'Preséntame una diapositiva' a 'Sistema de alerta temprana': cómo pedir a la IA una ambición mayor

Al preparar la documentación para las revisiones trimestrales de negocio (QBR), es habitual que solicitemos a la inteligencia artificial que reciba los datos y «genere una presentación». La IA cumple diligentemente rellenando los huecos y elaborando gráficos, pero la información clave que la reunión realmente necesita sigue requiriendo la intervención humana.

En este punto, existe un enfoque que transforma por completo la categoría de los resultados. En octubre de 2026, Felix Rizeberg, ingeniero de gestión en Anthropic, propuso en su blog un enfoque distinto para la revisión trimestral. Puso como ejemplo solicitar a Claude que «diseñe una forma de lograr mejor el propósito que los datos de la presentación trimestral, demuestre con datos históricos que el momento de detección de los problemas se ha anticipado y ejecute esta nueva forma en paralelo con el método existente durante un trimestre». La esencia de esta técnica reside en que, aunque se utilicen los mismos datos, el objeto de la solicitud pasa de «redactar diapositivas» a «diseñar un sistema verificable». El método que propone el responsable Rizeberg no consiste en escribir prompts más largos, sino en desplazar el propio «objeto» que se exige a la IA. ¹²

Uso de la IA dividido en velocidad, altitud, profundidad y alcance

El responsable Rizeberg señala que las capacidades de los modelos de IA no son uniformes en todos los ámbitos. Esto se debe a que su destreza es irregular; el matemático Terence Tao llegó a expresar que los modelos son «asombrosos en cierta dirección, pero deficientes en otra». Para abordar esta asimetría, divide la «ambición» en cuatro niveles (velocidad, altitud, profundidad y alcance). El primero, la velocidad, es un concepto conocido que consiste en realizar las mismas tareas más rápidamente, por lo que se omite; lo importante son los tres niveles siguientes.

A menudo se cree que si el prompt se hace más largo y las instrucciones se subdividen con más detalle, se obtendrán mejores resultados, pero la clave no es la extensión, sino la naturaleza del resultado al que se aspira.

• Altitud: en lugar de indicar tareas individuales, se presenta el objetivo último o el sistema en sí.
• Profundidad: se requieren las herramientas que utilizan realmente los expertos y los datos sin procesar, y se verifica su uso.
• Alcance: se incorporan perspectivas y técnicas de investigación de otros campos más allá del sector correspondiente. ¹²

Elevar la altitud: de «rellenar plantillas» a «diseñar sistemas»

El ejemplo más concreto es el proceso de preparación de una revisión trimestral de negocio (QBR). El responsable Rizeberg utilizó el caso de la empresa ficticia «Acme» para revelar cómo aumentar el nivel de abstracción de la solicitud en tres etapas, manteniendo los mismos datos.

La etapa 1 consiste en «rellenar plantillas», la base de todo. A partir de los datos, se pregunta «qué ha cambiado, por qué ha ocurrido y qué se debe hacer». La etapa 2 redefine el resultado como «toma de decisiones». Instruye diciendo: «Extrae tres decisiones urgentes y organiza las posibles direcciones y los argumentos a favor y en contra», transformando así una simple enumeración de información en temas de agenda para la reunión. La etapa 3 desmantela la propia forma. La solicitud final es la siguiente:

«La razón de ser de esta revisión es que la dirección detecte los problemas de forma temprana y asigne capital y personal de manera adecuada. Diseña una nueva forma de alcanzar ese propósito mejor que la presentación trimestral. Demuestra, basándote en los datos históricos de nuestra empresa, que ese método habría detectado los problemas antes, y ejecútalo en paralelo con el método existente durante un trimestre.»

El producto que esta solicitud pretende generar no es un conjunto de diapositivas, sino un nuevo proceso operativo que demuestre su capacidad predictiva con datos históricos y compita con el método actual. El responsable Rizeberg explica que este enfoque resulta más eficaz cuando se debe celebrar una reunión sustantiva en torno a los resultados. No obstante, para que la IA modifique realmente los flujos de trabajo en este proceso, es necesario disponer previamente de un entorno en el que el modelo pueda instalar software y acceder al sistema operativo. Reveló que, para mantener la aplicación libre de conflictos, otorgó a Claude acceso a los informes de colisiones, mapeó versiones y commits de git, permitió el acceso a ordenadores con Windows, macOS y Linux, y le hizo verificar las correcciones de forma independiente. ¹²

Elevar la profundidad: de imitar el tono a la «verificación independiente»

El segundo nivel consiste en aumentar la profundidad. El responsable Rizeberg observó que «si se pide al modelo que actúe como un experto, en muchos casos mantiene la metodología intacta y solo cambia el vocabulario». Por ejemplo, si se indica «actúa como un experto en análisis de datos», el modelo tiende a mezclar terminología especializada, pero acaba limitándose a tablas en markdown o resúmenes sencillos.

El secreto para aumentar la profundidad no reside en el tono, sino en las herramientas y los datos. Cuando la IA intenta dibujar una tabla de texto, se le debe exigir que utilice bases de datos o modelos estadísticos empleados por científicos de datos de primer nivel. Concretamente, se debe abrir directamente los datos sin procesar para someter los supuestos convencionales a una verificación adversarial, no permitir que el modelo se autocomplazca evaluando que su respuesta es correcta, y establecer un criterio externo de verificación independiente (juez externo). Para ello, publicó la siguiente plantilla de prompt.

나는 이 작업의 '더 큰' 버전이 아니라 '더 깊은' 버전을 원해. 
프롬프트를 다시 작성하기 전에 다음을 먼저 답해줘:

(1) 이 분야 최고의 전문가라면 내가 요청하지 않은 무엇을 여기서 수행할까?
(2) 이미 가공되어 요약된 자료 대신, 그들이 출발점으로 삼을 가장 원시적인(rawest) 데이터는 무엇일까?
(3) 그들이 사용할 구체적인 방법론과 도구는 무엇일까?
(4) 너나 나(주관적 판단) 외에, 결과물이 옳다는 것을 객관적으로 증명해 줄 수 있는 기준은 무엇일까?

그런 다음, 정확히 그 내용을 요구하도록 내 프롬프트를 다시 작성해 줘.

Esta solicitud obliga al modelo a descubrir por sí mismo las «herramientas de experto» y los «criterios de verificación independientes». ¹²

Ampliar el alcance: desglosar sustantivos en verbos y evitar el juego de roles

El último nivel es la estrategia para ampliar el alcance. Comienza al desglosar y definir el nombre de la tarea como «verbos». Es una técnica mencionada en el libro Técnicas de innovación de Tom Kelley y Jonathan Littman. La revisión trimestral de negocio no es simplemente una «presentación (sustantivo)», sino que puede redefinirse como «convencer a personas ocupadas con una narrativa sobre relaciones causales y lograr que tomen decisiones en 30 minutos bajo incertidumbre (verbos)». Al contemplarla como un bloque de acciones, queda claro por qué se necesitan perspectivas de otros campos, como la psicología, el periodismo o la estadística, además del análisis de datos.

Sin embargo, hay que evitar juegos de roles simples como «habla como un inversor en cortos». Imitar únicamente el tono no permite obtener resultados de investigación de alta calidad. El responsable Rizeberg enfatiza que, en su lugar, se debe instruir diciendo: «Haz las tareas que un inversor en cortos realiza realmente cuando investiga su posición». El verdadero significado de ampliar el alcance no está en el juego de roles, sino en activar las técnicas de investigación reales de ese campo. ¹²

Conclusión

Los «prompts que elevan la ambición» presentados por el responsable Rizeberg no son plantillas que llenan un formato establecido. El potencial de la IA se traduce en un cambio cualitativo de los resultados cuando, al proporcionar los mismos datos, la dirección de la solicitud pasa de «redactar diapositivas» a «diseñar sistemas de alerta temprana» (altitud), se desplaza de «elaborar tablas» a «verificar con herramientas estadísticas independientes y datos sin procesar» (profundidad) y se expande de «imitar al presentador» a «ejecutar investigaciones de otros campos» (alcance). No obstante, conviene recordar que, para que estas instrucciones vayan más allá de la simple generación de texto y conduzcan al diseño y la verificación de sistemas reales, es un requisito previo que la IA tenga acceso a bases de datos o herramientas externas dentro de un entorno técnico adecuado.