Cómo trabajar con IA: tres habilidades más importantes que los prompts preparados

Estás preparando con ChatGPT el texto de una landing page. Recibes una oferta impecable que incluye esta frase: «Los estudios muestran que el 67 % de los clientes abandona el carrito cuando no ve por adelantado los gastos de envío». El dato encaja a la perfección: concreto, creíble y listo para convertirse en titular. Solo hay un problema: el modelo acaba de inventárselo. El estudio también.

Si diriges una empresa o eres responsable de marketing, probablemente te encuentres en uno de estos dos puntos. O ya usas IA para ofertas, publicaciones y correos comerciales, y de vez en cuando pillas al modelo inventando. O todavía te lo estás pensando: has oído hablar de las alucinaciones y no quieres quedar mal ante un cliente con un texto donde la mitad de los hechos son falsos. Ambas posturas son razonables.

En los dos casos puedes controlar, en gran medida, las limitaciones de la IA. Necesitarás las tres habilidades que explico aquí. Pero antes debo mostrarte por qué el problema no está únicamente en la máquina. También está en nosotros.

¿Por qué confiamos en máquinas que se inventan cosas?

Pusimos a prueba nuestra confianza en las máquinas mucho antes de que nadie oyera hablar de ChatGPT. En un conocido estudio, las psicólogas Kathleen Mosier y Linda Skitka sentaron a pilotos profesionales en un simulador de vuelo para cubrir la ruta entre San Francisco y Los Ángeles. Mosier dedicó su carrera a estudiar las decisiones de las tripulaciones en cabina y colaboró con el centro Ames de la NASA. Skitka es una psicóloga social que más tarde se hizo conocida por sus investigaciones sobre convicciones morales.

En el simulador esperaba una trampa: señales contradictorias sobre un incendio en un motor. Los instrumentos indicaban que ardía el izquierdo. La tableta con el procedimiento de emergencia –una lista de comprobación electrónica– ordenaba apagar… el derecho.

Tres de cada cuatro pilotos obedecieron a la automatización. Los instrumentos y su formación decían lo contrario; aun así, el 75 % de las tripulaciones apagó el motor sano porque el sistema lo había sugerido. En el grupo de control, que trabajaba con una lista en papel, solo el 25 % cometió el mismo error.

Las investigadoras dieron a este fenómeno el nombre de sesgo de automatización: cuando una máquina propone algo, las personas dejan de buscar y procesar información con la misma atención. La sugerencia se convierte en un atajo. En lugar de pensar, miramos qué dice el sistema y seguimos adelante. Mosier y Skitka distinguieron después dos errores: de omisión –el sistema no detectó algo, así que nosotros tampoco– y de comisión –el sistema lo ordenó, así que lo hicimos sin verificar–.

Con la IA caemos en la misma trampa. Leemos por encima y se nos escapan los datos inventados. O ni siquiera nos paramos a pensar: el sistema entrega una estrategia y nosotros la ejecutamos.

La investigación también trae una buena noticia. Los pilotos que se sentían personalmente responsables de cómo utilizaban la automatización comprobaban más sus sugerencias y cometían bastantes menos errores. Ser consciente de que estás usando un sistema automático, más la sensación de que tendrás que firmar el resultado final: ahí empieza todo. Después vienen tres habilidades para mantener el control.

Primera habilidad: entiende de dónde sale lo que sabe el modelo

Para controlar sus invenciones, necesitas entender cómo «habla» un modelo. El mecanismo es más sencillo de lo que parece.

Un modelo de lenguaje hace, en esencia, una cosa: predice el siguiente token, es decir, un fragmento de palabra. Recibe texto y calcula qué debería aparecer después en términos estadísticos. Luego vuelve a hacerlo. Y otra vez. Toda la elocuencia de ChatGPT nace de dos elementos:

• el proceso se repite miles de veces, varias incluso para una sola palabra;
• decenas de miles de millones de parámetros intervienen en el cálculo. Es una escala difícil de comprender para el cerebro humano, por eso nos parece magia o inteligencia.

Pero ¿sabes qué? Tú haces algo parecido. Cuando hablas no planificas una frase hasta la última palabra: el cerebro te proporciona las siguientes sobre la marcha. Y cuando cuentas una anécdota antigua y te falta un detalle, inserta discretamente algo plausible. ¿De qué color era el coche de alquiler? Aparecerá un color inventado. Lo mismo con el nombre del camarero o el importe de la cuenta. Los psicólogos lo llaman confabulación. Nadie lo nota porque el relleno encaja en la historia. A veces ni siquiera lo notamos nosotros.

El modelo confabula del mismo modo, token a token. Mientras la predicción se base en algo que realmente ha «visto» –en sus datos de entrenamiento o en materiales que tú le has dado–, el resultado se mantiene cerca de los hechos. Pero cuando hay un hueco, no se detiene con un mensaje de error. Continúa y lo rellena con contenido estadísticamente adecuado: una cifra plausible, un informe plausible, un experto plausible. Así nació mi «estudio sobre el 67 % de carritos abandonados»: el modelo sabía cómo suenan las estadísticas en un texto de marketing y generó una.

Andrej Karpathy, uno de los fundadores de OpenAI, llama a los modelos dream machines: su estado natural sería alucinar y nosotros solo dirigiríamos sus sueños mediante prompts. Inventar una estadística y escribir un eslogan memorable son el mismo mecanismo. No puedes eliminar una capacidad sin matar la otra.

Si no podemos erradicar la invención, nos queda el control. Y el control empieza con una pregunta: ¿de dónde saca el modelo lo que te cuenta? Hay tres fuentes y cada una exige algo distinto de ti.

Los pesos del modelo: lo que trae de serie

Los pesos son la memoria comprimida de todo aquello con lo que se entrenó el modelo: miles de millones de páginas convertidas en parámetros. Por eso «conoce» las reglas del copywriting, los formatos de LinkedIn y la información general de tu sector.

Una prueba práctica para cualquier persona que dirija una empresa: pregunta al modelo por tu compañía y por la competencia, pero sin acceso a Internet. Verás qué hay en los pesos: a veces una cantidad sorprendente, otras veces nada y, en el caso más peligroso, una mezcla de verdad y confabulación. Este experimento te enseñará más sobre sus límites que muchos cursos.

La mala noticia: no puedes influir en los pesos. Cuando alguien habla de «entrenar su propia IA», el 99,9 % de las veces no se refiere a modificarlos. Es un proceso caro, lento y poco rentable para la mayoría.

Dos buenas noticias. Primera: siempre puedes cambiar de modelo, sustituir ChatGPT por Gemini o Claude. Esta posibilidad será más atractiva cuando lleguemos a la tercera habilidad. Segunda: los pesos son solo uno de los elementos que utiliza el modelo. Los otros dos sí puedes modificarlos.

El contexto visible: lo que introduces tú

La segunda fuente está en tus manos: todo lo que escribes o pegas en la conversación. Preguntas, instrucciones, documentos y archivos. Es la memoria de trabajo del modelo y tu herramienta más poderosa contra las alucinaciones. Un modelo que puede citar no necesita adivinar.

En el día a día de marketing funciona así. ¿Preparas una oferta? Añade tarifa, descripción del servicio y dos testimonios reales, en lugar de suponer que el modelo «sabe algo» de tu empresa. ¿Pides publicaciones de venta? Adjunta la página del producto y las objeciones más frecuentes de las llamadas comerciales. ¿Quieres analizar una campaña? Exporta los datos y entrega el archivo, en vez de describir cifras de memoria.

Proporcionar contexto puede ser aburrido. Sin embargo, es el método más eficaz que conocemos para reducir invenciones y el camino más corto hacia textos que suenen a tu empresa, no a la media de Internet.

Otra mala y buena noticia. Sin práctica se nos da fatal completar el contexto. Suponemos que el modelo sabe algo que no tiene forma de saber y luego nos enfadamos cuando alucina. La buena: las estructuras de prompting resuelven este problema. Esa será la tercera habilidad.

El contexto invisible: lo que el modelo busca por su cuenta

La tercera fuente es la más nueva y traicionera. Los modelos modernos pueden salir de la conversación mientras trabajan: buscar en Internet, leer páginas o conectarse a tus herramientas mediante servidores MCP. Model Context Protocol permite al modelo acceder, por ejemplo, al calendario, al CRM o al correo. Todo lo que encuentra entra en la misma memoria de trabajo que tus instrucciones. Con una diferencia: tú no ves necesariamente cómo ha llegado allí.

Le encargas investigar a la competencia antes de preparar una oferta. El modelo busca en Internet y vuelve con un análisis. ¿En qué se basa? ¿En un informe del sector o en un mensaje de un foro escrito por alguien con opiniones firmes y fuentes débiles? Si no lo compruebas, no lo sabes. Acostúmbrate a una pregunta de control: «¿En qué fuentes has basado esta respuesta? Enséñame la lista». Revisarla lleva treinta segundos. Enviar a un cliente un análisis basado en una leyenda de foro cuesta mucho más.

Consejo: herramientas como ChatGPT permiten guardar instrucciones permanentes, que el modelo sigue en cada conversación nueva. Incluye allí la obligación de mostrar siempre las fuentes.

Los investigadores John Lee y Katrina See llaman a esta actitud calibración de la confianza. La habilidad no consiste en confiar en la máquina ni en desconfiar siempre, sino en saber cuándo merece confianza. Las tres fuentes ofrecen una escala sencilla. Una respuesta que sale de los pesos: trátala como la opinión de un amigo bien informado, interesante pero pendiente de verificación. Una respuesta basada en tus documentos es mucho más sólida. Una respuesta de Internet vale lo mismo que las fuentes encontradas: revísalas.

Una última trampa: los estudios sobre colaboración con IA muestran la paradoja de la explicación. Cuanto más fluida y extensamente justifica un modelo su respuesta, más confiamos en él, tenga razón o no. Con las personas hacemos lo mismo: una explicación segura parece más creíble.

Segunda habilidad: pasa del chat a los archivos

Esta habilidad exige cambiar lo que entiendes por trabajar con IA. La mayoría lo reduce a una ventana de chat: escribes una pregunta, recibes una respuesta, la copias a Word. Mientras tanto, las herramientas se han dividido en tres niveles, cada uno pensado para un tipo de trabajo.

• Modo chat: es una conversación. El modelo responde con texto y a veces genera imágenes. Tú trasladas el resultado manualmente. Es magnífico para pensar: idear campañas, esbozar una oferta, probar titulares, aprender. Resulta limitado cuando el resultado debe ser un archivo, una hoja de cálculo o una presentación.
• Modo tarea: trabaja directamente con archivos. El modelo accede a una carpeta, documentos y herramientas y, en vez de contar qué podría hacerse, lo hace. Ejemplos: recibe fotos y un CSV y entrega ochenta descripciones de producto. Recibe una exportación de la plataforma de e-mail y crea un informe de segmentación con recomendaciones. Convierte una grabación comercial en nota, oferta y entrada de CRM mediante MCP. Dejas de ser el mensajero entre el chat y el resto del ordenador.
• Modo código: el modelo no solo trabaja con archivos; también puede escribir un programa que le ayude a completar tu encargo. Para marketing, llamémoslo nivel avanzado. La mayoría no lo necesita.

El problema es que cada proveedor llama a estos niveles de forma distinta. Esta es la chuleta a julio de 2026.

OpenAI

• Nivel chat: ChatGPT
• Nivel tarea: ChatGPT Work desde julio de 2026; antes Codex
• Nivel código: Codex o ChatGPT Code

Google

• Nivel chat: Gemini
• Nivel tarea: Antigravity 2.0 desde junio de 2026; antes Google no tenía una herramienta de este nivel
• Nivel código: Antigravity IDE y Antigravity CLI desde junio de 2026; antes Gemini CLI

Anthropic

Anthropic ha tenido «siempre» los tres modos dentro de Claude, aunque su distribución también cambia con frecuencia.

• Nivel chat: pestaña Home, modo Chat dentro de la conversación; antes de julio de 2026, pestaña Chat
• Nivel tarea: pestaña Home, modo Cowork; antes, pestaña Cowork
• Nivel código: pestaña Code, prácticamente desde siempre

Esta lista envejecerá más deprisa de lo que me gustaría. Solo en junio y julio de 2026 casi todos los proveedores reorganizaron sus marcas. Los nombres seguirán cambiando. La división chat–tarea–código permanecerá, porque responde a tres formas de trabajo realmente distintas.

¿Por qué considero que pasar del chat al modo tarea es una habilidad independiente, y no un detalle técnico? Por dos motivos.

El primero es práctico: la diferencia de productividad es un salto. En el chat pides el texto de un informe y lo maquetas tú, párrafo a párrafo. En modo tarea recibes un archivo terminado y el modelo ya ha consultado por su cuenta los materiales de la carpeta. Es la diferencia entre dictar una carta y delegar la correspondencia.

El segundo es psicológico. Un estudio de Michael Gerlich de 2025, con 666 participantes, encontró una asociación entre el uso frecuente de IA y un pensamiento crítico más débil. El mecanismo mediador fue la descarga cognitiva (cognitive offloading): entregar tareas mentales a la máquina. Parece un argumento contra la IA, pero la conclusión es más sutil. El problema aparece cuando delegamos el pensamiento. El modo tarea permite delegar algo distinto: la ejecución.

Copiar, dar formato, pegar y ordenar archivos no requiere tu inteligencia; es un impuesto sobre el pensamiento. Una automatización bien utilizada paga ese impuesto por ti y te deja energía para decidir: ¿a quién hablamos?, ¿qué prometemos?, ¿qué nos diferencia? Con una condición: esas decisiones siguen siendo tuyas. En modo tarea controlar lo que entra en el contexto es todavía más importante, porque el modelo trabaja durante más tiempo y con mayor autonomía.

Tercera habilidad: construye prompts, no los colecciones

Queda la habilidad por la que empiezan casi todas las guías, y que he dejado deliberadamente para el final. Un prompt escrito sin comprender de dónde sale el conocimiento del modelo ni en qué modo trabaja es como una pregunta magnífica formulada a la persona equivocada, en la sala equivocada.

Un buen prompt tiene al menos tres elementos.

• Rol. Cuando escribes «Eres un estratega de e-commerce con experiencia», no estás haciendo teatro. Envías el modelo a una zona concreta de su nube de conocimiento. En los pesos, los textos de estrategas se agrupan; el rol hace que la respuesta salga de ese vecindario y no de todo Internet, donde cualquiera opina sobre ventas.
• Tarea. Defines el resultado final: qué debe producirse, con qué estructura, para quién y con qué extensión. No «Escribe algo sobre nuestro producto», sino «Escribe tres variantes de titular para una landing page dirigida a una persona que nos compara con la competencia y teme el coste de implantación».
• Pista. El elemento que más se olvida: algo que saque al modelo de escribir «como todos». Un ejemplo de correo que te haya funcionado. Un fragmento con tu estilo. Un contraejemplo: «Evita un tono en el que cada frase parezca un eslogan». Sin pista, el modelo vuelve al centro de su distribución estadística: el lenguaje medio de Internet, el mismo que obtiene tu competencia del mismo modelo. La pista dice: no desde allí, desde aquí.

Rol, tarea y pista bastan para la mayoría de usos cotidianos. Explico esta lógica con dieciséis ejemplos en el artículo sobre prompts de ChatGPT para copywriting.

Para encargos más serios –una estrategia de comunicación, una oferta para un cliente clave, un plan de campaña– recomiendo la estructura CRIT popularizada por Geoff Woods: Context, Role, Interview, Task; contexto, rol, entrevista y tarea.

El tercer elemento es el más interesante. En el prompting clásico tú adivinas qué necesita el modelo y amontonas todo en una sola instrucción. CRIT invierte los papeles: haz que el modelo te entreviste primero. «Antes de empezar, hazme preguntas, de una en una, hasta reunir toda la información necesaria». Preguntará por cosas que quizá no habías considerado: quién decide por parte del cliente, qué ha probado antes, por qué no funcionó.

Tú respondes preguntas en lugar de escribir una redacción.

Y así volvemos a la primera habilidad. La entrevista completa el contexto visible, solo que ahora el modelo conduce el proceso e identifica los huecos de su propio conocimiento. En lugar de confabular los datos que faltan, pregunta. Las tres habilidades de este artículo no son lecciones separadas. Forman un sistema.

¿Por dónde empezar?

Si alguien me preguntara cómo trabajar con IA y solo pudiera responder con una frase, sería esta: sé piloto, no pasajero. El pasajero sube, confía y consume el resultado. El piloto sabe de dónde obtiene la máquina sus datos, elige el modo de vuelo y comunica con precisión el destino. Por Mosier y Skitka sabemos qué distingue a los buenos pilotos de la automatización: sienten que quienes firman el resultado son ellos, no la máquina.

Para hoy, tres tareas, una por habilidad:

• Primera: pregunta a un modelo sin búsqueda en Internet por tu empresa y por la competencia. Mira qué hay en los pesos. Después, antes de usar una respuesta con un cliente, pregunta: «¿Cómo lo sabes? Enséñame las fuentes».
• Segunda: explora el modo tarea. Abre las herramientas o pestañas que he mencionado. Encarga a un agente algo que deba producir archivos reales, por ejemplo descripciones de producto a partir de fotos. Familiarízate con esta forma de trabajar: es el futuro.
• Tercera: toma el prompt que más utilizas y comprueba si contiene rol, tarea y pista. Si falta la pista –y suele faltar–, añade un ejemplo de texto que consideres bueno.

Si quieres profundizar, descubre cómo funcionan los modelos de lenguaje, o pasa directamente a la práctica con los 16 prompts de copywriting. Para trabajar este proceso con tu equipo, consulta mis talleres. Las sesiones en directo son en inglés; los materiales pueden localizarse previa consulta.