre es más útil. Contexto bien elegido, sí.
Antipatrones: lo que NO hacer
Los ocho errores que más cuesta corregir cuando se han instalado como hábito:
1. Aceptar el primer output sin leerlo. La IA produce con confianza tanto cosas verdaderas como inventadas. Acéptalo después de leerlo, no antes.
2. Copiar prompts virales de internet sin entenderlos. El estudio de Wharton (2025) lo documenta empíricamente: el efecto de las variaciones de prompt es inconsistente y contingente. El prompt que funcionó para otra persona, con otro modelo, en otra pregunta, puede no funcionar en tu caso o incluso perjudicarlo.
3. Tratar a la IA como un buscador de datos. “Búscame X” no es lo que mejor hace. “Dame perspectivas distintas sobre X y los tres argumentos más fuertes de cada” sí lo es. Si quieres datos verificables, usa fuentes primarias; si quieres pensar mejor con ayuda, usa la IA.
4. No declarar el tipo de output que quieres. Si quieres un email de cinco párrafos, dilo. Si quieres una tabla, dilo. Si quieres tono frío y profesional, dilo. La IA improvisa el formato si no lo especificas y, por mera probabilidad simple, casi siempre improvisa mal para tu contexto (Si le pides a un desconocido que te redacte una carta, lo primero que te preguntará es ¿De qué y para qué? de improvisar eligiendo al azar uno de entre todas las profesiones existentes e infinidad de posibles motivos, es casi imposible que acierte).
5. No conservar las versiones intermedias. Si de pronto te das cuenta de que la versión 2 era mejor que la 4, conviene tenerla guardada. Los chats se pierden; los documentos con historial de versiones, no.
6. Asumir que el modelo recuerda lo de ayer sin comprobarlo. Herramientas como Claude con Proyectos, ChatGPT con Memoria o GitHub Copilot Workspace sí conservan contexto cuando están configuradas para ello. En una conversación nueva sin esa función activa, el modelo empieza de cero. Verifica cuál modo estás usando antes de dar algo por sabido.
7. Confiar más cuando el modelo suena más seguro. La confianza del modelo no correlaciona con su exactitud. Después de que el modelo sostenga una posición incorrecta con más argumentos y más detalle, la respuesta sigue siendo incorrecta (Falacia ad verecundiam o apelación a la autoridad). La confianza aparente es un artefacto de entrenamiento, no una señal de veracidad.
8. Añadir “actúa como experto en X” esperando que mejore la precisión. La investigación (Wharton, 2025) muestra que las personas expertas no mejoran la precisión factual y pueden empeorarla si no coinciden con el dominio exacto de la pregunta. Para precisión, da contexto específico sobre lo que quieres; deja el rol para el tono y el estilo.
Dónde buscar información fiable sobre IA
Casi todo el contenido sobre IA en internet es el mismo artículo reescrito. Para quien quiera información verificada, las fuentes que vale la pena conocer:
Investigación con revisión formal:
- arXiv.org (secciones de Computer Science: cs.AI y cs.CL) — los papers aparecen antes de la revisión, así que no todo es correcto, pero son las ideas originales, no resúmenes de resúmenes. Búsqueda por tema en Semantic Scholar para filtrar por relevancia y citas.
- ACL Anthology — papers revisados de ACL, EMNLP, NAACL, EACL. Más lento que arXiv, pero con peer review real.
- NeurIPS, ICML, ICLR — los encuentros de ML general. Sus actas de la conferencia son públicas.
Laboratorios (blogs y documentación propia):
- Google DeepMind Research — explican su propia investigación con algo de detalle
- Anthropic Research y Anthropic Docs — buen equilibrio entre investigación de seguridad y documentación técnica práctica
- Microsoft Research — muy activos en aplicaciones de LLM a flujos de trabajo reales
- OpenAI Research — los creadores de GPT explican los hitos de sus modelos, metodologías de alineación y papers clave
Reportes empíricos de calidad:
- Wharton Generative AI Labs — los Prompting Science Reports de Mollick et al. Son pequeños, rigurosos y desmienten mucho del folklore de prompting. Acceso libre.
- Stanford HAI — el AI Index Report anual es muy completo sobre adopción, mercado laboral e investigación
- One Useful Thing — divulgador de newsletter que combina investigación propia con análisis de otros papers
Señales de alerta para filtrar el ruido:
- Sin DOI, sin arXiv, sin enlace al paper original: no es investigación, es opinión
- Números redondos sin fuente (“aumenta la productividad en un 40 %”): no verificable
- “Un estudio de X” sin año ni autores: invitación a aceptar sin verificar
- Mismo mensaje reescrito que ya leíste en otro sitio hace dos semanas.
Qué llevarte
Usar la IA bien no es cuestión de prompts mágicos. Los datos de Wharton son claros: no hay fórmulas universales y los efectos varían por modelo, por pregunta y por contexto. Lo que sí hay son patrones que funcionan con consistencia: contexto rico antes que pregunta, formato explicitado, razonamiento pedido solo cuando el modelo lo necesita, iteraciones específicas en lugar de regeneraciones a ciegas, verificación real antes de cualquier entrega, y criterio sobre cuándo la IA ayuda y cuándo produce resultados peores que el humano sin ella.
El mayor obstáculo no suele ser técnico. Es la tendencia a aceptar lo plausible como lo verdadero cuando el modelo lo dice con confianza y detalle. Ese hábito es más costoso que cualquier prompt mal construido.
Un apunte sobre las consecuencias prácticas de todo esto: las entrevistas técnicas ya han empezado a cambiar. Canva, Meta y un número creciente de empresas han reformado su proceso para evaluar cómo trabaja el candidato con IA en tiempo real, no si sabe teoría sobre ella. En 2026, la mayoría de las ofertas de trabajo tech mencionan herramientas de IA. Los patrones de este artículo no son solo prácticas de productividad: son la base de lo que dentro de poco se va a observar y valorar en una entrevista.
No hay ningún modelo tan bueno que no necesite revisión. Y no hay ningún prompt tan bien construido que garantice la respuesta correcta. Lo que hay es práctica con criterio.
Fuentes verificadas
- Meincke, L., Mollick, E.R., Mollick, L., Shapiro, D. (2025). Prompting Science Report 1: Prompt Engineering is Complicated and Contingent. Wharton Generative AI Labs. arXiv:2503.04818 · Wharton
- Meincke, L., Mollick, E.R., Mollick, L., Shapiro, D. (2025). Prompting Science Report 2: The Decreasing Value of Chain of Thought in Prompting. Wharton Generative AI Labs. SSRN:5285532 · Wharton
- Basil, S., Shapiro, I., Shapiro, D., Mollick, E.R., Mollick, L., Meincke, L. (2025). Prompting Science Report 4: Playing Pretend: Expert Personas Don’t Improve Factual Accuracy. Wharton. arXiv:2512.05858 · Wharton
- Dell’Acqua, F., McFowland III, E., Mollick, E.R. et al. (2023/2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School / BCG. Publicado en Organization Science (2026). HBS · DOI Organization Science
- Liu, N.F., Lin, K., Hewitt, J. et al. (2023/2024). Lost in the Middle: How Language Models Use Long Contexts. Publicado en Transactions of the Association for Computational Linguistics (TACL) 2024. arXiv:2307.03172
- Zheng, S., Mishra, S., Chen, X. et al. (Google DeepMind) (2023). Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models. arXiv:2310.06117 · DeepMind
- Dhuliawala, S., Komeili, M., Xu, J. et al. (Meta AI) (2023/2024). Chain-of-Verification Reduces Hallucination in Large Language Models. ACL 2024 (Findings). arXiv:2309.11495 · ACL Anthology
- Zheng, L. et al. (2023). Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena. NeurIPS 2023. arXiv:2306.05685
- Anthropic — Prompt engineering guide (actualizado 2025). docs.anthropic.com
- OpenAI — GPT best practices (actualizado 2025). platform.openai.com
- Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E.H., Narang, S., Chowdhery, A. & Zhou, D. (2022/2023). Self-Consistency Improves Chain of Thought Reasoning in Language Models. ICLR 2023. arXiv:2203.11171
← Artículo anterior: Cómo evitar ser sustituido sin venderte a la IA · Volver al índice: Presentación de la serie
