Cómo trabajar con inteligencia artificial

Qué es exactamente un modelo de lenguaje

Un modelo de lenguaje grande (LLM, por su sigla en inglés) es un programa entrenado con enormes cantidades de texto para predecir qué palabra sigue a las anteriores. Esa tarea, repetida, produce textos coherentes, resúmenes, traducciones y código. No consulta una base de datos de hechos ni razona como una persona: genera la continuación más probable según lo que aprendió y según lo que le diste como contexto.

De ahí salen sus dos propiedades más importantes. La primera: es extraordinariamente bueno con el lenguaje, la estructura y la forma. La segunda: puede afirmar con total seguridad cosas falsas, porque para el modelo una frase plausible y una frase verdadera se parecen mucho. A eso se le llama alucinación, y no es un error ocasional: es una consecuencia de cómo funciona.

En qué ayuda de verdad

• Redactar y reescribir: correos, propuestas, descripciones, políticas, en el tono que pidas.
• Resumir y extraer: sacar los puntos clave de un documento largo, una transcripción o una cadena de correos.
• Clasificar y estructurar: convertir texto libre en tablas, categorías o campos.
• Explicar y enseñar: aclarar un concepto técnico, un contrato o un error en una hoja de cálculo.
• Programar: escribir, revisar y explicar código, y proponer pruebas.
• Explorar opciones: generar alternativas de nombres, enfoques o estructuras para decidir después.

En qué no debes confiar sin verificar

• Cifras, fechas, citas textuales y referencias bibliográficas: son el terreno favorito de las alucinaciones.
• Normas y leyes: puede citar artículos que no existen o mezclar versiones. Confirma siempre en la fuente oficial.
• Cálculos largos: mejor pídele que escriba la fórmula o el código y ejecútalo tú.
• Información reciente: cada modelo tiene una fecha de corte de conocimiento y no sabe lo que pasó después, salvo que tenga acceso a búsqueda.
• Decisiones con consecuencias legales, médicas o financieras: el modelo apoya el análisis; la decisión y la responsabilidad son tuyas.

Cómo pedir las cosas: anatomía de un buen prompt

La calidad de la respuesta depende casi por completo de la calidad de la instrucción. Un prompt eficaz no es una frase ingeniosa: es una especificación. Lo que funciona es lo mismo que funciona con una persona nueva en el equipo: contexto, objetivo, restricciones y un ejemplo del resultado esperado.

1. Contexto: quién eres, para quién es el resultado y qué información relevante debe usar. Pega el material de base en lugar de describirlo.
2. Tarea: un verbo concreto. "Resume", "compara", "redacta", "clasifica", no "ayúdame con".
3. Restricciones: longitud, tono, idioma, qué evitar, qué no inventar. Si no sabe algo, que lo diga.
4. Formato de salida: lista, tabla, JSON, número de párrafos. Facilita usar el resultado sin retocarlo.
5. Ejemplo: una muestra de cómo debe verse la respuesta vale más que tres párrafos de explicación.

Contexto: soy administrador de un conjunto residencial en Bogotá. Adjunto la minuta
de vigilancia de la última semana (texto abajo).

Tarea: extrae las novedades que requieren acción de la administración.

Restricciones: no inventes novedades que no estén en el texto; si una entrada es
ambigua, márcala como "revisar". Español neutro, sin adjetivos.

Formato: tabla con columnas fecha, puesto, novedad, acción sugerida, prioridad (alta/media/baja).

[texto de la minuta]

Después, itera. La primera respuesta rara vez es la definitiva: pide que ajuste el tono, que quite lo que sobra, que explique una decisión. Trabajar con un modelo es una conversación, no un formulario.

Verificación: el paso que nadie quiere hacer

La productividad real de la IA no está en generar más rápido sino en revisar bien. Un texto que suena perfecto y contiene un dato falso cuesta más que no haberlo escrito. Establece un hábito sencillo: todo lo que salga del modelo y vaya a un cliente, a un contrato o a una decisión pasa por una persona que responde por ello.

• Pide al modelo que separe hechos de suposiciones y que señale de dónde sacó cada afirmación.
• Contrasta cifras y citas con la fuente original, no con otra respuesta del modelo.
• Para tareas repetitivas, arma un conjunto pequeño de casos con la respuesta correcta conocida y mide cuántos acierta antes de confiar.
• Conserva el prompt junto con el resultado: sin él no se puede reproducir ni auditar.

Datos: qué no debes pegar nunca

Lo que escribes en una herramienta de IA sale de tu empresa y llega a un tercero. Según el servicio y el plan, ese texto puede almacenarse o usarse para entrenar modelos. Antes de pegar nada, pregúntate si podrías enviarlo por correo a un desconocido. Datos personales de clientes, empleados o residentes, contraseñas, información financiera y contratos confidenciales quedan fuera salvo que tengas un acuerdo de tratamiento de datos con el proveedor y una configuración que impida el entrenamiento con tu información.

En Colombia, los datos personales están protegidos por la Ley 1581 de 2012: quien los recolecta es responsable de su tratamiento, incluidas las herramientas que usa. Anonimiza antes de pegar (reemplaza nombres, cédulas y direcciones por marcadores) y revisa la configuración de privacidad del servicio que uses. Si tu empresa maneja información sensible, la opción segura es contratar el modelo a través de una API con condiciones empresariales, no con cuentas personales.

Del chat a la automatización

Usar el modelo en una ventana de chat es el primer nivel. El segundo es integrarlo en un proceso: un flujo que recibe correos y los clasifica, un asistente que responde preguntas sobre tu documentación, una revisión automática de reportes. Ahí el modelo se conecta por API, recibe instrucciones fijas y datos de cada caso, y devuelve un resultado que otro programa usa.

Esa integración cambia las reglas. Ya no hay una persona revisando cada respuesta, así que los controles tienen que estar en el flujo: límites claros sobre qué puede hacer el modelo, validación de la salida antes de actuar, registro de cada decisión y un camino de escalamiento a una persona cuando la confianza es baja. El proyecto OWASP mantiene una lista de los diez riesgos principales en aplicaciones con modelos de lenguaje, entre ellos la inyección de instrucciones a través de datos y la fuga de información, y es una lectura obligada antes de conectar un modelo a algo que actúa solo.

Reglas mínimas para un equipo

No hace falta un manual de cuarenta páginas. Un acuerdo de una hoja, conocido por todos, evita la mayoría de los problemas: qué herramientas están aprobadas, qué datos no se pegan, qué debe revisar una persona antes de salir, cómo se marca lo que produjo un modelo y a quién preguntar en caso de duda. El marco de gestión de riesgos de IA del NIST, de uso libre, ofrece una estructura más completa si tu organización la necesita.

Qué puedes hacer esta semana

1. Elige una tarea repetitiva de texto que hagas cada semana y prueba delegarla al modelo con un prompt que incluya contexto, tarea, restricciones y formato.
2. Guarda ese prompt en un documento compartido del equipo y anota qué salió bien y qué hubo que corregir.
3. Escribe la lista de datos que nadie del equipo debe pegar en una herramienta de IA.
4. Revisa la configuración de privacidad y entrenamiento de las herramientas que ya usan.
5. Define quién revisa y firma cualquier resultado que salga hacia un cliente.