El arte de hablar con las máquinas

Hay una escena que se repite en casi todas las oficinas del planeta: alguien escribe una frase, pulsa Enter y, segundos después, tiene un guion, una presentación o el esqueleto de una aplicación. La IA generativa no es magia; es un sistema que responde a instrucciones. Y como toda herramienta poderosa, mejora cuando aprendemos a usarla.

En este vlog vamos a recorrer tres capas que, aunque parezcan mundos separados, forman un mismo ecosistema. Primero, la ingeniería de prompts: el arte de convertir una intención difusa en un encargo preciso. Después, el panorama tecnológico que nos rodea: robots que colaboran, objetos que sienten, infraestructuras que sostienen la nube y un marco TIC que decide quién se queda dentro de la conversación. Al final, los fundamentos de sistemas y datos: bases de datos, sistemas de información, entradas y salidas, machine learning y deep learning.

Ponte cómodo, coge algo de beber y quédate. Esto no es un tutorial para memorizar fórmulas: es una caja de herramientas para pensar mejor con máquinas.

La ingeniería de prompts es la disciplina de traducir intención en instrucciones claras. No se trata de encontrar la palabra secreta ni de rezarle a un modelo, sino de dar contexto, criterio y forma. Un buen prompt se parece más a una reunión de trabajo bien preparada que a un conjuro.

La anatomía de un buen prompt

Estos seis bloques no son obligatorios, pero cuando algo sale mal suele faltar alguno. Úsalos como lista de comprobación mental:

La fórmula no es una camisa de fuerza. Es una forma de detectar huecos: si tu prompt falla, vuelve a ella y pregúntate qué bloque está vacío. Casi siempre hay uno.

Tres prompts, tres oficios

La teoría está bien, pero esto se entiende mejor con ejemplos. Aquí tienes tres prompts completos: uno para video, uno para presentaciones y otro para software. Cópialos, adáptalos y hazlos tuyos.

Actúa como guionista y director de videos educativos.

Contexto: canal de divulgación tecnológica; audiencia de 18 a 35 años; video de 60 segundos para YouTube Shorts y Reels.

Tarea: escribe un guion sobre "qué es el IoT" con un gancho en los primeros 3 segundos.

Estructura: gancho → problema → ejemplo cotidiano → idea clave → cierre con llamada a la acción.

Formato: tabla con las columnas [segundo, voz en off, imagen o B-roll, texto en pantalla].

Tono: cercano, curioso, sin tecnicismos innecesarios.

Restricciones: máximo 140 palabras de voz en off; incluye subtítulos; no inventes datos ni cifras.

Criterio de éxito: una persona sin conocimientos técnicos entiende el concepto y recuerda un ejemplo al terminar.

Actúa como consultora de estrategia tecnológica.

Contexto: presentación de 10 diapositivas para el comité directivo de una empresa mediana que evalúa adoptar IA generativa.

Tarea: diseña la narrativa y el contenido diapositiva por diapositiva.

Incluye para cada diapositiva: título, mensaje clave en una frase, tres bullets, visual sugerido y nota del orador.

Formato: tabla en markdown.

Restricciones: no inventes cifras; escribe [dato pendiente] donde falte evidencia; lenguaje ejecutivo; foco en riesgos, quick wins y una hoja de ruta de 90 días.

Criterio de éxito: al terminar, el comité puede decidir un piloto concreto, con alcance y responsables.

Actúa como desarrolladora senior full-stack y revisora de código.

Contexto: aplicación web con React, TypeScript, Node.js/Express y PostgreSQL. Necesito un módulo de tareas con etiquetas.

Tarea: propone la estructura de archivos, el esquema SQL, los endpoints REST y los componentes principales.

Requisitos: validación con Zod, manejo de errores consistente, tests con Vitest, accesibilidad básica y paginación.

Formato: 1) plan breve; 2) código por archivo en bloques separados; 3) comandos para ejecutar las pruebas.

Restricciones: no añadas dependencias innecesarias; no expongas secretos; aplica SOLID sin sobreingeniería.

Criterio de éxito: el código compila, las pruebas pasan y puedo integrarlo sin refactorizar la arquitectura existente.

El ciclo de mejora

El primer resultado casi nunca es el definitivo, y está bien. Trabajar con IA es un diálogo, no una máquina expendedora. Este ciclo de cuatro pasos te ahorrará horas:

1. 1
   Define el resultado. Antes de escribir, imagina el entregable terminado. ¿Qué debe poder hacer quien lo reciba?
2. 2
   Escribe el brief. Aplica la anatomía: rol, contexto, tarea, restricciones, formato y criterio de éxito.
3. 3
   Pide una crítica. «Señala los tres puntos más débiles de esta respuesta y propone mejoras concretas». El modelo es un buen revisor de sí mismo.
4. 4
   Itera con evidencia. Añade ejemplos, corrige supuestos y verifica datos. La última palabra siempre es humana.

Lo que funciona y lo que no

Checklist antes de enviar

• ¿He definido el rol y el contexto?
• ¿La tarea empieza con un verbo claro?
• ¿Sé para quién es el resultado?
• ¿He especificado el formato de salida?
• ¿Hay restricciones de tono, longitud o datos?
• ¿Puedo comprobar objetivamente si el resultado es bueno?

Errores que cuestan tokens

La tecnología actual no avanza por carriles separados. Un robot necesita sensores, red, nube y modelos. Un sensor no vale nada sin una plataforma que procese sus datos. Y todo eso vive sobre una infraestructura que casi nadie ve, hasta que falla. Estamos en la era de la convergencia.

Cómo se conecta todo

Imagina una cadena de frío monitorizada. Un sensor mide la temperatura, el edge filtra y decide si hay que alertar, la red envía el dato, la nube lo guarda, un modelo detecta anomalías y el sistema activa una orden de revisión. Ese es el viaje completo:

«La tecnología ya no va por carriles separados: va en red. Entender una pieza exige mirar cómo se conecta con las demás».

Detrás de cada recomendación, cada dashboard y cada modelo que «parece entenderte» hay un sistema que organiza datos, los mueve y los transforma. Estos cinco conceptos son el vocabulario mínimo para no perderse en la conversación.

Machine Learning vs. Deep Learning

No son enemigos ni sinónimos: el deep learning es una familia dentro del machine learning. La pregunta útil no es cuál es «mejor», sino cuál encaja con tus datos, tu equipo y el nivel de explicabilidad que necesitas.

Del dato a la decisión

Un modelo no termina cuando alcanza buena precisión en el portátil. Termina cuando funciona en producción, se monitoriza y se puede mantener. Ese viaje se llama, cada vez más, MLOps:

Si tuviera que resumir todo lo anterior en tres ideas para llevar a la próxima reunión, serían estas.

Preguntas rápidas