La IA no falla por ser mala. Falla porque trabaja sobre supuestos que nadie corrigió. Karpathy lo llama la brecha entre lo que tú sabes y lo que el modelo realmente procesa. Y tiene un método concreto para cerrarla.
Tres capas. Ninguna opcional.
La especificación: empieza por el para qué
Antes de escribir un prompt, hay una pregunta que casi nadie se hace: ¿para qué es esto realmente? No el qué. El para qué.
Si no tienes claro el objetivo real, el modelo tampoco lo tendrá. Y cuando no lo tiene, supone. Y cuando supone, se equivoca con una confianza que no tiene ningún reparo en disimular.
La especificación tiene que ser concreta y gradual. Nada de enviar la tarea enorme de golpe. Subtareas pequeñas, revisables paso a paso. Obliga al modelo a validar las decisiones importantes antes de continuar. No asumas que entendió. Confirma que entendió.
Lo que no especificas, el agente lo decide por ti.
El verificador: define qué significa «bien hecho»
El modelo no sabe si el resultado es bueno o malo. No tiene criterio propio. Alguien tiene que definir qué significa «bien hecho» antes de que empiece a trabajar, no después de ver el resultado.
Sin criterios, cualquier output parece aceptable.
Con criterios, puedes ir más lejos: un segundo agente que evalúe si el resultado cumple con lo establecido. La IA genera, evalúa, corrige y vuelve a intentarlo. El bucle de feedback funciona exactamente así. Pero solo funciona si los criterios de salida están bien definidos. Un loop sin criterios no converge. Da vueltas.
El entorno: no empieces desde cero cada vez
El error más habitual no es usar mal la IA. Es reinventarla en cada sesión.
Sin contexto persistente, el modelo no sabe quién eres, cómo trabajas, qué restricciones aplican ni qué decisiones ya están tomadas. Cada conversación empieza desde cero.
La solución es construir el entorno una vez y reutilizarlo siempre. Un CLAUDE.md con las instrucciones base del proyecto. Una base de conocimiento con el contexto del negocio, los procesos y las decisiones tomadas. Skills para las tareas repetitivas. Reglas concretas: qué debe hacer siempre, qué debe preguntar antes de hacer y qué nunca debe hacer.
El entorno es lo que convierte el uso puntual de la IA en un sistema que mejora con el tiempo.
Un ejemplo concreto
Supón que necesitas implementar un módulo de exportación de datos en una aplicación web. Tienes el requisito, tienes la IA. Ahora aplicas las tres capas.
Especificaciones: No escribes «implementa la exportación de datos». Defines el objetivo real: los usuarios necesitan descargar sus registros en CSV y PDF para adjuntarlos en informes mensuales. Añades las restricciones que el modelo no conoce: solo ciertos roles pueden exportar, el volumen puede ser alto, el formato del CSV tiene que encajar con la herramienta que usa el cliente. Le pides que valide su interpretación antes de escribir una línea.
Verificador: Antes de que genere código, defines los criterios: el endpoint responde en menos de 2 segundos para hasta 10.000 registros, el CSV incluye las columnas X, Y y Z en ese orden, el PDF usa la plantilla corporativa. Con esos criterios, puedes configurar un agente que revise el output y detecte si algo no encaja, sin tener que revisarlo tú línea a línea.
Entorno: Tu CLAUDE.md ya documenta el stack, los patrones de arquitectura del equipo y las convenciones de nombrado. La skill de exportación reutiliza la estructura de otros módulos ya implementados. El modelo no inventa patrones nuevos: los aplica.
El resultado no es solo más rápido. Es más predecible. Y eso, a escala, es lo que importa.
Lo que no puedes delegar
Puedes externalizar tu pensamiento. No puedes externalizar tu comprensión.
El modelo puede generar, evaluar, corregir e iterar. Pero no puede saber cuál es tu objetivo real si tú no lo has clarificado. No puede establecer criterios de calidad si nadie los ha definido. No puede mantener el contexto de tu proyecto si nadie lo ha documentado.
La IA es una palanca. Pero necesita a alguien que decida dónde apoyarla.
Spec, verificador, entorno. No son trucos para sacarle más partido a la IA. Son los cimientos de cualquier proceso que pueda sostenerse en el tiempo.
