Jon Hernández, experto en IA y formador, lo dice sin rodeos: si tratas a un modelo de lenguaje como un oráculo, perderás criterio. La herramienta brilla cuando la usas para pensar mejor, no para obedecer ciegamente. El problema es más humano que técnico.
Las luces del auditorio bajan y alguien al fondo levanta la mano con prisa de lunes. Es un diseñador de producto que lleva semanas atascado con un briefing. “¿Cuál es la mejor estrategia para lanzar esto en tres países?”, dice, mirando con fe a la pantalla donde parpadea ChatGPT. Jon Hernández sonríe, casi con ternura, y pronuncia la frase que desarma la sala: “La gente está utilizando ChatGPT para buscar respuestas y ese es el mayor error”. Varias cabezas asienten en silencio. Un silencio breve.
El error invisible: confundir respuesta con criterio
Pedimos a la IA lo que siempre pedimos a Google: una solución empaquetada. El reflejo es comprensible, vivimos saturados y encontrar “la” respuesta suena a alivio. El problema es que un modelo de lenguaje no es un juez, es un generador de texto plausible. Cuando lo tratas como adivino, te pierdes lo que mejor sabe hacer: mostrar el mapa, comparar caminos y señalar piedras. La trampa no está en la tecnología, está en nuestro impulso de cerrar el tema cuanto antes.
Piensa en esta escena: una emprendedora de e-commerce pide a ChatGPT “el mejor precio” para un nuevo producto. Lanza con esa cifra y durante dos semanas el tráfico sube, las ventas también, pero el margen se desploma. Ella vuelve al chat y pregunta por qué. No hay contexto, no hay datos de competencia ni estacionalidad ni costes. En sus talleres, cuenta Hernández, aquel “mejor precio” era simplemente una media razonable generada por patrones. “No era mentira. Era una frase probable”, dice. Y probable no es lo mismo que acertada.
Un LLM predice palabras, no verifica realidad. Por eso ofrece seguridad de tono sin garantías de contenido. Esa combinación puede ser adictiva para el cerebro cansado: suena bien, así que debe estar bien. Lo sensato es cambiar la pregunta. En vez de “¿Cuál es la respuesta?”, pide opciones, criterios de comparación y riesgos. Pide supuestos explícitos, pide límites. Cuando el modelo dibuja el espacio del problema, tu criterio se activa. El poder no está en la respuesta final, está en el proceso que te lleva a decidir.
Cómo preguntar como pro: el método Hernández
Hernández enseña una fórmula simple que cambia el juego: Rol + Objetivo + Contexto + Formato + Criterios + Límites + Siguiente paso. Úsala tal cual. “Actúa como analista de producto. Objetivo: priorizar tres hipótesis de crecimiento para un SaaS B2B. Contexto: MRR 40k, churn 3,6%, equipo de 6, mercado España/Latam. Formato: tabla con hipótesis, impacto esperado, esfuerzo (bajo/medio/alto), riesgos, señales para validar. Criterios: maximizar MRR en 90 días sin subir CAC. Límites: no inventes datos; si faltan, marca ‘desconocido’. Siguiente paso: sugiere test rápido de validación.” Eso cambia el resultado.
Lo que más se repite en consultorías: preguntas vagas, objetivos difusos y cero límites. “¿Cuál es la mejor estrategia?” invita a un texto bonito y vacío. “Todos hemos vivido ese momento en el que pedimos magia para ayer.” La salida es concreta: da contexto operativo, define éxito, fija restricciones y pide formato accionable. Seamos honestos: nadie hace eso todos los días. Ayuda tener plantillas y un ritual de dos minutos para afinar la petición. Un buen prompt ahorra horas de corrección.
Una cosa más: evita pedir “verdades”, pide marcos, señales y banderas rojas.
“La gente está utilizando ChatGPT para buscar respuestas y ese es el mayor error”, repite Hernández, “porque la respuesta sin criterio es una moneda al aire con buen copy.”
Aquí va una mini-cheatlist para imprimir:
- Rol y objetivo en una línea clara.
- Contexto medible: mercado, métricas, límites.
- Formato de salida: tabla, lista priorizada, checklist.
- Criterios de evaluación y restricciones explícitas.
- Un siguiente paso verificable en el mundo real.
De respuestas a decisiones: usar la IA como sparring
Imagina que no quieres “la mejor idea”, quieres una cancha para jugar. Pide una matriz con 5 alternativas, beneficios, costes, riesgos y supuestos. Añade criterios ponderados y una columna de “qué tendría que ser cierto para que esto funcione”. Ese “sparring” convierte un párrafo bonito en un tablero de decisiones. Luego tú decides, no el modelo. **Pregunta mejor, no pidas la solución.** Cuando la IA funciona como espejo, tu juicio se afila. Cuando funciona como juez, te relajas y pierdes el hilo.
Otra técnica que Hernández repite: exigir rastros. Solicita 5 fuentes con URL, fecha y alcance; pide un resumen de cada una en dos líneas y una etiqueta de confianza. Abre los enlaces, coteja titulares, busca contradicciones. Repite usando términos opuestos para captar diversidad (“beneficios” vs “riesgos”, “a favor” vs “en contra”). **Verifica antes de confiar.** Y si el tema es sensible —salud, finanzas, legal—, no delegues el criterio en una máquina. Usa el chat como asistente de búsqueda, no como cierre.
Construir criterio es un hábito. Reserva 10 minutos para explorar con IA y 5 para decidir sin ella. Lleva una libreta de prompts que te funcionaron y otra con errores típicos. Pide que te señale los supuestos ocultos y los datos que faltan. *La respuesta no es el destino, es una pista.* **Usa la IA como espejo, no como oráculo.** Con ese gesto, tu trabajo gana en claridad y, curiosamente, también en velocidad.
Quizá esto vaya de desaprender. Dejamos de teclear “mejor X” como si el mundo cupiera en un adjetivo, y empezamos a diseñar preguntas que abren, comparan y filtran. Hay algo liberador en aceptar que los modelos saben escribir con soltura, pero tú decides con consecuencias. Cuando Hernández habla, no suena a dogma tecnológico, suena a oficio: encuadra bien, limita el campo, define cómo medir, pide el siguiente paso. Lo demás es ruido bonito. A medida que más gente cambia la pregunta, cambia la calidad de lo que hacemos. Y eso se contagia.
| Point clé | Détail | Intérêt pour le lecteur |
|---|---|---|
| Formular buenas preguntas | Rol + Objetivo + Contexto + Formato + Criterios + Límites + Siguiente paso | Mejores salidas en menos tiempo |
| Evitar respuestas “definitivas” | Pedir opciones, riesgos y supuestos antes que “la mejor” | Decisiones más sólidas y menos sesgo |
| Verificación mínima | Fuentes con URL, fecha y etiqueta de confianza | Reducir errores y alucinaciones |
FAQ :
- ¿Cómo evito que ChatGPT me dé textos vagos?Da contexto medible, pide un formato específico y define criterios de evaluación.
- ¿Qué hago si necesito datos exactos?Solicita fuentes con enlace y fecha, y valida manualmente antes de usar cifras.
- ¿Puedo pedirle que “piense paso a paso”?Mejor pide que liste supuestos, alternativas y señales de validación sin exigir procesos internos.
- ¿Sirve para temas complejos de negocio?Sí, como sparring: opciones, trade-offs, riesgos y un siguiente paso de prueba.
- ¿Cómo integro esto en mi rutina?Ritual corto: 2 minutos para encuadrar la petición y 5 para verificar lo esencial.
Super mise au point. Traiter un LLM comme un sparring, pas comme un juge, ça change tout. La formule Rôle + Objectif + Contexte + Format + Critéres + Limites + Prochain pas m’aide déjà: je passe de paragraphes flous à un tableau actionnable. Petit bémol: quand on n’a pas les données, où placer la frontière entre “inconnu” et “à estimer” sans bloquer l’équipe?
Facile de dire “ne cherchez pas de réponses”, mais dans la vraie vie on a des deadlines et un boss. Si l’outil peut donner 80% vite, pourquoi s’en priver? Ce discours me parait un peu idéaliste (même si je suis d’accord sur le verifer/valider derrière).