Hay una idea que se ha instalado con demasiada facilidad alrededor de la Inteligencia Artificial: que basta con encontrar el prompt adecuado para poder hacer casi cualquier cosa. Programar sin saber programar, diseñar sin saber diseño, crear una estrategia de marketing sin entender marketing, automatizar procesos sin conocer cómo funcionan o analizar cuestiones complejas sin dominar mínimamente la materia.
La promesa siempre es parecida: si encuentras la instrucción correcta, la IA hará el resto. El famoso prompt mágico… Pero ese prompt no existe.
Lo que sí existe es una tecnología extraordinariamente potente capaz de producir resultados muy convincentes en áreas que nosotros no dominamos. Y ahí aparece uno de los problemas más interesantes de la IA generativa, que puede producir un resultado mucho antes de que nosotros hayamos adquirido la competencia necesaria para saber si ese resultado es bueno.
Una conversación que me hizo pensar
Hace poco impartí una formación en Bilbao sobre la aplicación de la Inteligencia Artificial en Recursos Humanos. Durante la sesión, uno de los asistentes me pidió —y casi podría decir que con cierta exigencia— que le enseñara a programar utilizando IA.
La petición, en sí misma, no tenía nada de malo. De hecho, creo que la Inteligencia Artificial es probablemente una de las mejores herramientas que hemos tenido nunca para aprender programación. El problema era otro: no quería aprender programación utilizando IA; quería aprender a programar con IA sin saber programar.
Y no hablo de alguien que no dominara Python, JavaScript o PHP. Hablo de una persona que no conocía conceptos básicos como qué es una base de datos, para qué sirve MySQL, qué papel desempeña HTML, qué hace PHP, cómo funciona SMTP, qué es una API o cómo se comunican entre sí las distintas partes de una aplicación.
Aun así, decidí seguir adelante y explicarle cómo abordaría yo el problema. Y empecé por donde creo que debe empezar cualquier trabajo serio con Inteligencia Artificial: por el criterio.
Le expliqué que antes de pedir código necesitábamos construir el contexto necesario. Había que definir qué queríamos hacer, qué tecnologías podían intervenir, qué restricciones existían, qué riesgos debíamos contemplar y qué condiciones debía cumplir el resultado.
Su respuesta fue que eso ya lo sabía. Yo le insistía en que no y él insistía en que sí.
Y ahí estaba (y está), en realidad, el problema.
Saber lo que quieres no significa saber cómo hacerlo
Podemos tener perfectamente claro el resultado que queremos conseguir sin tener el conocimiento necesario para dirigir cómo debe conseguirse.
“Quiero una aplicación que permita a mis clientes registrarse, guardar sus datos y recibir un correo” es un objetivo. Pero no es criterio técnico.
En cuanto intentamos convertir esa idea en una solución real aparecen preguntas que alguien debe saber formular y responder:
- ¿Dónde se almacenan los datos?
- ¿Cómo se autentica al usuario?
- ¿Cómo se validan las entradas?
- ¿Qué ocurre con las contraseñas?
- ¿Cómo se envía el correo?
- ¿Qué sucede si falla un servicio?
- ¿Qué medidas de seguridad necesitamos?
- ¿Qué arquitectura tiene sentido?
- ¿Qué datos podemos almacenar y cuáles no?
La IA puede ayudarnos a responder a todas esas preguntas, por supuesto. Pero si quien trabaja con ella no entiende mínimamente la disciplina, aparece un problema fundamental: puede recibir una respuesta impecablemente redactada y no tener ninguna capacidad real para determinar si es correcta.
Ese es el punto que muchas veces se pierde cuando hablamos de prompting. Saber pedir algo no equivale a saber dirigir un trabajo profesional.
Criterio y validación
En SCRIVEX, la metodología que desarrollé y que utilizo para trabajar con Inteligencia Artificial, el criterio no consiste simplemente en decirle a la IA lo que queremos. Consiste en trasladar el conocimiento, el contexto, las restricciones y las condiciones que necesita para trabajar correctamente.
Después llega la validación: comprobar que aquello que ha producido es correcto, fiable, coherente y suficientemente bueno como para que nosotros podamos asumir la responsabilidad sobre el resultado.
Si no conocemos mínimamente la materia sobre la que estamos trabajando, fallamos en ambas fases. No sabemos qué información necesita realmente la IA porque desconocemos qué elementos son importantes. Tampoco sabemos qué restricciones debemos establecer porque no conocemos los riesgos. Y, cuando recibimos la respuesta, nuestra capacidad de validación es muy limitada.
Podemos comprobar que algo funciona, pero funcionar no es validar.
Una aplicación puede funcionar y ser insegura. Una automatización puede funcionar y perder datos en cuanto aparece una excepción. Una campaña puede generar clics y estar destruyendo margen. Un logotipo puede resultar atractivo y ser completamente inútil como sistema de identidad visual.
La validación requiere conocimiento. No necesariamente el conocimiento de quien lleva veinte años trabajando en esa disciplina, pero sí el suficiente para entender qué se está haciendo, qué riesgos existen y cómo reconocer un resultado correcto.
La programación sólo hace el problema más evidente
La programación es probablemente el mejor ejemplo porque deja la contradicción completamente al descubierto.
Hoy podemos pedir a ChatGPT, Claude o cualquier otro modelo que genere cientos de líneas de código. Podemos describir una aplicación y obtener HTML, CSS, JavaScript, PHP, consultas SQL, conexiones con bases de datos y lógica de negocio en cuestión de minutos.
Es impresionante, pero que una IA pueda producir código no significa que quien lo recibe sepa programar.
Quien conoce programación puede utilizar la IA para acelerar su trabajo, explorar alternativas, detectar errores, documentar código o construir prototipos muchísimo más rápido. Quien está aprendiendo puede utilizarla como profesor, tutor y compañero de práctica. Ambos usos me parecen extraordinarios.
El problema aparece cuando alguien no sabe programar y tampoco quiere aprender los fundamentos, pero pretende utilizar una IA para desarrollar sistemas que después pondrá en producción.
En ese escenario, no está validando código. Está confiando en él.
Y una IA puede generar una consulta SQL vulnerable, exponer credenciales, proponer una arquitectura absurda, introducir una dependencia innecesaria o construir una solución que funciona hoy y se convierte en un problema dentro de seis meses.
Si no sabemos qué es una consulta SQL, una variable de entorno, una API, un sistema de autenticación o una política de permisos, difícilmente podremos detectar alguno de esos problemas.
El problema no es exclusivo de la programación
Podríamos hacer exactamente el mismo ejercicio con marketing.
Una persona puede pedir a una Inteligencia Artificial que diseñe una estrategia para lanzar un producto y recibir un documento aparentemente impecable: segmentación, propuesta de valor, canales, funnel, calendario de contenidos, campañas y KPIs.
Todo puede estar perfectamente ordenado y sonar profesional. Sin embargo, si quien recibe esa estrategia no entiende posicionamiento, conversión, atribución, adquisición de clientes o segmentación, ¿cómo puede saber si la propuesta es realmente buena?
Puede gustarle. Puede parecer coherente. Puede estar muy bien escrita. Pero ninguna de esas tres cosas demuestra que sea correcta.
En diseño sucede algo parecido. Hoy una IA puede generar un logotipo, una paleta de color, tipografías y aplicaciones de marca en segundos. Pero si no entendemos legibilidad, jerarquía, contraste, luz, accesibilidad, reproducción o construcción de sistemas visuales, podemos aprobar algo precioso que no funciona como identidad visual.
En Recursos Humanos el problema puede ser todavía más delicado. Podemos pedir a una IA que evalúe candidatos, proponga criterios de selección o analice currículums, pero si desconocemos selección, competencias, sesgos, protección de datos o impacto organizativo, corremos el riesgo de automatizar una mala decisión y darle, además, una apariencia de objetividad.
Y en automatización ocurre exactamente lo mismo. Podemos pedir a una IA que construya un flujo en n8n o Power Automate y conseguir que funcione perfectamente en nuestra primera prueba. Pero si no entendemos APIs, autenticación, estructuras de datos, tratamiento de errores o dependencias, descubriremos muy pronto que hacer funcionar algo una vez no es lo mismo que diseñar un sistema robusto.
La conclusión es incómoda, pero bastante sencilla: la Inteligencia Artificial democratiza muchísimo la ejecución, pero no democratiza automáticamente la competencia profesional.
El negocio de los prompts mágicos
Aquí tampoco quiero cargar toda la responsabilidad sobre quien llega a un curso pensando así, porque durante los últimos años se ha vendido exactamente esa idea.
Hemos visto constantemente mensajes del tipo “los diez prompts que te convertirán en experto”, “programa sin saber programar”, “crea una empresa con ChatGPT”, “haz el trabajo de un diseñador sin ser diseñador” o “estas son las instrucciones secretas que la IA no quiere que conozcas”.
Y, sinceramente, hay que diferenciar.
Hay formadores que intentan hacer accesible una tecnología compleja, explicar posibilidades y ayudar a la gente a utilizarla mejor. Y también hay vendedores de humo, oportunistas y, en algunos casos, auténticos estafadores que han descubierto que prometer resultados sin esfuerzo vende muchísimo más que explicar que para trabajar profesionalmente con Inteligencia Artificial siguen haciendo falta conocimiento, práctica, criterio y responsabilidad.
El problema de los prompts mágicos no es sólo que no existan. Es que han creado la expectativa de que el conocimiento profesional puede sustituirse por una instrucción bien escrita. Y eso es falso.
Un buen prompt puede mejorar muchísimo una respuesta. Dar contexto, establecer restricciones, proporcionar ejemplos o definir criterios de evaluación son prácticas fundamentales. Pero el prompt no sustituye el conocimiento: lo expresa.
Si detrás no hay conocimiento suficiente, podemos utilizar XML, asignar roles, crear veinte restricciones, incluir ejemplos y aplicar la técnica de prompting de moda, pero seguiremos sin tener capacidad para saber si la respuesta final es buena.
Copiar prompts no es aprender Inteligencia Artificial
Por eso también creo que deberíamos revisar qué entendemos por formación en IA.
Si un curso consiste en entregar cincuenta prompts para ejecutar tareas que los alumnos no entienden, probablemente no estamos enseñando Inteligencia Artificial. Estamos enseñando a copiar instrucciones.
Una formación seria debería enseñar algo bastante diferente: cómo analizar un problema, qué información necesita el modelo, cómo proporcionar contexto, qué restricciones establecer, cómo comprobar una respuesta, cómo detectar errores y cuándo debemos recurrir a un especialista.
El conocimiento de una disciplina sigue importando. Probablemente, en algunos contextos, importa incluso más que antes, porque ahora tenemos herramientas capaces de producir resultados extremadamente convincentes aunque estén equivocados.
Antes, muchas veces, nuestra falta de conocimientos nos impedía ejecutar una tarea, pero ahora podemos ejecutarla igualmente. Lo que puede seguir faltándonos es la capacidad para reconocer si la hemos ejecutado bien.
Y ese cambio es mucho más profundo de lo que parece.
La IA sí puede ayudarte a aprender lo que no sabes
Nada de esto significa que debamos utilizar Inteligencia Artificial únicamente en aquello que ya dominamos. Sería absurdo y desperdiciaría una de sus capacidades más potentes.
Si no sabemos programación, podemos utilizarla para aprender programación. Podemos pedirle que nos explique qué diferencia existe entre frontend y backend, qué es una base de datos, cómo funciona una API, por qué una aplicación necesita autenticación o qué significa una consulta SQL. Podemos pedir ejercicios, ejemplos, explicaciones progresivas y revisiones de nuestro propio trabajo.
Lo mismo ocurre con marketing, diseño, análisis de datos, automatización o cualquier otra disciplina.
La IA puede reducir muchísimo el tiempo necesario para adquirir conocimiento. Puede explicarnos un concepto de diez maneras distintas, adaptarse a nuestro nivel, generar ejemplos y acompañarnos durante el aprendizaje.
Pero existe un paso que no deberíamos intentar saltarnos: reconocer lo que no sabemos.
No saber no es ningún problema. Todos desconocemos infinitamente más cosas de las que conocemos. El problema aparece cuando confundimos la capacidad de obtener una respuesta con la capacidad de comprenderla y, todavía más, cuando creemos que utilizar una herramienta que produce resultados profesionales nos convierte automáticamente en profesionales de aquello que estamos haciendo.
La falsa promesa de hacer sin saber
Quizá esta sea la gran mentira que hay detrás de los prompts mágicos: hacernos creer que la Inteligencia Artificial elimina el conocimiento como requisito.
En realidad, lo que elimina o reduce es una parte del esfuerzo de ejecución.
Y no es lo mismo.
La IA puede escribir código, crear una imagen, analizar una hoja de cálculo, redactar una estrategia, construir una automatización o elaborar un documento complejo. Pero alguien sigue teniendo que responder a una pregunta fundamental: ¿está bien lo que ha generado?
Para responderla necesitamos conocimiento suficiente para entender el problema, criterio para dirigir el trabajo y capacidad de validación para asumir el resultado.
Por eso, antes de buscar el siguiente prompt mágico, quizá convenga hacerse otras preguntas:
- ¿Entiendo realmente el problema que quiero resolver?
- ¿Sé qué información necesita la IA?
- ¿Conozco las restricciones importantes?
- ¿Tengo capacidad para detectar si se equivoca?
- ¿Podría defender profesionalmente el resultado con mi propio nombre?
La Inteligencia Artificial puede hacer cada vez más cosas por nosotros, y eso es una oportunidad extraordinaria. Pero no puede regalarnos automáticamente el criterio que todavía no tenemos ni validar por nosotros aquello que no somos capaces de comprender.
La IA puede acelerar muchísimo el conocimiento. Lo que no puede hacer es sustituirlo.
