Anthropic Claude No te Salva de Requisitos Deficientes: Por Qué la IA Entrega Resultados Convincentes pero Débiles

Los prompts amplios, roles e incantaciones como "piensa cuidadosamente" no garantizan una buena respuesta de la IA. Usando Claude como ejemplo, el autor analiza por qué el modelo a menudo acelera la producción de texto plausible pero no logra entregar resultados útiles si la propia tarea no está bien definida.

Por Qué Esto No Funciona

La queja principal es simple: la IA rara vez cuestiona especificaciones de tareas deficientes. Mientras que un diseñador, analista o desarrollador normalmente regresaría con preguntas aclaratorias, un modelo a menudo completa el contexto faltante por sí solo y entrega una respuesta confiada. Esto hace que al usuario le parezca que el trabajo avanza rápidamente, cuando en realidad lo que se acelera no es la producción de un resultado de calidad, sino la producción de texto que parece convincente. Esto explica el agotamiento después de largas iteraciones: pasas una hora reescribiendo lo que deberías haber obtenido en el primer o segundo intento.

"Un prompt no es una plegaria."

El autor vincula esto a una inversión en el costo de las acciones. Solía ser caro ejecutar, mientras que pensar y discutir eran relativamente baratos. Ahora la IA crea cinco variantes de análisis, correos o estrategias en segundos, pero la discusión de la tarea en equipo se convierte en la parte más costosa del proceso. Esto crea la ilusión de que puedes saltarte la etapa de especificación adecuada e ir directamente a la generación. Pero un prompt largo no reemplaza un objetivo claro, y las fórmulas mágicas no curan la ausencia de estructura.

Cuatro Preguntas Antes del Chat

En lugar de buscar la redacción perfecta, el autor propone volver a la disciplina básica del análisis empresarial y armar un mapa de tareas antes de comenzar el trabajo. Su lógica se construye alrededor del enfoque As-Is, To-Be, Gap: qué tenemos ahora, cuál debe ser el resultado y qué separa uno del otro. Este marco es útil no solo para investigaciones complejas sino también para tareas cotidianas como análisis competitivo, preparación de la estructura de un artículo o análisis de entrevistas con usuarios. El punto es describir no una esperanza general de una buena respuesta, sino una ruta específica hacia ella.

• Entrada: qué datos, enlaces, documentos, hipótesis y observaciones ya tienes al principio.
• Pasos: qué acciones debe realizar el modelo en orden, sin un vago "analiza".
• Salida de cada paso: qué exactamente debe resultar después de cada paso—tabla, lista, matriz, borrador.
• Resultado final: cómo se ve el trabajo completado y por qué criterio lo aceptarás sin la sensación de "parece está bien".

En la práctica, esto cambia el formato mismo de interacción con el modelo. En lugar de un prompt gigantesco, es mejor construir un pipeline de varios pasos con revisión intermedia: primero recopilación de hechos, luego comparación, luego identificación de brechas y solo después conclusiones. En un ejemplo de análisis competitivo, este enfoque convierte una solicitud abstracta en una secuencia de tareas pequeñas, donde es más fácil atrapar un error antes del texto final.

Cómo Se Arma en Claude

Para sí mismo, el autor empaquetó este enfoque en una skill Claude separada. Primero, comprueba qué se requiere realmente: una respuesta única o un prompt para reutilizar. Luego viene el mapa As-Is, To-Be, Gap, después del cual el sistema evalúa la integridad de la solicitud por varios elementos obligatorios—objetivo, audiencia, formato, restricciones y contexto.

Si faltan datos, el modelo no genera inmediatamente texto hermoso sino que hace preguntas aclaratorias. Un paso clave aquí es la Puerta de Confirmación: antes de comenzar el trabajo, la IA muestra cómo entendió la tarea y espera confirmación explícita. Luego el prompt final se arma en una plantilla estructurada siguiendo el esquema Context, Role, Instructions, Style, Parameters.

El autor enfatiza particularmente la importancia de restricciones negativas, ejemplos few-shot e iteración dirigida en errores específicos en lugar de "mejoró". Si el resultado resultó muy general, lo que necesita reparación no es el humor del prompt, sino la regla en sí: añade métricas, prohíbe clichés, exige un formato claro de respuesta. Este modo hace que la creación de prompts sea menos como adivinanza creativa y más como ajuste de proceso de ingeniería.

Qué Significa Esto

La conclusión principal es dura pero útil: la IA amplifica no solo las buenas soluciones sino también las especificaciones deficientes. Para los equipos, esto señala dejar de medir la eficiencia por el número de variantes generadas y comenzar a exigir mapas de tareas, revisión intermedia y criterios de preparación. Cuanto más barata se vuelve la generación, más cara se vuelve el pensamiento claro—y es el pensamiento claro lo que ahora proporciona la mayor ventaja.