Cómo estoy aprendiendo a trabajar mejor con IA: primero el framework, después el prompt
Durante los últimos meses hemos convertido los prompts casi en una disciplina propia. Hay listas de prompts para vender más, analizar datos, crear contenido, preparar reuniones, hacer campañas o tomar decisiones. Y sí, un buen prompt importa. ¡Por supuesto!
Pero cuanto más trabajo con inteligencia artificial, más clara tengo una cosa: el prompt no es la parte más importante del proceso. Muchas veces, lo que determina si la IA te devuelve algo útil o una respuesta genérica es lo que has construido antes de escribir el prompt. Ese “antes” es el framework. Y entender esta diferencia cambia bastante la manera de trabajar con herramientas como ChatGPT.
Primero: ¿qué es exactamente un framework?
Sin complicarlo -o lo intentaré-, un framework es simplemente una estructura para pensar un problema. No tiene que ser una fórmula sofisticada ni tener un nombre en inglés. Puede ser algo tan sencillo como: problema → posibles causas → datos que necesito → decisión
Eso ya es un framework. La diferencia es importante porque evita empezar una conversación con la IA desde una pregunta demasiado abierta. Por ejemplo: prompt sin framework: “¿Por qué están bajando mis ventas?” La IA puede darte veinte razones posibles.
-
Precio.
-
Competencia.
-
Publicidad.
-
Web.
-
Producto.
-
Estacionalidad.
Todo puede ser cierto. Y al mismo tiempo, nada de eso te ayuda necesariamente a decidir qué hacer mañana.
Prompt vs framework: no son lo mismo
Un prompt es la instrucción que le das a la IA. Un framework es la lógica que quieres que siga para llegar a una conclusión. Podríamos resumirlo así: el prompt pregunta. El framework ordena el razonamiento.
Y esta diferencia es especialmente importante cuando utilizamos IA para trabajar, analizar problemas o tomar decisiones. Porque cuando el problema es complejo, una respuesta rápida no siempre es una buena respuesta.
Un ejemplo muy sencillo
Imagina que tienes una tienda online y las ventas han caído esta semana. Podrías preguntarle a ChatGPT: “analiza por qué han bajado mis ventas.” Probablemente recibirías una respuesta razonable. Pero ahora imagina que antes defines esta estructura: síntoma → hipótesis → evidencia → diagnóstico → acción. Entonces el análisis cambia.
1. Síntoma
«Las ventas han bajado un 20%». Eso es lo que observamos. Pero todavía no sabemos por qué. Y aquí aparece un error muy habitual: confundir el síntoma con el problema. “Han bajado las ventas” no es todavía el diagnóstico. Es únicamente la señal de que algo está ocurriendo.
2. Hipótesis
Ahora planteamos posibles causas. Por ejemplo:
-
Ha bajado el tráfico
-
Ha empeorado la tasa de conversión
-
Ha aumentado el precio
-
Hay productos sin stock
-
El checkout está fallando
-
Las campañas están trayendo tráfico de peor calidad
Todavía no estamos diciendo cuál es la respuesta. Estamos construyendo posibilidades.
3. Evidencia
¿Qué datos necesito para comprobar cada hipótesis Por ejemplo: Si sospecho que el problema está en la conversión, revisaría:
-
Tasa de conversión
-
Comportamiento de la landing
-
Abandono de carrito
-
Checkout
-
Dispositivos
-
Precio
-
Stock
Ahora la IA ya no está “opinando”. Está ayudándome a investigar.
4. Diagnóstico
Después de revisar los datos, podemos identificar dónde está realmente el problema. Quizá el tráfico es exactamente el mismo que la semana anterior. Pero la conversión ha caído del 3% al 1,5%. Entonces ya sabemos algo importante: el problema probablemente no está en conseguir visitas. Está después del clic.
5. Acción
Solo ahora decidimos qué hacer. Revisar la landing, comprobar el checkout, analizar cambios de precio, detectar errores técnicos. La diferencia parece pequeña, pero no lo es. En el primer caso le pedíamos a la IA una respuesta. En el segundo, le estábamos dando una estructura para ayudarnos a llegar a una conclusión.
La IA puede responder muy rápido. Ese también es el problema.
Una de las características más impresionantes de la inteligencia artificial es su velocidad. Preguntas algo y tienes una respuesta en segundos. Pero esa velocidad puede generar una falsa sensación de certeza. La respuesta suena lógica, está bien escrita, tiene estructura, y precisamente por eso resulta muy fácil asumir que es correcta.
Por eso, cuando utilizamos IA para tomar decisiones, el objetivo no debería ser únicamente conseguir una respuesta. Debería ser construir un proceso que nos permita cuestionarla, validarla y mejorarla. Los frameworks ayudan precisamente con eso.
Otro ejemplo: “¿Qué campaña debería pausar?”
Pensemos ahora en publicidad digital. Tenemos tres campañas:
-
Campaña A: CPA de 20 €
-
Campaña B: CPA de 30 €
-
Campaña C: CPA de 45 €
Podríamos preguntarle a la IA: “¿qué campaña debería pausar?” A simple vista parece obvio. La C. Tiene el CPA más alto. Pero faltan datos. ¿Qué margen tiene cada producto? ¿Qué calidad tienen esos clientes? ¿Qué LTV generan? ¿Cuánto volumen produce cada campaña? ¿Qué objetivo tiene cada una?
Ahora construimos otro framework: resultado → impacto en negocio → contexto → decisión. Puede que la campaña C tenga un CPA más alto, pero venda un producto con muchísimo más margen. O que genere clientes que compran varias veces. Entonces la peor campaña según una métrica aislada podría ser una de las mejores desde el punto de vista del negocio.
Y aquí está uno de los aprendizajes más importantes: la IA puede analizar los datos que le das, pero no puede inventar el contexto que no le has proporcionado.
Los buenos frameworks reducen respuestas genéricas
Seguro que te ha pasado, le pides algo a ChatGPT y la respuesta empieza así: “depende de varios factores…” , y aparecen diez recomendaciones perfectamente correctas pero completamente genéricas. Esto no significa necesariamente que la IA funcione mal, muchas veces significa que la pregunta también era demasiado genérica. Un framework obliga a introducir:
Contexto
Criterios
Variables
Prioridades
Restricciones
Y cuanto mejor esté definido el problema, más útil suele ser la respuesta.
No necesitas frameworks complicados
Aquí también podemos pasarnos al otro extremo. No necesitas construir diagramas gigantes para cada pregunta.
Hay frameworks muy sencillos que sirven para muchísimas situaciones.
Para resolver un problema: síntoma → hipótesis → evidencia → diagnóstico → acción
Para priorizar tareas: impacto → urgencia → esfuerzo → prioridad
Para tomar una decisión: opciones → beneficios → riesgos → coste → decisión
Para analizar una campaña: objetivo → resultado → cuello de botella → hipótesis → test
Para crear contenido: audiencia → problema → idea → argumento → ejemplo → conclusión
Son estructuras simples. Pero hacen algo muy importante: obligan a pensar antes de preguntar.
Entonces, ¿los prompts no importan?
Sí importan. Pero creo que estamos poniendo demasiado foco en encontrar “el prompt perfecto”. Un buen prompt ayuda a:
Explicar contexto
Definir el objetivo
Especificar el formato
Establecer restricciones
Pedir profundidad
Todo eso mejora el resultado. Pero un prompt excelente aplicado a un problema mal definido sigue siendo un problema mal definido. Por eso, para mí, el orden correcto es:
1. Entender el problema.
2. Elegir una estructura para analizarlo.
3. Definir qué información necesita la IA.
4. Construir el prompt.
5. Revisar y cuestionar la respuesta.
La IA entra en el proceso. No sustituye el proceso.
El verdadero salto no está en aprender prompts
Durante un tiempo creo que veremos miles de bibliotecas de prompts, y muchas serán útiles. Pero el verdadero valor profesional estará en otra parte: en saber construir sistemas de trabajo alrededor de la IA.
Una persona que sabe copiar un prompt puede conseguir una buena respuesta. Una persona que sabe estructurar problemas puede utilizar la IA para trabajar mejor una y otra vez. Y esa diferencia va a ser cada vez más importante.
Porque las herramientas cambiarán, los modelos mejorarán, los prompts que hoy funcionan probablemente evolucionarán. Pero saber pensar un problema seguirá siendo útil.
Mi forma de verlo
No utilizo la IA para que piense por mí. La utilizo para ayudarme a pensar mejor, más rápido y con más estructura. A veces para detectar algo que no había considerado, otras para cuestionar una hipótesis. O para ordenar información que tengo dispersa.
Pero intento que haya siempre una lógica detrás. Porque si empiezas por: “dime qué tengo que hacer.” Le estás entregando demasiado control a una herramienta que no conoce todo tu contexto. En cambio, si empiezas por: “este es el problema, estas son mis hipótesis, estos son los datos y estos son mis criterios. Ayúdame a analizarlos.” La conversación cambia completamente. ¿Se entiende?
En resumen
Un buen prompt puede mejorar una respuesta. Un buen framework puede mejorar todo el proceso de pensamiento que ocurre antes de esa respuesta.
Por eso, si estás empezando a integrar inteligencia artificial en tu trabajo, mi recomendación no es aprender cien prompts. Empieza por algo más sencillo: aprende a estructurar mejor los problemas que quieres resolver.
Después utiliza la IA para ayudarte dentro de esa estructura. Porque al final, el verdadero potencial de estas herramientas no está solo en que respondan más rápido. Está en que podamos utilizarlas para tomar mejores decisiones.