Tres iteraciones del prompt: cómo un asistente de IA para relatos completa los personajes por su cuenta

La escritora sudafricana Coral Hart publicó 370 libros en 20 meses con ayuda de la IA. Es un motivo para preguntarse qué hace realmente un modelo con un texto de ficción. La autora de un análisis publicado en Habr lo comprobó con una escena de su propio relato: un hombre y una mujer juegan al ajedrez, con un niño cerca.

Qué ocurrió en el primer intento

El prompt era breve: describía la situación visible, indicaba que el hombre estaba seguro de ganar, pedía transmitir los pensamientos de los personajes y fijaba una extensión de 1000–1500 caracteres. El asistente de BotHub utilizaba la configuración predefinida Claude Sonnet 5.5, con una temperatura de 0.8 y un límite de respuesta de 16 mil tokens.

El modelo produjo una escena sólida por sí misma. Pero decidió por su cuenta que el niño era hijo de los jugadores, inventó un pasado compartido para la pareja («Antes esperaba a que ella terminara de leer su libro... Ahora esperaba su jugada») y encaminó todo hacia una reconciliación. En la idea de la autora, el niño no es hijo de ellos y los personajes encarnan la ambivalencia. Dicho de forma sencilla, el modelo rellenó los huecos con la trama más familiar.

Qué ayudó a acercarse a la intención de la autora

La autora explicó al modelo el significado oculto, pero le pidió que no lo explicitara al lector. Después describió a los personajes con más detalle: al hombre le gusta tener el control, pero comprende enseguida al niño; la mujer teme perder y está cansada del juego. También hubo que eliminar el efecto de «viñeta autónoma y cerrada»: aunque se trataba de un fragmento de la mitad de un relato, el modelo buscaba un final impactante, así que se le pidió en el prompt que dejara la partida sin terminar.

En la tercera versión apareció la contradicción buscada: el hombre detecta enseguida un hilo en la rueda del coche de juguete, pero ignora el deseo de la mujer de terminar la partida. Aún quedaban fallos:

• El modelo interpretó «comprende al niño» de forma literal, como la capacidad de arreglar un juguete, en vez de descifrar los sentimientos detrás de un dibujo;
• La frase «Siempre me dejas una elección en la que ya soy culpable de antemano» explica la relación de forma demasiado directa;
• Hay un error de continuidad en las acciones: la mano estaba suspendida sobre el alfil, luego arreglaba el coche de juguete y al final «se apartaba de la pieza», aunque el texto no describe ningún regreso al tablero.

La conclusión práctica

No es un benchmark, sino un experimento de una sola autora, además sin una evaluación a ciegas por parte de lectores. La conclusión es práctica y se aplica tanto a la prosa como a cualquier producto generativo.

• Detallen qué quieren los personajes y qué se lo impide. Una personalidad contradictoria ofrece al modelo más puntos de apoyo que la palabra «estricto».
• Aporten lo que el lector todavía desconoce: las reglas del mundo, las relaciones, la intención oculta y qué debe revelarse más adelante.
• Definan la forma: qué perspectiva usar, dónde cortar la escena y qué debe quedar sin resolver.
• Comprueben la continuidad de las acciones y los detalles: sigue siendo un punto débil incluso en las versiones logradas.

La autora también cita un estudio de 2024: los relatos escritos por personas con sugerencias de GPT-4 se valoraron como más originales y agradables de leer, pero también se parecían más entre sí. Para quienes gestionan productos, es una señal importante: un asistente de IA eleva el nivel medio, pero reduce la diversidad. Si desarrollan una herramienta para escritores, permitan definir el contexto oculto y las restricciones, además del tema y la extensión. Y dejen claro que la responsabilidad del texto sigue recayendo en quien lo publica con su nombre.