Así sé si una respuesta de IA es realmente buena

En el uso de la IA hay algo que se repite con una regularidad, bajo mi punto de vista, asombrosa.

La herramienta responde, el texto aparece en pantalla, y la persona hace una de dos cosas: lo acepta y lo usa, o lo descarta porque “no es lo que buscaba”.

En ambos casos, la decisión se toma de forma instintiva, sin criterio explícito.

Eso es un problema.

Porque cuando no tienes criterio para evaluar una respuesta, tampoco tienes capacidad para mejorarla. Y si no puedes mejorarla, dependes de la suerte en cada interacción.

Este artículo trata de cómo saber si una respuesta de IA es realmente buena. No si parece buena. Si lo es.

Lo primero que tengo que decir es que “buena respuesta” no es una categoría universal.

Una respuesta es buena en relación con una tarea concreta, un contexto concreto y un resultado esperado concreto. Fuera de eso, la pregunta no tiene respuesta.

Esto parece obvio pero no lo es en la práctica.

La mayoría de las personas que trabajan con IA no han definido con precisión qué resultado esperan antes de escribir la instrucción.

Tienen una idea general de lo que quieren: ”un email profesional”, “un resumen ejecutivo”, “una propuesta para un cliente”… pero no han especificado qué hace que ese email, ese resumen o esa propuesta sea exactamente lo que necesitan en esa situación.

Cuando el punto de partida es vago, la evaluación también lo es.

“No está mal” o “podría ser mejor” son respuestas que no te llevan a ningún sitio.

Es esta:

¿Podría enviar esto ahora mismo, sin tocar nada?

Si la respuesta es sí, la instrucción funcionó.

Si la respuesta es no, la siguiente pregunta es: ¿qué tendría que cambiar para que sí pudiera?

Esa segunda pregunta es la que revela dónde está el problema.

A veces el problema es de tono: la respuesta suena demasiado formal, o demasiado genérica, o no se parece a cómo escribo yo. Eso me dice que en la instrucción faltaba información sobre el destinatario o sobre el estilo esperado.

A veces el problema es de contenido: faltan datos, la respuesta inventa algo que no sé si es verdad, o mezcla ideas que no pertenecen al mismo nivel. Eso me dice que en la instrucción faltaba contexto, o que la tarea era demasiado amplia para lo que la IA podía resolver bien.

A veces el problema es de estructura: el texto tiene la información correcta pero en el orden equivocado, o en un formato que no se adapta a lo que necesito. Eso me dice que en la instrucción no especifiqué cómo quería que estuviera organizada la respuesta.

En todos los casos, el problema no está en la respuesta. Está en la instrucción. La respuesta me revela qué faltaba al principio.

Esto es lo que quiero decir cuando hablo de evaluar una respuesta de IA con criterio:

No se trata de juzgar si la herramienta es buena o mala. Se trata de usar la respuesta como información sobre lo que faltaba en la instrucción.

Ese cambio de perspectiva transforma la interacción con la IA de algo azaroso en algo que se puede mejorar de forma sistemática.

Hay una segunda pregunta que uso cuando la primera no es suficiente:

¿Qué tiene esto que yo no hubiera puesto?

Si la respuesta no tiene nada que yo no hubiera escrito por mi cuenta, la IA no está aportando valor.

Me está devolviendo mis propias ideas con otro formato. Eso puede ser útil para reescribir, organizar, estructurar, limpiar… pero no es el uso más potente que puedo hacer de la inteligencia artificial.

Cuando la IA aporta algo que yo no tenía, un ángulo distinto, una conexión que no había visto, un ejemplo más preciso que el que yo habría usado, eso sí es una respuesta de valor.

Y eso ocurre cuando la instrucción tiene suficiente contexto para que la IA pueda ir más allá de lo evidente.

La consecuencia práctica de todo esto es que el criterio para evaluar respuestas no se improvisa: se construye. Y se construye antes de escribir la instrucción, no después de leer la respuesta.

Lo que hago antes de escribir cualquier instrucción es definir tres cosas.

1/ Qué quiero exactamente, no “un resumen” sino “un resumen de tres párrafos para una persona que no conoce el proyecto”.

2/ Para quién es, no “un cliente” sino “un director de operaciones que lleva tres meses sin responder a mis correos”.

3/ Y cómo sabré que está bien, cuál es el criterio de éxito concreto que me permitiría enviarlo o usarlo sin modificarlo.

Cuando tengo esas tres cosas claras antes de empezar, la evaluación de la respuesta es más fácil.

Sé exactamente qué estoy buscando. Y si no lo encuentro, sé exactamente qué corregir en la instrucción.

Ojo, esto no es una habilidad avanzada que necesite tiempo ni conocimientos específicos para desarrollar.

Es una pregunta concreta que se puede empezar a usar hoy:

¿Podría usar esto ahora mismo? Si no, ¿qué falta?

Eso es suficiente para transformar cómo trabajas con IA.

Solo necesitas saber más sobre lo que quieres.

La diferencia entre quien mejora con la IA y quien no es esta: uno aprende a evaluar sus resultados, el otro aprende a culpar a la herramienta.

Si quieres construir un sistema propio para evaluar, mejorar e iterar sobre tus instrucciones de IA, eso es exactamente para lo que está pensado IA Fácil.

Lo encuentras en aquí.

PD. Y además cuentas con mi soporte personalizado e ilimitado por email.

En pocas palabras: