Tomemos como punto de partida una tarea que les gustaría trabajar por su cuenta en su computador: redactar un email, limpiar una planilla, generar un outline para una clase o depurar un script. Puede ser una tarea con la que les cuesta llegar a un resultado satisfactorio, o una que quisieran explorar. Ténganla en mente para que volvamos a ella en unos minutos.
Una historia de convergencias
Lo que hoy llamamos IA reúne desarrollos nacidos en distintos campos, épocas y territorios.
- Probabilidad y estadística: inferencia, predicción y modelos probabilísticos.
- Lógica y computación: algoritmos, representación y sistemas simbólicos.
- Cibernética y control: retroalimentación, adaptación y sistemas.
- Lenguaje y lingüística: estructura, significado y modelado del lenguaje.
- Redes y aprendizaje: redes neuronales, backpropagation y deep learning.
- Datos e infraestructura: corpus, GPU y escala computacional.
Estas corrientes convergen en atención y transformers, asociados al paper Attention Is All You Need de 2017, y en los modelos de lenguaje modernos. Ninguna corriente explica el resultado por sí sola.
¿Qué estamos llamando IA?
Una sola palabra suele comprimir capas, tecnologías e implementaciones distintas.
- Campo: disciplina amplia.
- Investigación y desarrollo: nuevos métodos y avances.
- Modelos: sistemas entrenados.
- Productos: servicios y aplicaciones.
- Interfaces: chat, app, API y CLI.
- Infraestructura: datos, cómputo y energía.
- Implementaciones: usos concretos.
- Efectos sociales: impactos y controversias.
Para recuperar precisión: campo, modelo, producto e interfaz.
Del modelo al producto
No interactuamos con un modelo crudo, sino con un producto construido alrededor de él.
- Modelo base: capacidad aprendida durante el entrenamiento.
- Posentrenamiento: ajustes de comportamiento, instrucciones y criterios de respuesta.
- Harness o capa de producto: memoria, recuperación de información, herramientas, permisos y reglas de operación.
- Interfaz: chat, aplicación, API o entorno desde el que interactúa la persona.
Cada capa agrega funciones, reglas y diseño que determinan cómo se comporta el sistema y cómo lo vivimos al usarlo. El producto final resulta de todas estas capas trabajando juntas. No todas las plataformas implementan lo mismo ni con el mismo nivel de profundidad.
Token y ventana de contexto
El modelo responde a partir de la información disponible durante la interacción.
La ventana puede incluir el prompt actual, conversación previa, instrucciones y reglas, archivos y fuentes, ejemplos, restricciones y criterios, herramientas y resultados.
La tokenización divide la información en unidades procesables llamadas tokens. La ventana de contexto tiene capacidad limitada. Lo que no entra en el contexto no puede ser considerado explícitamente para esa respuesta. Parte del espacio se reserva para construir la salida.
Cambiar la información disponible cambia la respuesta posible. La calidad del prompt no depende solo de cómo pedimos algo, sino de qué información ponemos a disposición para responder. Menos ruido, mejor foco: elegir, organizar y priorizar lo que entra en la ventana.
Del prompt suelto al workflow
Un prompt opera dentro de un contexto y se articula con acciones, revisión y decisión.
- Contexto
- Información y condiciones disponibles para interpretar cada prompt. Incluye conversación, criterios, fuentes, archivos, memoria y restricciones. Los prompts son intervenciones dentro del contexto y la respuesta del modelo siempre depende de este campo.
- Workflow
- Secuencia organizada de prompts, acciones y verificaciones orientada a completar una tarea. Articula intervenciones, respuestas, revisión humana, verificación y decisión.
- Rutina
- Workflow o conjunto de workflows que se ejecuta de forma recurrente según un horario, evento o condición.
Circuito de dirección humana: solicitar, revisar, ajustar, verificar y decidir.
Workflow básico + marco situado
Todas las tareas con IA siguen un circuito básico. Algunas, o partes de ellas, requieren además un marco situado.
Workflow básico
- Especificar: definir tarea, contexto, formato y restricciones.
- Producir: el modelo genera una respuesta.
- Verificar: revisar precisión, coherencia y calidad.
- Ajustar: redirigir, corregir o ampliar; repetir.
Se usa cuando la tarea tiene reglas claras, el resultado es verificable de forma objetiva y el contexto no cambia el significado ni los criterios de calidad.
Cuando el contexto, la audiencia, el lenguaje, la interpretación o las consecuencias cambian qué cuenta como un buen resultado, se incorpora el marco situado.
Marco situado
- Histórica y técnica: antecedentes, sistemas, datos, métodos y supuestos.
- Política: actores, intereses, relaciones de poder e impactos.
- Lingüística y cultural: lenguaje, variedad, registro, marcos culturales y audiencia.
- Diseño del circuito: qué se delega, qué se mantiene bajo criterio humano y cómo se verifica.
El marco situado entra donde el contexto importa, no donde queremos complicarnos.
Empezar sin el prompt perfecto
Intención inicial
La persona tiene una carpeta con archivos PDF cuyos nombres no son claros o son solo números. Quiere identificarlos, nombrarlos de una forma útil y recibir un plan para automatizarlo con un script.
Interpretación del modelo
- Entregó una solución completa, no solo un plan.
- Interpretó “nombre útil” como palabras extraídas del PDF.
- Asumió que automatizar incluía decidir las reglas de nomenclatura.
- Supuso que Python, OCR y varias dependencias eran compatibles con el entorno.
El modelo completó las condiciones faltantes con una versión posible de la tarea.
Acción del usuario
Comparar, conservar, rechazar y precisar. La primera respuesta se convierte en material para especificar mejor la tarea.
La respuesta resolvía una versión posible de la tarea, pero todavía no la tuya.
De la interpretación a la especificación
- Propósito
- Preparar los archivos para un workflow local de RAG. La carpeta está en la computadora y el objetivo final es que un modelo local procese los archivos.
- Criterio
- La estructura del nombre la decide el usuario: año_autor_título.pdf. Esa es toda la información que necesita contener.
- Entorno
- Carpeta local, PowerShell y pocas dependencias. El script debe poder ejecutarse desde PowerShell.
- Límite de autoridad
- Pedir información antes de asumir condiciones técnicas. Si hace falta conocer la versión de Python u otro dato, entregar primero el comando de PowerShell para obtenerlo.
Especificar no es añadir detalles al azar: es decidir qué debe hacer el modelo, bajo qué condiciones y qué decisiones conservas tú.
Un resultado completo todavía contiene decisiones
El resultado entregado incluye instrucciones, código y recomendaciones, además de reglas añadidas para completar la solución:
- Si falta el año: usar el primer año encontrado en el texto, o NoYear.
- Si falta el autor: usar Unknown.
- Si falta el título: usar el nombre original del archivo.
- Si hay duplicados: añadir _1, _2 y así sucesivamente.
- Si falta la dependencia: instalar PyPDF2 automáticamente.
La prueba se realiza en una carpeta de ensayo con tres copias de PDF: ejecutar el script, revisar la simulación y responder antes de modificar el corpus real.
El usuario observa si los nombres tienen sentido, cómo se tratan los datos faltantes, qué ocurre con los duplicados y si las reglas corresponden a su criterio.
Leer, probar en copias, observar, aceptar o redirigir. Verificar puede comenzar comparando el comportamiento observable con las decisiones que querías conservar.
Del workflow a la rutina
Workflow dirigido
La ruta se conduce en cada ejecución: entrada, acción, revisión, ajuste y decisión. La persona conduce el recorrido cada vez.
Estabilización
- Pasos: la secuencia principal ya es reconocible.
- Entrada y salida: está claro qué recibe cada etapa y qué debe producir.
- Puntos de control: sabemos dónde revisar, confirmar o detener.
- Activación: existe un horario, evento o condición para comenzar.
Rutina reutilizable
El recorrido puede volver a activarse: activar, ejecutar el workflow, revisar un checkpoint, decidir y repetir. La rutina puede seguir siendo manual, asistida o parcialmente automatizada.
Una rutina es un workflow, o conjunto de workflows, que vuelve a ejecutarse según un horario, evento o condición.
Una etiqueta para demasiadas cosas
Una sola etiqueta borra diferencias entre tecnologías, actores y responsabilidades. Conviene preguntar qué sistema concreto actúa, quién lo desplegó y quién conserva poder de decisión.
Los marcos de gobernanza distinguen sistemas y actores concretos, no una entidad única que actúa sola.
Delegación
Delegar no significa dejar de pensar. El trabajo cognitivo puede desplazarse hacia la revisión, integración y decisión. La pregunta es qué se delega y qué criterio debe conservarse activo.
Despliegue
Usar IA no equivale a depender de una sola plataforma. Hay que preguntar dónde corre el modelo, quién recibe los datos y qué parte de la infraestructura se controla: nube, API, modelo local o dispositivo edge.
Cuando todo se llama “AI”, nadie tiene que explicar exactamente qué sistema actúa ni quién responde por él.