Claude no salva un mal brief: por qué la IA entrega resultados convincentes pero flojos

Los prompts largos, los roles y los conjuros como think carefully no garantizan una buena respuesta de la IA. A partir de su trabajo con Claude, el autor analiza por qué el modelo suele acelerar la producción de texto verosímil sin llegar a un resultado útil cuando la propia tarea no está definida.

Por qué esto no funciona

La queja principal es sencilla: la IA rara vez discute un mal planteamiento. Un diseñador, un analista o un desarrollador normalmente volverían con preguntas aclaratorias, pero el modelo suele completar por su cuenta el contexto que falta y dar una respuesta segura. Por eso parece que el trabajo avanza rápido, cuando en realidad lo que se acelera no es la producción de un resultado de calidad, sino la de un texto que parece convincente. De ahí el cansancio tras largas iteraciones: pasas una hora reescribiendo lo que deberías haber obtenido al primer o segundo intento.

«Un prompt no es una oración».

El autor lo vincula con un vuelco en el coste de las acciones. Antes era caro hacer, mientras que pensar y debatir era relativamente barato. Ahora la IA genera en segundos cinco variantes de un análisis, una carta o una estrategia, pero discutir la tarea con un equipo de varias personas pasa a ser la parte más cara del proceso. De ahí surge la ilusión de que se puede saltar el planteamiento adecuado de la tarea e ir directo a la generación. Pero un prompt largo no sustituye a un objetivo claro, y las fórmulas mágicas no curan la falta de estructura.

Cuatro preguntas antes del chat

En lugar de buscar la formulación perfecta, el autor propone recuperar la disciplina básica del análisis de negocio y elaborar un mapa de la tarea antes de empezar. Su lógica se apoya en el enfoque As-Is, To-Be, Gap: qué tenemos ahora, cuál debe ser el resultado y qué separa uno de otro. Este esquema sirve no solo para investigaciones complejas, sino también para tareas cotidianas como el análisis de competidores, la preparación de la estructura de un artículo o el estudio de entrevistas con usuarios. La idea es describir no una vaga esperanza de obtener una buena respuesta, sino una ruta concreta hacia ella.

• Entrada: qué datos, enlaces, documentos, hipótesis y observaciones tienes ya al empezar.
• Etapas: qué acciones debe realizar el modelo y en qué orden, sin un «analiza» difuso.
• Salida de cada etapa: qué debe obtenerse exactamente tras cada paso: una tabla, una lista, una matriz, un borrador.
• Resultado final: cómo es el trabajo terminado y con qué criterio lo aceptarás sin la sensación de «parece que está bien».

En la práctica, esto cambia también el formato de interacción con el modelo. En lugar de un único prompt enorme, conviene montar un flujo de varios pasos con aceptación intermedia: primero la recopilación de hechos, luego la comparación, después la búsqueda de segmentos vacíos y solo entonces las conclusiones. En el ejemplo del análisis de competidores, este enfoque convierte una petición abstracta en una secuencia de tareas pequeñas, donde es más fácil detectar un error antes que en el texto final.

Cómo se monta en Claude

Para sí mismo, el autor empaquetó este enfoque en una skill de Claude propia. Primero comprueba qué se necesita realmente: una respuesta puntual o un prompt para reutilizar. Después viene el mapa As-Is, To-Be, Gap, y a continuación el sistema evalúa lo completa que es la petición según varios elementos obligatorios: objetivo, audiencia, formato, restricciones y contexto. Si faltan datos, el modelo no genera de inmediato un texto bonito, sino que hace preguntas aclaratorias.

El paso clave es el Confirmation Gate: antes de trabajar, la IA muestra cómo ha entendido la tarea y espera una confirmación explícita. Después, el prompt final se ensambla en una plantilla estructurada con el esquema Context, Role, Instructions, Style, Parameters. El autor subraya aparte la importancia de las restricciones negativas, los ejemplos few-shot y la iteración puntual sobre un error concreto, en lugar de guiarse por la impresión de que «ha mejorado».

Si el resultado es demasiado genérico, no hay que corregir el tono de la petición, sino la regla: añadir métricas, prohibir las frases triviales, exigir un formato de respuesta claro. Este modo acerca el prompting no a la adivinación creativa, sino a la puesta a punto de ingeniería de un proceso.

Qué significa

La conclusión principal es dura pero útil: la IA amplifica no solo las buenas decisiones, sino también un mal planteamiento. Para los equipos, es una señal para dejar de medir la eficacia por el número de variantes generadas y empezar a exigir un mapa de la tarea, aceptación intermedia y criterios de finalización. Cuanto más barata es la generación, más cara resulta la claridad de pensamiento, y es justo ella la que ahora aporta mayor ventaja.