Quizás recuerdas algo parecido a esto cuando eras pequeño o lo has visto si tienes hijos o sobrinos pequeños. Jugando con ellos a la pelota, la lanzas al aire y, aunque no tienen ni idea de qué quiere decir “tiro parabólico”, el peque sabe dónde irá a parar y la coge antes de que caiga al suelo.

Saca tu móvil, abre tu aplicación de inteligencia artificial preferida y pregunta por la mecánica de tiro parabólico. La respuesta hablará de velocidad inicial, ángulo de tiro, el efecto de la gravedad y te mostrará la ecuación que te permitirá calcular dónde se espera que la pelota caiga. Pero no le pidas que atrape la pelota, no tiene ni manos para hacerlo.

Cuando somos niños, no aprendemos cómo funcionan las cosas leyendo. Aprendemos observando, escuchando, tocando. El chaval que sabe dónde irá la pelota que acaba de chutar no necesita hacer un cálculo de tiro parabólico; tiene lo que se ha dado por llamar un “modelo del mundo”.

¿Qué pasa cuando demostramos este argumento invirtiendo dinero?

Yann LeCun, que fue durante más de diez años jefe de inteligencia artificial de Meta, dejó el cargo en 2025. En marzo de este año fundó AMI Labs, un laboratorio con sede en París dedicado a crear lo que él llama “world models”: sistemas de IA entrenados con vídeo, audio y datos sensoriales. Modelos pensados para aprender a través de cómo se comporta el mundo físico en lugar de aprender qué palabra suele venir después de otra.

La primera ronda de financiación se cerró con 1.030 millones de dólares y una valoración previa de 3.500 millones. Entre los inversores hay fondos de capital riesgo con nombres previsibles, pero también algunos que llaman la atención. En este grupo están Tim Berners-Lee, el inventor de la web; Mark Cuban, empresario del mundo del deporte y el entretenimiento; y Eric Schmidt, exconsejero delegado de Google.

La tesis de LeCun es clara: los modelos de lenguaje actuales no van a llegar a inteligencia a nivel humano por mucho que se les escale. “Tenemos sistemas que pueden manipular lenguaje, pasar el examen de acceso a la abogacía, ganar olimpiadas internacionales de matemáticas, pero están completamente indefensos cuando se trata del mundo físico”.

Y aquí es donde su argumento se cruza con el del inicio de este artículo. Un niño pequeño no ha leído nada todavía, y aun así entiende el mundo mejor que un modelo entrenado con toda la Wikipedia. No es que sea más listo, es que ha recibido datos completamente distintos.

Poniendo cifras al argumento

Un niño de cuatro años ha estado despierto unas 16.000 horas de su vida. En ese tiempo, la cantidad de información que ha llegado a su corteza visual está alrededor de los 10 elevado a 15 bytes. Esta cantidad de información se puede comparar con todos los textos que existen. Una persona necesitaría 170.000 años para leerlos. Todos estos textos suman alrededor de 2 por 10 elevado a la 13 bytes.

Esto le da al niño dos ceros de diferencia. El niño lleva ventaja de dos órdenes de magnitud sobre lo que cualquier modelo de lenguaje podría absorber leyendo, y consiguió todos estos datos sin abrir ni un libro.

Esto no es una ocurrencia aislada de LeCun. Es la misma dirección en la que miran ahora mismo Demis Hassabis en Google DeepMind y Fei-Fei Li en World Labs. Tres laboratorios distintos, tres apuestas distintas que han llegado a la misma conclusión: el techo de los modelos basados en texto puede estar más cerca de lo que parecía hace dos años.

Antes de comprar la tesis entera, hay que tomar en cuenta algunos elementos

LeCun lleva prediciendo el techo de los LLM desde 2022. Ha dicho, en distintos formatos y distintos escenarios, que la arquitectura de predecir la siguiente palabra acabará siendo un callejón sin salida. Mientras tanto, los modelos de lenguaje no se han detenido: Los modelos de razonamiento actuales han seguido mejorando sobre los lanzados hace cuatro años. Justo en la dirección que la tesis de LeCun decía que no iba a poder subir. Llevar razón sobre el diagnóstico no es lo mismo que llevar razón sobre el calendario, y en este terreno el calendario es lo único que se puede comprobar.

Tampoco hay que perder de vista quién más está hablando de esto y por qué. Alexandre LeBrun, el consejero delegado que LeCun fichó para dirigir AMI Labs, dijo que “world models” se iba a convertir en la palabra de moda. Lo dijo el mismo día en que su empresa cerraba la ronda más grande del sector en lo que va de año. Pero levantar mil millones de dólares no es lo mismo que tener razón. Es una apuesta con mucho capital detrás, hecha por gente que ha acertado antes, sobre una tesis que todavía no se ha demostrado.

¿Cómo te puede afectar esto, si no eres LeCun?

Siento decirte que seguramente no entrenarás un world model esta tarde. Probablemente, tu trabajo con IA siga dependiendo de un chatbot entrenado con texto durante bastante tiempo. Pero hay algo que sí tener en cuenta cuando leas las noticias del sector los próximos meses.

Durante los últimos dos años, nuevos modelos de IA han significado casi siempre lo mismo: un modelo de texto más grande, más rápido, con más contexto y que consume menos recursos. Si la apuesta de los “world models” tiene algo de razón, es que el siguiente salto real no va a venir empaquetado como un chatbot mejor. Va a venir de sistemas que entienden imágenes en movimiento, su entorno en un espacio de tres dimensiones y el movimiento antes que la sintaxis. Probablemente, donde primero se notarán será en la robótica, conducción autónoma o diseño industrial antes que en la bandeja de entrada de tu correo electrónico.

Estoy seguro de que a medio plazo no obligará a cambiar de proveedor ni a reescribir su estrategia del 2027. Obliga a pensar que algún día el modelo que usas en tu día a día no va a ser simplemente una versión más grande del actual. Puede que sea otra cosa.

Miles de millones de dólares para enseñarle a una máquina lo que tu sobrino aprendió en el patio, sin financiación, sin ronda de inversores y sin una sola línea de código.

Puede que sea la mejor inversión de la década, pero también puede que el modelo de entrenamiento de tu sobrino no se pueda replicar por muchos recursos que le dediques.

Fuentes

• Yann LeCun’s AMI Labs raises $1.03B to build world models, TechCrunch (marzo 2026) — techcrunch.com

• AI pioneer Yann LeCun discusses new frontiers in the field at Brown lecture, Brown Daily Herald (abril 2026) — browndailyherald.com

• World Models Are AI’s Next Frontier, Time (julio 2026) — time.com

• Yann LeCun, comparación de bytes recibidos por la corteza visual de un niño de cuatro años frente a 170.000 años de lectura — Lex Fridman Podcast #416 — lexfridman.com

• Yann LeCun’s new venture is a contrarian bet against large language models, MIT Technology Review (enero 2026) — technologyreview.com

La automatización en el trabajo no es un tema de los últimos años. Los últimos 200 años esta máxima se repite por oleadas: la producción se multiplica con un número menor de personal al aplicarla. Y como ha ocurrido en todas las ocasiones, podemos hacer conjeturas de si estos procesos son una buena o una mala noticia.

Si la IA nos está liberando de media un 40% del tiempo productivo, puedes optar por dos vías. Reducir tu plantilla un 40% y mejorar tus márgenes gracias a la reducción de costes laborales o utilizar esa mejora de productividad para levantar más demanda y, por tanto, generar más ingresos.

Dos formas de capturar lo mismo

Reducir la plantilla podría parecer la opción más sencilla. El ahorro es directo y puedes verlo ese mismo trimestre. Pero, eso sí, alcanzas el techo muy rápidamente: cuando has despedido al 40% de tu equipo, ya está, a menos que sigas liberando más tiempo para seguir aplicando esa estrategia.

La opción de generar más producto o dar servicio a más clientes es una opción más complicada. No hay garantía de que la demanda aumente cuando tú la necesitas. Puede tardar medio año o puede no llegar nunca. Además, si llega, quizás vas a tener que rediseñar procesos, formar más gente, abrir nuevos mercados, aspectos que no tenías planeados. No hay techo, pero tampoco hay certeza.

Veamos qué dicen los datos

Ramp y Revelio Labs estudiaron la inversión en IA con registros de empleo de más de veintiún mil empresas estadounidenses entre enero de 2021 y febrero de 2026 (Ramp). Las empresas con mayor intensidad de gasto en IA, 33$ por empleado, frente a 3$ en las de baja intensidad, aumentaron plantilla un 10,2% en los dos años posteriores a la adopción. Y otro de los grandes debates en la adopción de la IA por parte de las empresas, la contratación de perfiles juniors, creció un 12% en las empresas con alta adopción de la IA (Revelio Labs).

Aquí es donde el titular te puede llevar al engaño. No dice exactamente “la IA crea empleo”. Dice más bien que “las empresas que ya eran más grandes, más técnicas y crecían más rápido, y que además gastan en IA, contratan más”. Los propios autores lo ven como una correlación, no como una causalidad: las empresas de baja intensidad de gasto no mostraron cambio estadísticamente significativo (The Register).

El Global AI Jobs Barometer 2026 de PwC, con datos de más de mil millones de ofertas de empleo en 27 países, apunta en la misma dirección desde otra fuente: las empresas más expuestas a IA crecieron un 52% en plantilla en 2025 sobre base 2018, frente al 36% de las menos expuestas (PwC).

Ninguno de los dos estudios prueba que la IA cree empleo, pero sí parece indicar que por lo menos, tampoco lo destruye. Prueban que, de momento, en las empresas que ya tenían viento a favor, gastar en IA y contratar más van de la mano.

Septiembre

Y aquí está el momento de la verdad, que no sale en los estudios. La opción fácil no requiere una decisión consciente. Es fácil de defender en la primera reunión de presupuestos para el próximo ejercicio, donde alguien proyecta cuánto bajarán los costes laborales al sustituir a parte del equipo por agentes de IA. La opción de crecimiento sí requiere una decisión consciente, sostenida durante quizás varios meses sin resultado visible, teniendo que defenderla ante un consejo que quiere ver la cifra de crecimiento ya.

La segunda opción es más fácil de tomar en empresas que ya tienen un producto que escalar y un mercado nuevo que atacar antes de que llegara la IA.

El 40% de tiempo liberado es real. Lo que hagas con él no lo decide la tecnología. Lo decides tú, en una reunión, probablemente sin datos, probablemente este mismo septiembre.

No sé si te pasa lo mismo, pero yo no paro de escuchar a gente criticando a las IA porque se inventan cosas y cometen errores. Es igual que le dediques tiempo a explicar que las alucinaciones son cada vez menores o algo más contraintuitivo; que lo mejor que nos puede pasar es que podamos identificarlas para no usar información errónea al trabajar con ellas. Pero seguramente la mejor respuesta es utilizar la técnica de respuesta a la gallega: responder con una pregunta.

Preguntarle en qué se equivoca él o ella.

No solemos contabilizar las veces que nos equivocamos nosotros; la cifra seguramente sería astronómica. Todos damos por descontado que existe un margen de error humano en cualquier proceso y realmente nunca le hemos dedicado demasiado tiempo a medirlo. Pero si utilizamos una máquina “inteligente”, en cambio, el error es inadmisible. Le pedimos a la IA una precisión que no le pedimos al becario, al director de cuentas ni a nosotros mismos.

Escuchando el otro día a Pep Martorell, físico y experto en supercomputación, en el podcast de Arpa Talks, encontré la definición más clara de por qué esta dicotomía está mal planteada:

“Los errores que la IA comete acostumbran a estar muy descorrelacionados con los errores que los humanos cometemos. Donde la IA sufre, nosotros lo hacemos muy bien. Y donde a nosotros nos cuesta mucho, la IA lo hace muy bien. A nivel matemático, hay gente que dice que algebraicamente son perpendiculares.”

Y como Martorell dice que esto “se ha demostrado”, pero no cita a nadie en la conversación, me he dedicado a buscar quién lo ha demostrado y qué demostró exactamente. La respuesta tiene dos partes, y la segunda puede poner en duda la afirmación.

La primera parte le da la razón

La descorrelación existe y está medida.

La fuente más citada es el estudio de Fabrizio Dell’Acqua y su equipo de Harvard, que realizó con 758 consultores de Boston Consulting Group.

En las tareas que caían dentro de lo que llamaron la frontera irregular de la tecnología, los consultores con acceso a GPT-4 completaron un 12,2% más de tareas, un 25,1% más rápido y con un 40% más de calidad. En las tareas que caían fuera de esa frontera, los mismos consultores con la misma herramienta consiguieron 19 puntos porcentuales menos de calidad en el trabajo que los que trabajaban sin ella.

Los mismos consultores, en el mismo periodo de tiempo de una semana en concreto. Dependiendo del tipo de trabajo, mejoraron un cuarenta por ciento mejor en unos o un diecinueve puntos peor en otros. Eso no es un fallo en el modelo: es uno cuyo perfil de competencia no se parece al nuestro y que además no es tan evidente en qué se diferencia.

Un buen ejemplo es lo que pasa en el diagnóstico radiológico. El potencial error diagnóstico humano viene de lo que la literatura llama mind-wandering: esa fracción de segundo en que el ojo pasa por encima de la imagen de una lesión, pero la cabeza del radiólogo está en otro sitio. Es un fallo aleatorio, no sistemático, y por eso un segundo radiólogo rara vez repite el fallo del primero. Pero en los sistemas de visión artificial fallan justamente al revés: nunca se distraen, pero se equivocan de forma consistente en los mismos casos complicados. De este ejemplo aparece el argumento de que el radiólogo humano con el sistema de visión artificial rinde juntos más que cualquiera de los dos por separado.

No existe ningún paper que demuestre que el vector de error de un humano y el de un modelo de lenguaje formen un ángulo de noventa grados. Lo que sí existe es el teorema que la sostiene: el de la predicción diversa, de Scott Page. Que se expresa de forma resumida diciendo que cuanto menos se parezcan los que se equivocan, menos se equivoca el conjunto.

La segunda parte nos complica la vida

En octubre de 2024, Michelle Vaccaro, Abdullah Almaatouq y Thomas Malone, del MIT Center for Collective Intelligence, buscaban exactamente esto: cuándo la combinación de humano y máquina supera a cada uno por su cuenta.

El resultado agregado es que la combinación rindió significativamente peor que el mejor de los dos por separado.

Los matices importan más que el titular. Las pérdidas de rendimiento se concentraron en tareas de decisión y las ganancias en tareas de creación de contenido. Y hay un hallazgo que debería estar colgado en la pared de cualquiera que esté montando un flujo con IA: cuando el humano era mejor que la máquina, la combinación ganaba; cuando la máquina era mejor que el humano, la combinación perdía. Es decir, el humano metido a supervisor de algo que la máquina hace mejor que él resta.

Así que no, no está demostrado que juntar personas e IA mejore el resultado. Está demostrado lo contrario, en promedio.

Y sin embargo, esto no desmonta la afirmación de Pep Martorell. Desmonta la mitad optimista de su frase y confirma la que justo dijo a continuación:

“Lo importante no es intentar corregir el error de la IA; lo relevante es que el proceso esté hecho de tal manera que la IA y los humanos nos podamos combinar para que, cuando uno no es fino, el otro lo compense.”

La descorrelación es la materia prima, pero no es producto acabado. Está ahí y se aprovecha en pocas ocasiones. La diferencia fundamental está en el diseño del proceso, y ese es un trabajo que hay que hacer a mano.

¿Por qué nos perdemos por el camino?

Hay un motivo bien documentado y es bueno entenderlo para sacarle partido.

El sesgo de automatización describe nuestra tendencia a aceptar lo que propone un sistema automático en lugar de seguir buscando por nuestra cuenta. Se agrava bajo presión de tiempo y con carga cognitiva alta, y tiene una simetría cruel: las tareas fáciles generan complacencia y las difíciles generan dependencia. En el propio experimento de BCG, cuando los consultores discutían con el modelo y le señalaban un error, el modelo no reconocía su límite: se disculpaba, corregía y volvía a defender su posición original con más datos de apoyo.

Otro caso interesante lo publicó METR en julio de 2025. Dieciséis desarrolladores experimentados, 246 tareas reales sobre repositorios que conocían bien, con las mejores herramientas de IA disponibles. Tardaron un 19% más con IA que sin ella. Y al terminar, pensaban que les había hecho ir un 20% más rápido.

Cuarenta puntos de distancia entre lo que pasó y lo que percibieron que pasaba. Parece que, por el momento, somos malos juzgando si la máquina nos está ayudando y cuánto lo está haciendo.

¿Dónde falla cada uno en el flujo de trabajo?

Vamos a plantear un ejemplo de nuestro trabajo cotidiano.

La IA no falla escribiendo cien variantes de un copy. Las escribe todas, en dos minutos, y algunas mejores que las tuyas de media. Falla decidiendo cuál de las cien encaja con lo que el cliente dijo de pasada en la reunión del martes pasado, ese comentario sobre que el año anterior una campaña parecida les generó un problema con distribución y que nadie apuntó en ningún sitio.

Tú fallas exactamente al revés. Esa frase del martes la tienes intacta. Lo que no tienes es la paciencia de escribir cien variantes: escribes seis, y a partir de la cuarta todas se parecen bastante entre sí, porque llevas doce años escribiendo y tu cabeza tiene surcos.

Un proceso que reconoce esto separa las dos cosas. La máquina genera volumen y variedad; la persona aporta el contexto que no está escrito en ninguna parte y decide. Un proceso que lo ignora hace lo contrario: le pide a la IA que elija la mejor opción y luego pone a una persona a leer las cien por encima para dar el visto bueno.

La pregunta, entonces, no es cuánto se equivoca tu modelo. Es en qué punto exacto de tu flujo debe entrar el criterio humano; ese punto debe ser donde tú eres mejor y no donde simplemente te sientes más cómodo vigilando.

Hay herramientas que se han integrado tanto en el día a día de nuestro trabajo, que damos por hecho que estarán ahí justo hasta el día que faltan.

Tu correo electrónico, la plataforma de CRM o esa hoja de cálculo que nadie entiende del todo cómo funciona, pero que es la base de un proceso. También podría empezar a pasar con la inteligencia artificial. Ya es parte indispensable de tu trabajo; la usas para preparar una propuesta, revisar código, resumir documentos o desbloquear una tarea que llevaba demasiado tiempo atascada. Funciona bien. La integras. Y un día descubres que no es tan seguro que esté disponible como pensabas.

Desde el lanzamiento de ChatGPT en noviembre del 2022 hemos dado por sentado una regla: los modelos más potentes acababan llegando a tu suscripción de pago de IA, aunque sea la de veinte euros al mes. Salé uno nuevo y, poco después, estaba al alcance de cualquiera: tú, un laboratorio de cualquier universidad, tu banco de inversión o la administración pública.

Esa regla dejó de estar tan clara el 12 de junio.

El día que apagaron el modelo

El 9 de junio, Anthropic anunció Claude Fable 5, disponible para cualquier usuario de pago desde ese mismo día. Claude Mythos 5, con la misma base técnica pero sin los límites para su uso en ciberseguridad, se reservó a socios de confianza, equipos de defensa e infraestructuras críticas.

No fue una decisión tomada por la administración; la tomó la propia compañía.

Desde abril, una versión previa de Mythos circulaba entre unas cincuenta organizaciones dentro de Project Glasswing. La utilizaron para localizar vulnerabilidades graves o críticas en software esencial: sistemas operativos, navegadores y otras piezas de infraestructura de las principales compañías.

Tres días después del lanzamiento, el Departamento de Comercio de Estados Unidos ordenó parar el acceso a los dos modelos invocando controles de exportación. El 12 de junio dejaron de funcionar para todo el mundo.

La orden prohibía el acceso a cualquier extranjero, viviera donde viviera. Y como Anthropic no podía comprobar en tiempo real la nacionalidad de cada usuario, hizo lo único que podía hacer: desconectar el servicio completo.

La razón de la decisión ha ocurrido anteriormente en la breve historia de la IAG. Investigadores de Amazon descubrieron que el modelo se negaba si le pedías buscar fallos de seguridad en un programa, pero colaboraba si le pedías leer ese mismo código y corregir los fallos encontrados. Hacía lo que se suponía que no aceptaría hacer; solamente bastaba cambiar un verbo para pasar de una negativa a una capacidad útil, tanto para quien protege sistemas como para quien quiere atacarlos.

Anthropic no negó el problema. Su respuesta fue que otros modelos hacían algo parecido y que revisar código para detectar errores forma parte del trabajo normal de los equipos de seguridad.

Aun así, durante dieciocho días, empresas que habían integrado ese modelo en sus procesos se encontraron que no lo podían desplegar y no tenían la posibilidad de reclamar.

No hubo juicio: hubo una negociación

El episodio no se resolvió con una demanda ni con una sentencia. Se resolvió con dos semanas de conversaciones.

Anthropic puso a uno de sus cofundadores al frente de la negociación y revisó los modelos junto al Departamento de Comercio. El 26 de junio, se autorizó que Mythos 5 volviera a un círculo restringido de organizaciones estadounidenses vinculadas a infraestructuras críticas. El 30 se levantaron los controles sobre Fable 5 y el 1 de julio volvió a estar disponible para cualquiera.

Pero no era exactamente el mismo modelo.

Anthropic añadió un filtro contra esa forma concreta de formular peticiones. El coste de esa modificación afloró pronto: aparecieron negativas ante solicitudes perfectamente normales de trabajo con código. La seguridad se pagó en usabilidad del producto.

Además, en la carta que levantaba las restricciones, Comercio explicaba que Anthropic había aceptado colaborar con el Gobierno en «protocolos, estándares y lanzamientos» de los modelos afectados.

No cerraron solamente un incidente puntual. Abrieron una forma de intervenir en los lanzamientos futuros.

La frontera de capacidad ya tiene controles

Podrías pensar que esto solo afecta a Estados Unidos. Pero el patrón se replicó rápidamente en otras jurisdicciones.

El 7 de julio, Reuters informó de reuniones entre el Ministerio de Comercio chino y las grandes compañías de IA del país para estudiar un sistema por niveles que limite el acceso extranjero a los modelos más avanzados, incluidos algunos que todavía no han sido lanzados.

Poco después, el 2 de agosto, la Comisión Europea activó sus poderes de ejecución sobre los modelos de propósito general del AI Act. Puede exigir documentación, evaluar sistemas, obligar a corregirlos o retirarlos del mercado europeo.

Tres jurisdicciones. Una misma decisión.

Resumiendo mucho la situación, podemos decir que quien fabrica el modelo fija el precio. Pero las administraciones de cada mercado pueden decidir quién lo utiliza y en qué condiciones.

Esto no debería quitarte el sueño. Todavía

Conviene no exagerar. Todo esto ocurre en los modelos de frontera, donde trabajan pocas organizaciones.

Si utilizas IA para redactar, resumir, traducir, ordenar información, preparar propuestas o quitar trabajo mecánico de una hoja de cálculo, no necesitas el modelo más potente del planeta. La mayoría usamos sistemas uno o dos escalones por debajo de esa frontera, y ahí apenas ha cambiado nada.

El problema no es que dependas hoy de la frontera. Es que la frontera viene hacia ti con el paso de los meses.

El modelo que ahora requiere supervisión especial puede ser, dentro de un año, el que venga incluido en una suscripción corriente. Y llegará con las condiciones, filtros y límites que se hayan decidido antes. Lo que se discute hoy en Washington, Bruselas o Pekín puede determinar lo que tendrás disponible el próximo año y tendrás que jugar con esas reglas.

Hay otra diferencia importante. Dieciocho días sin una herramienta es una molestia para quien la usa para escribir. Es un problema de negocio para quien la ha metido dentro de un proceso que tiene clientes al otro lado.

La diferencia no está en el tamaño de la empresa, sino en cuánto ha automatizado.

El plan B no tiene por qué estar en tu servidor

La reacción lógica es pensar: «Pues me instalo un modelo abierto y dejo de depender de ellos».

Es más razonable que hace un año. Los modelos abiertos han recortado distancia de los comerciales respecto a su potencia; para muchas tareas de empresa, llegar unos meses más tarde no cambia casi nada.

Pero abierto no significa fuera de jurisdicción. China incluyó expresamente los modelos de pesos abiertos en su discusión sobre restricciones de acceso. En Europa, la exención del AI Act para modelos abiertos deja de aplicarse si se clasifican como de riesgo sistémico.

Y alojar un modelo propio tampoco es gratis ni sencillo. Solo empieza a compensar con un volumen alto y sostenido de uso. Instalarlo es la parte fácil; mantenerlo actualizado, evaluado y seguro es un trabajo.

La ventaja de los modelos abiertos no consiste en que todo el mundo vaya a alojarlos. Consiste en que existen y te permiten tener una salida: un plan B probado, documentado y listo para funcionar si el proveedor principal deja de estar disponible.

Eso, más que una decisión técnica, es disponer de una póliza de seguros para el mantenimiento inalterado de tus operaciones críticas.

La pregunta que te debes hacer no es si volverán a cerrar un modelo. Es cuánto tardarías en seguir trabajando si lo hicieran pasado mañana.

Te vendieron una suscripción. Si ese modelo es crítico para tu trabajo, quizá tengas algo bastante más frágil y parecido a una licencia de exportación.

Quizás ha leído en alguna parte que hoy, 2 de agosto de 2026, entran en vigor las obligaciones de transparencia reguladas en el artículo 50 de la AI Act (reglamento europeo de la inteligencia artificial). Este artículo es uno de los que tiene un mayor impacto para las empresas y profesionales que operen o usen sistemas de IA, dado que el no cumplimiento se sanciona con hasta 15 millones de euros o el 3 % de la facturación global anual, la cifra que resulte mayor. Para pymes se aplica la menor, un consuelo relativo.

Vamos a ver qué tenemos que hacer para cumplir con el reglamento.

Etiquetar y marcar

Son dos obligaciones distintas con calendarios diferentes y dirigidas a actores diferentes. Y parte de la confusión sobre los puntos 2 y 4 del artículo 50 de la IA Act comienza aquí.

La solución técnica, el marcado, está pensada para que las máquinas puedan identificar si un contenido publicado está generado o no con inteligencia artificial. El artículo 2 obliga a la herramienta que genera ese contenido (ChatGPT, Gemini, Midjourney, Elevenlabs, Magnifik...) a marcar en un formato legible por máquina para detectar contenidos generados o manipulados por máquina.

El reglamento no impone una herramienta concreta de marcado, pero pide que sea eficaz, interoperable, robusta y fiable. Actualmente, existen dos tecnologías ampliamente conocidas en el mercado: C2PA y Synth ID. Si generas imágenes con ChatGPT o Gemini los archivos ya vienen marcados con C2PA, por ejemplo.

El etiquetado o divulgación visible es diferente. Está dirigido a las personas, no a las máquinas, y es responsabilidad del creador humano, identificado en el reglamento como el responsable del despliegue del sistema.

¿Así que debo etiquetar todo el contenido que genero con IA? Pues no, no todo el contenido tiene la obligación de llevar etiqueta visible. El artículo 50.4 exige informar, cuando una imagen, audio o vídeo generado total o parcialmente con IA constituye un deepfake. Es decir que el contenido represente personas, lugares o acontecimientos que puedan inducir al público a creer erróneamente que es auténtico o verídico.

Por tanto, si generas una imagen para la cuenta de Instagram de un cliente con IA, dependerá del contenido la obligación de incluir la etiqueta. Si es una ilustración, animación o contenido claramente no real, no será necesario. Si es una imagen realista que has generado o manipulado con IA, sí lo será.

La regla es clara, ¿parece real? Pues se etiqueta. La corrección de color, reencuadre automático, limpieza de ruido, escalado de una imagen real, al ser edición, no es necesario etiquetarla.

En el caso del texto, se concentra en contenidos que informen sobre asuntos de interés público y hay excepciones cuando ha habido revisión humana o control editorial o el editor asume la responsabilidad sobre ese contenido. En esta área queda excluido un copy publicitario, entre otros.

Los calendarios para el marcado y el etiquetado son también distintos.

El marcado será obligatorio a partir del 2 de diciembre de este año para las herramientas existentes en el mercado. Eso sí, si mañana se lanza una herramienta de generación de contenido nuevo, deberá incluirla ya.

El etiquetado es obligatorio desde el 2 de agosto y la UE ha publicado un documento de buenas prácticas y una colección de iconos validados para su cumplimiento. No hay obligación retroactiva; el contenido generado antes de hoy no es necesario etiquetarlo.

No es obligatorio utilizar las etiquetas publicadas por la UE; puedes utilizar tu propia etiqueta si es igual de clara y visible en la pieza.

Lo que quizás ya llevabas dos años incumpliendo

Un recordatorio sobre algo clave. El artículo 4 del AI Act obliga desde el 2 de febrero de 2025 a garantizar la alfabetización en IA de tu personal y colaboradores. No se trata de una recomendación; es exigible desde hace año y medio.

Y sobre la aplicación del artículo 50, todo tu equipo debería haber sido formado si os dedicáis a la creación y utilizáis en mayor o menor medida herramientas de IA.

Ha aparecido una nueva web que informa sobre la industria de la publicidad en el mercado español. Pero no es una más, es diferente. “Briefing y castigo” se define en su manifiesto como “El primer medio de comunicación en español sobre la industria de la comunicación operado íntegramente por agentes de inteligencia artificial”.

Además, lanza una cierta queja frente a las publicaciones actuales diciendo que existe porque: “La industria de la comunicación, las relaciones públicas y el marketing en español genera cada semana movimientos de cuentas, fichajes, campañas, herramientas y debates que merecen cobertura profesional. Y quienes trabajamos en ella —agencias, departamentos de comunicación, consultores— merecemos leerla contada con criterio, no como notas de prensa recicladas”.

La redacción está compuesta por 12 agentes que tienen diferentes roles, desde jefes de sección, responsables de verticales de contenidos, editora y distribución. Se indica que la iniciativa está liderada por un editor humano, con experiencia en el sector, quien revisa las piezas retenidas y responde de lo publicado. Aunque no se identifica con nombre y apellidos.

Uno de los elementos sobre los que creo que es importante reflexionar de este experimento es cómo se alimenta este medio de la información que los agentes tratan, redactan y publican.

Todos los artículos de “Briefing y Castigo” identifican al final las fuentes que ha utilizado para su redacción. Y en la inmensa mayoría, esas fuentes son otras publicaciones del sector y en muy pocas ocasiones la fuente principal de la noticia (notas de prensa publicadas por la fuente).

Parece sencillo, por tanto, afirmar que mientras unos medios de comunicación pagan periodistas, mantienen fuentes y construyen repositorios de contenidos, el segundo utiliza agentes de IA que se alimentan de ese contenido creado por otros. Unos generan los alimentos y el segundo simplemente los cocina de nuevo sin aplicar a la receta ingredientes nuevos.

¿Citar equivale a tener permiso?

Yo soy el primero que, cuando trabajo con IA para recopilar información, solicito a las herramientas que me identifiquen las fuentes y explícitamente dónde puedo verificarla. Y estoy seguro de que todos valoramos que en cualquier contenido publicado en la red se haga lo mismo para poder ampliar o validar esa información.

Pero citar la fuente no concede automáticamente derecho a reutilizar cualquier cosa. Los hechos no pertenecen a nadie, pero otra cosa es reproducir la redacción, imágenes o las declaraciones obtenidas por un periodista o la estructura esencial de su trabajo periodístico. La atribución es una cuestión de transparencia que no resuelve el uso de la propiedad intelectual.

Y tampoco resuelve el modelo de negocio de los medios de comunicación. Que se incluya el enlace de las fuentes en el artículo no genera necesariamente tráfico hacia las fuentes citadas. Y si el modelo de negocio no funciona, quizás un día, el agente no encontrará fuentes donde alimentarse de información.

¿No bloquear significa autorizar?

Los medios de comunicación pueden utilizar archivos como “robots.txt”, identificadores de rastreadores u otras técnicas legibles por máquina para indicar qué sistemas pueden acceder a sus contenidos o situar ciertos contenidos detrás de muros de pago o sistemas de autentificación.

Eso supone que el editor tradicional tiene que implementar sistemas técnicos para entorpecer el acceso de esos agentes a sus contenidos y rezar para que esos sistemas respeten su decisión o no busquen puertas traseras para acceder al contenido protegido.

Estos sistemas hoy están lejos de ser perfectos y pueden, si limitan el acceso total a su contenido, tener efectos negativos como, por ejemplo, ser indexados en buscadores y reducir aún más la llegada de tráfico.

¿Quién financia la información original?

La IA puede resumir, traducir, combinar y distribuir la información con un coste marginal mínimo. Estoy seguro de que en la mayoría de las agencias de comunicación se utilizan estas tecnologías para generar resúmenes de prensa para sus clientes utilizando técnicas similares a las que aplica “Briefing y Castigo”.

Pero por el momento la generación del contenido sigue dependiendo de redacciones, experiencia y tiempo. El incentivo económico para mantener esa estructura se reduce si las máquinas reproducen esa información en segundos tras ser publicada. Y si pensamos ya no en este experimento “periodístico”, sino en las grandes empresas que han construido sus productos de IA sobre el uso sin permiso del contenido disponible en la Red, el modelo de retribución a los generadores de contenido genuino debe ser revisado.

Creo que la pregunta que deberemos hacer no es si una noticia la escribió una persona o un algoritmo; ha de ser quién capturó su valor, quién puede demostrar lo que hizo con él y si ese esfuerzo ha sido justamente retribuido.

Hay una intuición muy extendida cuando se habla de inteligencia artificial general: para llegar a una máquina capaz de hacer cualquier trabajo intelectual relevante, antes tendrá que comprender el mundo como lo hacemos nosotros. Tendrá que razonar, intuir, dudar o incluso sentir.

Daniel Susskind plantea una respuesta distinta a esa idea. La llama la “falacia de la inteligencia artificial”: creer que la única vía para construir sistemas que igualen o superen nuestro rendimiento consiste en copiar nuestro modo de pensar, y la desarrolló en la charla que realizó en el pasado Exponential Day 2026 organizado por Acció.

La historia reciente de la IA sugiere otra cosa. Las máquinas no necesitan convertirse en versiones digitales de nosotros para resolver problemas que hasta ahora eran exclusivamente humanos. Basta con que encuentren un camino distinto y suficientemente eficaz y quizás sea justamente ese el camino para superarnos.

El error de querer traducir la mente humana a código

La primera ola de la inteligencia artificial, durante los años ochenta, partía de una hipótesis muy razonable: si queremos automatizar el trabajo de un experto, primero debemos capturar su conocimiento.

Richard Susskind, padre de Daniel, trabajó entonces en un sistema legal basado en la Latent Damage Act británica. Junto a un experto en la materia, convirtió reglas, excepciones y decisiones en un árbol de preguntas de sí o no. El sistema podía orientar a sus usuarios porque alguien había logrado describir, paso a paso, cómo abordar el problema.

Ese fue el patrón de los sistemas expertos: entrevistar a un médico, un abogado o un auditor; extraer sus reglas; programarlas. Funcionaban en ámbitos acotados, pero el método tenía un límite evidente. Los profesionales no siempre saben explicar cómo llegan a una conclusión. Muchas decisiones mezclan experiencia, reconocimiento de señales débiles y conocimiento tácito. Intentar traducir todo eso a reglas explícitas acabó siendo demasiado lento, frágil y costoso.

La IA pasó años atrapada en ese problema.

Deep Blue no jugaba al ajedrez como Kasparov

En 1997, Deep Blue derrotó a Garry Kasparov. El interés de aquel episodio no estaba solo en el resultado. Estaba en el método.

Kasparov hablaba de intuición, experiencia y reacción visceral. Deep Blue calculaba cientos de millones de posiciones por segundo. No tenía intuición, ni una comprensión humana del tablero, ni la experiencia de haber perdido una partida importante. Jugaba de otra manera.

Esa diferencia importa más que el titular de “la máquina vence al campeón”. Deep Blue no necesitó reproducir la inteligencia de Kasparov para vencerle. Encontró una ruta computacional distinta hacia el mismo objetivo: tomar mejores decisiones en una partida de ajedrez.

La misma lógica aparece en ejemplos posteriores. Watson ganó Jeopardy! sin saber que había ganado. Un sistema desarrollado en Stanford pudo clasificar lesiones de piel a partir de patrones aprendidos en unas 140.000 imágenes, sin entender qué significa enfermar, diagnosticar o acompañar a un paciente.

El resultado puede ser competente aunque el proceso no se parezca al nuestro.

Confundimos la calidad del resultado con la forma de llegar a él

Esta confusión afecta especialmente al trabajo profesional. Médicos, abogados, consultores o profesores suelen defender que su tarea está protegida porque requiere juicio. Pero el juicio no es una sustancia misteriosa. Es una respuesta humana a la incertidumbre: hay información incompleta, casos ambiguos, riesgos que ponderar y una decisión que tomar.

Un sistema puede no poseer juicio en el sentido humano y, aun así, reducir la incertidumbre mejor que una persona en tareas concretas. Puede detectar un patrón en miles de contratos, comparar antecedentes clínicos o encontrar inconsistencias en una base de datos que nadie revisaría entera.

Eso no convierte al sistema en médico, abogado o consultor. Tampoco elimina la responsabilidad de quien usa su resultado. Pero sí desmonta una defensa habitual: “Esto no se puede automatizar porque exige inteligencia humana”.

Quizá exige una buena solución. Y no siempre tienes que ser una solución humana.

La AGI no es una persona mejorada

Esta idea cambia cómo conviene pensar la carrera hacia la AGI. Si se define como un sistema capaz de superar a los humanos en tareas económicamente útiles, el requisito no es que reproduzca nuestra conciencia ni que tenga una biografía, valores o vida interior. El requisito es funcional: resolver tareas con un nivel de rendimiento suficiente.

Susskind no presenta la AGI como un desenlace inevitable. Sí sostiene que sería imprudente descartarla como ciencia ficción. La inversión, la concentración de talento y el ritmo irregular de los avances obligan a tratarla como un escenario de planificación, no como una certeza ni como una extravagancia de Silicon Valley.

El debate público, sin embargo, se distrae con facilidad. Preguntamos si la IA “piensa de verdad”, como si la respuesta resolviera su impacto económico. Es una pregunta filosóficamente legítima, pero poco útil para decidir qué hacer en una empresa, una universidad o una administración.

La cuestión operativa es otra: ¿qué tareas puede resolver un sistema de forma fiable, bajo qué condiciones y quién responde cuando se equivoca?

Lo humano no desaparecerá, cambiará de lugar

Que una máquina pueda alcanzar un resultado sin pensar como nosotros no implica que todo valor humano sea sustituible. Hay ámbitos en los que no valoramos solo el resultado.

Al final de la vida, una respuesta correcta no equivale a una mano que acompaña. En educación, un sistema puede adaptar ejercicios y explicar una materia con precisión, pero enseñar también consiste en transmitir criterio, límites y formas de estar con otros.

La distinción no debe usarse como refugio sentimental. Muchas tareas que considerábamos humanas se automatizarán parcialmente. Por eso conviene dejar de hablar de empleos completos y empezar a descomponer el trabajo: qué parte se delega, qué parte se supervisa y qué nuevas responsabilidades aparecen.

La ventaja humana no consistirá en esperar a que la IA fracase por no ser como nosotros. Consistirá en saber cuándo una solución alternativa es suficiente, cuándo no lo es y qué clase de presencia queremos preservar incluso cuando una máquina pueda hacer el trabajo más rápido.

Cualquiera que haya sufrido una reunión de tres horas sabe exactamente de qué estamos hablando, porque a nosotros nos pasa lo mismo. Décadas antes de que existiera un solo transformer, la psicología cognitiva ya había puesto nombre a este fenómeno en los humanos: el efecto de posición serial. Y aquí está lo curioso del asunto: una tecnología diseñada para superar las limitaciones de la memoria humana ha terminado heredando una de sus fallas más características. No es que la IA imite a los humanos a propósito. Es que, aparentemente, cuando cualquier sistema, biológico o computacional, tiene que procesar una secuencia larga de información y luego recuperar una parte concreta de ella, tiende a fallar de la misma manera. Empecemos por explicar qué es exactamente el RAG, y luego veamos por qué comparte este defecto tan humano.

¿Qué es el RAG?, en cristiano

RAG son las siglas de Retrieval-Augmented Generation, o generación aumentada por recuperación. La idea, propuesta originalmente por un equipo de Meta AI en 2020, es sencilla y elegante: en lugar de que un modelo de lenguaje intente responder solo con lo que “memorizó” durante su entrenamiento, que es limitado, se queda desactualizado y a veces directamente se lo inventa, el sistema primero busca información relevante en una fuente externa (un documento, una base de datos, un conjunto de PDFs) y luego usa esa información recuperada como contexto para generar la respuesta.

Es, en esencia, la diferencia entre un opositor que responde de memoria y otro al que se le permite consultar sus apuntes antes de contestar. El segundo debería acertar más. Y en general acierta más. El problema aparece cuando los apuntes son muy largos.

El valle del olvido, con nombre y apellidos científicos

En 2023, un equipo de investigadores de Stanford liderado por Nelson F. Liu publicó un paper que se convertiría en una referencia obligada del campo: “Lost in the Middle: How Language Models Use Long Contexts”. Sometieron a varios modelos de lenguaje a tareas de búsqueda de información dentro de contextos largos y observaron algo muy consistente: el rendimiento era claramente más alto cuando la información relevante estaba al principio o al final del texto, y se degradaba de forma notable cuando el modelo tenía que localizar algo enterrado en el medio, incluso en modelos diseñados específicamente para manejar contextos largos. La curva de rendimiento, representada gráficamente, dibuja una U casi perfecta.

Ahora viene la parte que le da al artículo su gracia. Esa misma forma de U ya la conocía la psicología desde hace más de un siglo. Hermann Ebbinghaus la describió en 1885 estudiando su propia capacidad para memorizar listas de sílabas sin sentido, y el psicólogo Bennet Murdock la formalizó experimentalmente en 1962 con su célebre curva de posición serial. Los humanos recordamos mejor las primeras palabras de una lista, el efecto de primacía, porque tenemos tiempo de repasarlas y consolidarlas en la memoria a largo plazo, y las últimas, el efecto de recencia, porque siguen frescas en la memoria de trabajo en el momento de recordar. Lo del medio, sencillamente, se pierde por el camino, desplazado por lo que viene después sin haber tenido tiempo de asentarse.

No hace falta forzar la metáfora: no estamos ante una casualidad de diseño ni ante una IA que copia deliberadamente el cerebro humano. Es más bien la señal de que ciertas limitaciones a la hora de procesar secuencias largas de información pueden ser, hasta cierto punto, estructurales, y no exclusivas de un tipo concreto de “hardware”, sea neuronal o de silicio.

Qué hacer al respecto en tu trabajo diario con IA

Saber esto tiene una utilidad muy práctica, más allá de la anécdota curiosa para la sobremesa:

1. No confíes en que “está en el contexto” sea sinónimo de “el modelo lo ha visto de verdad”. Si subes un documento largo, verifica explícitamente si la información crítica del medio se ha tenido en cuenta.

2. Coloca lo importante al principio o al final del prompt, nunca enterrado en mitad de un contexto extenso. Si tienes que dar instrucciones críticas, repítelas al cierre.

3. Divide documentos largos en fragmentos más pequeños y trabaja por partes en lugar de volcar cien páginas de golpe, especialmente si necesitas precisión sobre un dato concreto.

4. Pide al modelo que cite o localice literalmente el fragmento del que extrae una afirmación. Obligarlo a “señalar con el dedo” reduce el margen de que se invente algo por no haber “visto” bien esa zona intermedia.

5. Para tareas críticas, no asumas que más contexto es mejor. Un documento bien resumido y estructurado suele superar a uno larguísimo mal digerido, tanto para la IA como, honestamente, para cualquier humano al que le pases cien páginas sin avisar.

La próxima vez que un sistema de IA se salte algo evidente en mitad de un documento, no lo llames fallo. Llámalo, con la debida ironía, un comportamiento heredado de familia.

La semana pasada dejamos la bandeja de entrada convertida en un sistema de decisiones: resumir hilos, buscar por proyecto, responder con criterio. Hoy toca la parte menos glamurosa del correo, esa que nadie enseña en las demos: los expedientes que nadie abre, las reuniones a las que llegas con la memoria en blanco y los límites de pedirle a una IA que se acuerde de tu trabajo por ti. Newsletters acumuladas, hilos con grietas que nadie ha señalado todavía. Vamos al lío.

5. Etiquetar, archivar y resumir newsletters que nunca lees

Todos tenemos una colección de newsletters interesantísimas que no leemos nunca. Es casi un género literario en sí mismo.

Las guardamos con esperanza. Las abrimos con culpa. Las archivamos con dignidad, como quien entierra algo con honores militares.

Y, aun así, muchas contienen información valiosa. Ese es el problema.

Aquí Gemini puede echarte una mano de forma bastante práctica: convertir ese flujo disperso de newsletters en una fuente de inteligencia semanal, en lugar de en un cementerio de buenas intenciones.

La idea es sencilla. Primero, crea una etiqueta específica para newsletters. Por ejemplo: “Newsletters / IA”, “Newsletters / Marketing” o “Newsletters / Lectura semanal”. Después, configura filtros de Gmail para que determinados remitentes se etiqueten automáticamente y, si quieres reducir ruido, se archiven sin pasar por la bandeja de entrada. Así dejas de mezclar newsletters con correos que sí requieren que hagas algo.

El viernes, en lugar de mirar con resignación 37 correos pendientes, le pides a Gemini una síntesis.

Prompt:

Revisa los correos etiquetados como “Newsletters / IA” recibidos esta semana. Haz un resumen de los temas más relevantes para mis intereses profesionales. Agrupa los hallazgos por tendencias, herramientas, casos de uso, riesgos y oportunidades. Incluye solo ideas accionables y señala qué newsletters merece la pena leer completas.

Y si quieres afinarlo más:

Mis intereses prioritarios son IA generativa aplicada a productividad, marketing digital, gobernanza, sostenibilidad publicitaria y certificación de contenidos generados con IA. Revisa las newsletters recibidas esta semana y resume solo aquello que pueda ser útil para formación, consultoría, creación de contenido o desarrollo de negocio.

Esto convierte tus newsletters acumuladas en una especie de comité editorial personal, uno que trabaja gratis y no se queja de las reuniones.

No sustituye a leer. Pero ayuda a decidir qué merece tu atención, que en un entorno de sobreinformación no es poca cosa.

Y desde luego es más útil que otra carpeta más llamada “leer algún día”, ese lugar donde van a morir nuestras mejores intenciones digitales.

Automatización recomendada: un resumen semanal de newsletters cada viernes utilizando acciones programadas.

La clave no es usar Gemini solo para resumir contenido. Es usarlo para filtrar relevancia. Que no es lo mismo, aunque lo parezca.

6. Preparar reuniones usando el historial de correo

Otro uso muy potente, y de los que más quebraderos de cabeza ahorran, es preparar reuniones.

Antes de una reunión con un cliente, proveedor o equipo interno, solemos hacer lo mismo: mirar el calendario, abrir el último correo y confiar en que la memoria haga el resto.

Plan impecable, salvo por el pequeño detalle de que tu memoria también tiene quince pestañas abiertas y no todas cargan bien.

Con Gemini puedes pedir una preparación contextual de verdad.

Prompt:

Tengo una reunión con el cliente X. Revisa los correos recientes relacionados con este cliente y prepara un briefing con: temas abiertos, decisiones pendientes, compromisos asumidos por nuestra parte, compromisos asumidos por el cliente, posibles riesgos, preguntas que debería llevar preparadas y puntos que conviene no olvidar.

Esto es especialmente útil cuando la reunión llega después de semanas de intercambio disperso, es decir, siempre.

También puedes pedir una versión más ejecutiva, para cuando el tiempo aprieta:

Prepara un briefing de 10 minutos para ponerme al día antes de una reunión con el cliente X. Prioriza temas recientes, decisiones pendientes y asuntos que puedan requerir una posición por mi parte.

O una versión con más olfato comercial:

Analiza los correos recientes con el cliente X e identifica señales de oportunidad comercial, posibles objeciones, necesidades no resueltas y próximos pasos recomendados.

La gracia no es que Gemini “sepa más que tú”. Es que te ayuda a recuperar contexto más rápido que tú abriendo correos uno por uno como quien busca la llave perdida.

Aquí también conviene verificar. Si vas a citar un compromiso, una fecha, una cifra o una promesa, abre el correo original. Siempre.

La IA acelera la preparación. No convierte tu memoria reconstruida en acta notarial, por muy bien redactada que suene.

7. Detectar riesgos, contradicciones y temas pendientes

Uno de los usos más interesantes de Gemini en Gmail no es resumir. Es hacer de detective.

Los correos no solo contienen información. También contienen fricción, aunque nadie la mencione en la reunión de seguimiento.

Fechas que no cuadran. Versiones distintas de una misma decisión. Expectativas mal alineadas. Silencios sospechosos. Compromisos que nadie ha recogido en ninguna herramienta de gestión y que, misteriosamente, alguien recordará dentro de tres meses con pelos y señales.

Puedes pedirle a Gemini que busque ese tipo de señales por ti.

Prompt:

Analiza este hilo y detecta posibles riesgos: contradicciones entre mensajes, decisiones no confirmadas, fechas poco realistas, responsabilidades ambiguas, dependencias externas y temas que podrían generar conflicto más adelante.

O aplicado a varios correos a la vez:

Revisa los correos recientes sobre el proyecto X e identifica riesgos operativos, comerciales o reputacionales. Separa hechos confirmados de hipótesis. Indica qué correos debería revisar antes de tomar una decisión.

Este punto es importante, así que lo subrayo: pide siempre que separe hechos de hipótesis.

No es lo mismo “el cliente ha dicho que no aprueba el presupuesto” que “parece que el cliente podría tener dudas sobre el presupuesto”.

La primera frase es un hecho. La segunda es una interpretación con pinta de hecho, que es la más peligrosa de las dos.

Y en entornos profesionales esa diferencia importa. Bastante más de lo que parece a las nueve de la mañana con el café a medias.

8. Usar Gmail como memoria profesional, con límites

La idea de fondo es sencilla: Gmail puede funcionar como una memoria profesional ampliada.

No porque sustituya a un CRM, a un gestor de proyectos o a una buena documentación interna. Pedirle al correo que sea todo eso a la vez es pedirle peras al olmo, y encima que las entregue etiquetadas por prioridad.

Pero sí contiene mucho contexto real que no siempre vive en otro sitio: decisiones informales, matices, objeciones, promesas, cambios de criterio, todo el historial de la relación con alguien.

Gemini permite consultar ese contexto con más naturalidad. Pasas de buscar palabras sueltas a hacer preguntas de verdad.

Pero, como todo lo que merece la pena, tiene límites.

Primero, privacidad. Si trabajas con datos sensibles, información de clientes, contratos, asuntos legales o datos personales, revisa qué cuenta usas, qué permisos están activados, qué políticas tiene tu empresa y qué le estás enviando exactamente a la herramienta.

Segundo, alucinaciones. Gemini puede resumir mal, mezclar contextos o inferir de más con total seguridad en sí mismo, que es lo más inquietante del asunto. En temas relevantes, comprueba los correos fuente.

Tercero, seguridad. No todo lo que se puede automatizar se debe automatizar. Especialmente cuando hablamos de enviar respuestas, mover correos críticos o procesar información confidencial sin que nadie lo supervise.

Cuarto, criterio. La IA puede ayudarte a priorizar, resumir y redactar. Pero no debería decidir sola qué relación comercial es importante, qué conflicto merece una llamada en lugar de un correo, o qué mensaje puede incendiar una reunión entera.

La productividad con IA no va de delegarlo todo. Va de delegar mejor. Con matices, ojo clínico y algo de desconfianza sana.

El correo no es el problema. El problema es cómo lo usamos

Durante años hemos intentado domar Gmail a base de más carpetas, más etiquetas, más filtros y más fuerza de voluntad.

Todo eso sigue siendo útil. No lo tires a la basura.

Pero Gemini añade una capa nueva: la posibilidad de conversar con tu propio historial profesional. Preguntar por proyectos. Reconstruir decisiones. Preparar reuniones sin sudar. Detectar riesgos antes de que exploten. Priorizar correos según tus propios criterios, no los de un algoritmo de compromiso genérico. Resumir newsletters que nunca ibas a leer de todas formas. Redactar respuestas con más contexto y menos desgaste.

La diferencia no está en pedirle a Gemini que “mejore este correo”.

Está en pedirle que te ayude a entender qué está pasando de verdad ahí dentro.

Porque tu correo no es solo una bandeja de entrada.

Es una base de conocimiento.

Un poco caótica, sí.

Pero también lo son muchas empresas que conoces.

Y ahí, precisamente, está la oportunidad.

Tu correo electrónico es un lugar donde se acumulan mensajes, reuniones, facturas, urgencias y copias innecesarias. Cadenas infinitas donde alguien escribe “respondo sobre el hilo anterior” y, de repente, el hilo anterior tiene 47 mensajes, tres decisiones contradictorias y una persona que ya no trabaja en la empresa.

Ahí está la historia real de tus proyectos. Lo que se pidió, lo que se prometió, lo que se aprobó, lo que se retrasó, lo que quedó pendiente y lo que alguien juró que “ya estaba cerrado”. Dicho de otra manera: tu correo no solo sirve para comunicarte. Sirve para reconstruir contexto.

Y ahí es donde Gemini, junto a Gmail, se convierte en una herramienta poderosa.

No como un asistente para escribir correos más bonitos, que también, sino como una capa de inteligencia sobre una de las fuentes de información más infrautilizadas de cualquier profesional.

La clave está en dejar de preguntarle a Gemini cosas genéricas y empezar a usarlo como un asistente que entiende proyectos, personas, decisiones y prioridades.

Primero, lo básico: dos formas de usar Gemini con Gmail

Hay dos escenarios principales.

El primero es Gemini dentro de Gmail, desde la barra lateral. Es el uso más natural cuando ya estás trabajando sobre un correo concreto. Abres un hilo, activas Gemini y le pides que lo resuma, que extraiga próximos pasos, que redacte una respuesta o que localice información relacionada.

El segundo es Gemini como aplicación independiente, con Gmail conectado. Aquí el enfoque cambia. Ya no partes necesariamente de un correo abierto, sino de una pregunta sobre tu actividad: “¿Qué se ha hablado esta semana sobre el proyecto X?”, “¿qué clientes han pedido cambios de alcance?”, “¿qué temas tengo pendientes con Marta?” o “hazme un resumen de los correos importantes de ayer relacionados con ventas”.

La diferencia parece pequeña, pero no lo es.

La barra lateral de Gmail es útil para trabajar sobre un correo o hilo concreto. Gemini con Gmail conectado es más interesante cuando quieres buscar patrones, reconstruir contexto o hacer análisis transversal sobre varios correos.

La configuración no tiene demasiado misterio, aunque conviene revisarla. Necesitas una cuenta con acceso a Gemini en Google Workspace o a las funciones de Gemini disponibles para tu plan. También debes tener activada la conexión con Google Workspace en Gemini y, según el caso, las funciones inteligentes de Gmail. Si trabajas en una empresa, es posible que algunas opciones dependan del administrador.

Hasta aquí, la parte de “mira qué botón tan bonito”. Ahora vamos a lo importante.

1. Resumir hilos largos sin perder lo esencial

El caso de uso más evidente es resumir cadenas de correos largas.

Pero “resúmeme este hilo” es un prompt pobre. Funciona, sí, pero deja demasiado criterio a la herramienta.

Mejor pedirle a Gemini un resumen operativo.

Prompt:

Resume este hilo en formato ejecutivo. Incluye: contexto inicial, decisiones tomadas, puntos pendientes, personas responsables, fechas mencionadas y riesgos o contradicciones detectadas. Señala también si hay alguna pregunta sin responder.

Esto cambia completamente el resultado.

No quieres un resumen literario. Quieres saber qué ha pasado, qué importa y qué tienes que hacer.

Este uso es especialmente útil cuando estás en copia pero no participas activamente. Todos tenemos esos hilos en los que alguien te incluye “para que estés al tanto”, frase que en idioma corporativo significa: “No tienes que hacer nada todavía, pero en tres semanas alguien te preguntará por qué no sabías esto”.

Con Gemini puedes convertir esos hilos pasivos en contexto accionable.

Prompt:

Estoy en copia en este hilo y no he participado activamente. Explícame qué debería saber, si hay algo que pueda afectarme, qué decisiones se han tomado y si se espera alguna acción por mi parte.

Este prompt es oro para directivos, consultores, responsables de cuenta y cualquier persona que vive rodeada de correos donde no siempre está claro si eres protagonista, espectador o futura víctima administrativa.

Automatización recomendada: crear una etiqueta “CC / seguimiento pasivo” para hilos donde apareces en copia y revisarla una vez al día con Gemini. Si quieres llevarlo más lejos, puedes usar filtros de Gmail para etiquetar automáticamente correos donde estás en CC y no eres destinatario principal. Una revisión diaria de esa etiqueta con Gemini puede convertirse en un briefing de “cosas que deberías saber aunque nadie te las haya pedido explícitamente”.

2. Buscar por proyectos, no por palabras sueltas

La búsqueda tradicional de Gmail funciona muy bien si sabes exactamente qué estás buscando.

Pero ese es el problema.

Muchas veces no recuerdas si el correo decía “presupuesto”, “propuesta”, “alcance”, “versión revisada” o “aquello que comentamos”. La búsqueda clásica exige memoria. Gemini permite buscar por intención.

En lugar de:

presupuesto cliente X abril

Puedes pedir:

Busca en mis correos información relacionada con la propuesta enviada al cliente X en abril. Resume qué versión se envió, qué dudas planteó el cliente, qué cambios se pidieron y si hubo aprobación final.

Esto convierte Gmail en una base de conocimiento por proyectos.

También puedes pedir reconstrucciones temporales:

Reconstruye la cronología del proyecto X a partir de mis correos. Ordena los hitos por fecha e incluye decisiones, entregables, bloqueos y próximos pasos.

O análisis de estado:

Dime cuál parece ser el estado actual del proyecto X según los últimos correos. Separa hechos confirmados, temas pendientes y posibles riesgos.

Aquí conviene introducir una regla importante: Gemini puede ayudarte a encontrar y sintetizar, pero no debes tratar su respuesta como verdad final sin revisar las fuentes. Cuando el resultado sea relevante —decisiones, compromisos, presupuestos, asuntos legales, incidencias con clientes— hay que abrir los correos citados y verificar.

La productividad no consiste en apagar el criterio humano. Consiste en reservarlo para donde importa.

3. Convertir la bandeja de entrada en un sistema de decisión

El gran error con Gmail es pensar que la bandeja de entrada se gestiona leyendo correos.

No.

La bandeja de entrada se gestiona tomando decisiones.

Cada correo debería acabar en uno de estos estados:

• Responder.

• Delegar.

• Archivar.

• Convertir en tarea.

• Agendar.

• Esperar respuesta.

• Leer más tarde.

• Ignorar sin culpa, que también es productividad.

Pero antes de pedirle a Gemini que priorice tus correos, conviene hacer algo que casi nadie hace: definir qué significa “urgente”.

Porque “urgente” no es una categoría universal. Para una persona de ventas, puede ser una petición de propuesta con fecha límite. Para un equipo legal, una notificación formal. Para operaciones, una incidencia que bloquea a un cliente. Para finanzas, un vencimiento. Para dirección, un correo de un stakeholder clave que requiere posición antes de una reunión.

Si no defines el criterio, Gemini improvisará. Y cuando una IA improvisa con tu agenda, el resultado puede parecer razonable… hasta que descubres que ha priorizado una newsletter con muchas exclamaciones por encima de un correo seco, aburrido y absolutamente crítico.

Una buena práctica es crear tu propia definición de urgencia.

Por ejemplo:

Para mí, un correo urgente es aquel que cumple una o varias de estas condiciones: requiere respuesta antes de 24 horas, bloquea el trabajo de otra persona, viene de un cliente o stakeholder prioritario, contiene una fecha límite explícita, implica riesgo legal, económico o reputacional, afecta a una reunión prevista en las próximas 48 horas o menciona una incidencia operativa.

A partir de ahí, el prompt mejora mucho:

Analiza los correos recientes de mi bandeja de entrada. Considera urgente solo aquello que cumpla una de estas condiciones: requiere respuesta antes de 24 horas, bloquea a otra persona, viene de un cliente prioritario, contiene una fecha límite explícita, implica riesgo legal, económico o reputacional, afecta a una reunión en las próximas 48 horas o menciona una incidencia operativa. Clasifica los correos en: urgente, importante no urgente, delegable, seguimiento, lectura posterior y archivar. Explica brevemente el motivo.

Este tipo de prompt es más útil que pedir “prioriza mis correos”, porque la prioridad sin criterio es solo ansiedad con mejor formato.

También puedes pedir una revisión por energía mental:

Clasifica estos correos según el tipo de esfuerzo que requieren: respuesta rápida, decisión, lectura profunda, coordinación con terceros, tarea administrativa o asunto sensible.

Esto ayuda mucho cuando tienes poco tiempo y quieres hacer tandas de trabajo. Primero, respuestas rápidas. Luego, decisiones. Después, correos que requieren pensar. El correo deja de ser una piscina de barro y empieza a parecerse a un sistema.

Automatización recomendada: Resumen diario de bandeja de entrada. Por ejemplo, cada mañana a las 8:30, generar una vista con los correos importantes recibidos desde el día anterior, agrupados por acción recomendada. Para que funcione bien, no basta con automatizar el resumen: hay que automatizar también el criterio. Es decir, mantener una lista clara de remitentes prioritarios, clientes clave, dominios críticos, proyectos activos y condiciones que convierten un correo en urgente.

Si se quiere hacer sin código, puede convertirse en un hábito manual con Gemini. Si se quiere automatizar, puedes convertir ese prompt en una tarea programada.

4. Responder mejor, no solo más rápido

Gemini puede redactar correos. Eso es útil, pero no especialmente diferencial.

Lo diferencial es pedirle que redacte en función del contexto del hilo, del objetivo y del nivel de tensión.

Prompt:

Redacta una respuesta a este hilo con tono profesional y claro. Objetivo: confirmar que hemos entendido la petición, pedir los dos datos que faltan y evitar comprometernos todavía con una fecha final. Mantén el mensaje breve y sin sonar defensivo.

O:

Redacta una respuesta que cierre este tema sin abrir nuevas líneas de discusión. Agradece las aportaciones, resume la decisión tomada y deja claro cuál es el siguiente paso.

O, en modo más delicado:

Prepara una respuesta diplomática a este correo. Necesito señalar que el retraso se debe a la falta de información recibida, pero sin sonar acusatorio. Propón una nueva fecha condicionada a recibir los materiales pendientes.

Este uso ahorra tiempo, pero sobre todo ahorra desgaste. Porque escribir correos complejos no suele ser un problema de redacción. Es un problema de política interna, matices y gestión de expectativas.

Gemini puede preparar una primera versión. Tú debes aplicar criterio.

Especialmente en correos sensibles: conflictos, temas legales, recursos humanos, precios, contratos, reclamaciones o datos personales. En esos casos, Gemini ayuda a ordenar ideas, pero la responsabilidad sigue siendo tuya.

Automatización recomendada: No automatizar el envío de respuestas sensibles. Sí tiene sentido automatizar borradores. Por ejemplo, generar cada mañana borradores para correos recurrentes de seguimiento, confirmación o recordatorio, pero dejarlos siempre pendientes de revisión humana. La automatización buena no es la que envía más correos. Es la que evita que envíes tonterías con confianza algorítmica.

Hasta aquí la primera entrega de este tutorial. La semana próxima publicaré la segunda parte.

Le explicas quién eres. Le cuentas a qué te dedicas. Le dices cómo prefieres que escriba. Le recuerdas que no quieres textos llenos de entusiasmo de PowerPoint, que trabajas en marketing, que necesitas un tono profesional pero cercano, que las respuestas deben ser prácticas y que, por favor, no convierta cada conclusión en una oda a la innovación.

Cierras el chat.

Vuelves al día siguiente.

Y la IA te mira, metafóricamente, como si acabara de conocerte en un ascensor.

Esa fricción es justo lo que intentan resolver las funciones de memoria de herramientas como ChatGPT, Gemini o Claude. La idea es sencilla: que la IA pueda recordar determinados datos, preferencias y patrones de uso entre conversaciones para ofrecer respuestas más útiles, coherentes y adaptadas a cada persona.

Pero, como casi todo en IA generativa, la memoria no es magia. Es una funcionalidad potente, práctica y muy conveniente, siempre que se utilice con criterio. Porque una IA que recuerda puede ahorrarte mucho tiempo, pero también obliga a pensar mejor qué información le das, qué quieres que conserve y qué debería olvidar.

Vamos por partes.

¿Para qué sirve realmente la memoria en una IA?

La forma más sencilla de entender la memoria es pensar en un asistente personal que aprende cómo trabajas.

Si cada vez que le pides ayuda para redactar un correo tienes que decirle: “Me llamo Juan, trabajo en marketing, prefiero un tono formal pero cercano y no quiero frases demasiado largas”; el supuesto ahorro de tiempo empieza a parecerse sospechosamente a una mudanza de contexto permanente.

La memoria sirve para eliminar esa repetición. Su objetivo no es que la IA “te conozca” en un sentido humano, sino que pueda conservar información útil para responderte mejor en futuras conversaciones.

En la práctica, esto permite varias cosas.

Puede recordar tus preferencias de estilo: que prefieres respuestas cortas y directas, que quieres explicaciones didácticas, que no te gusta cierto tipo de lenguaje o que, cuando pides código, esperas comentarios explicativos.

También puede conservar contexto profesional: tu rol, el tipo de proyectos en los que trabajas, tus áreas de especialización o los lenguajes de programación y herramientas que utilizas con frecuencia.

Otra aplicación muy relevante es el seguimiento de proyectos. Si estás trabajando durante semanas en una propuesta, un curso, una estrategia de contenidos o una investigación, la memoria puede ayudar a mantener cierta continuidad sin obligarte a resumir todo desde cero cada vez que abres una nueva conversación.

Y, por último, puede facilitar tareas recurrentes. Si siempre pides que tus notas se transformen en un formato concreto, que tus reuniones se resuman de una manera determinada o que tus artículos sigan una estructura específica, la IA puede aprender ese patrón y aplicarlo de forma automática.

Dicho de otra manera: la memoria convierte parte del contexto que antes tenías que escribir en cada prompt en una capa persistente de personalización.

Y eso, bien usado, reduce bastante el ruido operativo.

Cómo se configura la memoria

Cada plataforma lo resuelve a su manera, pero el patrón general suele combinar dos mecanismos: aprendizaje por conversación y gestión manual.

El primero es el más natural. La IA puede aprender a partir de lo que le dices. Por ejemplo, puedes escribir:

“Recuerda que, a partir de ahora, todas mis presentaciones deben usar un tono profesional y optimista”.

O también:

“Guarda que trabajo en el sector educativo y que suelo preparar materiales para directivos no técnicos”.

A partir de ese momento, la IA puede almacenar esa información como una preferencia o dato relevante para futuras conversaciones.

Este enfoque tiene una ventaja clara: no obliga al usuario a rellenar un formulario interminable de configuración. La memoria se va construyendo durante el uso, en el propio flujo de trabajo.

Pero la parte importante no es solo cómo aprende la IA. La parte importante es cómo puedes revisar, corregir o borrar lo que ha aprendido.

Aquí entra el segundo mecanismo: el panel de control. Según la herramienta, puede llamarse “Memoria”, “Preferencias personalizadas”, “Personalización” o algo parecido. El nombre cambia, pero la lógica es similar: es el lugar donde puedes ver qué información ha guardado la IA sobre ti.

Desde ahí puedes hacer tres cosas fundamentales.

La primera es ver lo que la IA ha guardado. Normalmente aparece como una lista de hechos, preferencias o instrucciones inferidas a partir de tus conversaciones.

La segunda es editar esa información. Esto es importante porque la IA puede interpretar mal una preferencia, simplificar demasiado un dato o conservar algo que ya no representa cómo trabajas.

La tercera es borrar elementos concretos o eliminar toda la memoria acumulada. Si quieres empezar desde cero, deberías poder hacerlo.

Y hay una opción todavía más sencilla: pedirle directamente a la IA que te diga qué recuerda de ti. Del mismo modo que puedes decirle “recuerda esto”, también puedes pedirle “olvida esto otro”.

No hace falta convertirse en arqueólogo de menús para gestionar la memoria. Aunque, como en toda herramienta digital, conviene saber dónde está el interruptor. Sobre todo antes de necesitarlo.

Por qué la memoria hace a la IA mucho más útil

El valor real de la memoria no está en que la IA guarde datos sueltos. Está en la continuidad.

Sin memoria, cada conversación empieza en frío. Con memoria, la IA puede partir de un contexto previo. Eso cambia bastante la experiencia, especialmente en usos profesionales.

La primera ventaja es la reducción del prompt engineering repetitivo. No necesitas dedicar los primeros párrafos de cada conversación a explicar quién eres, qué haces, qué tono quieres, qué tipo de respuesta esperas o qué estructura sueles utilizar. Parte de ese contexto ya está disponible.

Esto no elimina la necesidad de dar buenas instrucciones, pero sí reduce la carga inicial. La IA ya sabe desde dónde parte.

La segunda ventaja es la coherencia. Si trabajas con una herramienta durante semanas, puedes obtener resultados más consistentes. La IA puede mantener un nivel parecido de profundidad, un estilo más estable y una mejor adaptación a tus preferencias, aunque abras una conversación nueva.

La tercera es una personalización más profunda. La IA deja de ser una herramienta genérica a la que tú tienes que adaptarte y empieza a ajustarse mejor a tu flujo de trabajo. Esto es especialmente útil en tareas creativas, análisis complejos, producción de contenidos, revisión de documentos o preparación de materiales recurrentes.

No es lo mismo pedirle a una IA “hazme un resumen” que pedirle un resumen cuando ya sabe que trabajas en consultoría, que necesitas conclusiones ejecutivas, que valoras los riesgos y que prefieres ejemplos aplicables.

La diferencia puede parecer pequeña, pero en el día a día se nota. Menos aclaraciones. Menos correcciones. Menos “no, así no”. Y todos sabemos que ese “no, así no” es una de las frases más repetidas en la historia reciente de la productividad con IA.

Precauciones y consideraciones de seguridad

La memoria es útil, pero no conviene activarla con mentalidad de barra libre. Si la IA puede recordar información, hay que ser selectivo con lo que compartimos.

La regla básica es simple: seguridad primero.

1. No compartas información sensible

No deberías introducir en una IA información altamente confidencial o sensible, tenga memoria o no la tenga.

Esto incluye contraseñas, credenciales, datos financieros personales o de clientes, secretos comerciales que no deban salir de tu organización, información de identificación personal como DNI o direcciones exactas, y cualquier otro dato que no sea estrictamente necesario para la tarea.

Aquí conviene ser bastante pragmático. Que una herramienta sea cómoda no significa que deba convertirse en el cajón donde dejamos todo lo que no sabemos dónde poner.

Si un dato no lo compartirías alegremente en un documento externo, probablemente tampoco deberías dejarlo en una conversación con IA sin revisar antes las condiciones, permisos y políticas de uso.

2. La memoria no es una base de datos privada

Aunque las grandes plataformas de IA explican que la memoria se utiliza para mejorar la experiencia del usuario, no hay que confundir memoria con caja fuerte personal.

Google, OpenAI, Anthropic y el resto de proveedores operan bajo sus propios términos de servicio, políticas de privacidad y configuraciones de cuenta. Eso obliga a revisar periódicamente qué está activado, qué se guarda, cómo se gestiona y qué opciones de control ofrece cada plataforma.

En muchos casos, puedes desactivar la memoria por completo si prefieres que cada conversación sea un lienzo en blanco.

Además, la mayoría de estas herramientas ofrecen chats temporales o modos equivalentes en los que la información introducida no pasa a formar parte de la memoria. Son especialmente útiles cuando quieres hacer una consulta puntual, trabajar con información delicada o evitar que un dato coyuntural contamine futuras respuestas.

Este punto es importante: memoria y mejora del modelo no son exactamente lo mismo.

Una cosa es que una herramienta recuerde preferencias para personalizar tu experiencia. Otra distinta es que tus conversaciones puedan usarse para entrenar o mejorar los modelos del proveedor. Ambas funciones pueden estar relacionadas dentro de la configuración de privacidad, pero no significan lo mismo. La memoria afecta a cómo la IA te responde a ti. El uso de datos para mejora del modelo afecta a cómo el proveedor puede utilizar tus interacciones para desarrollar o ajustar sus sistemas.

Conviene revisar ambas configuraciones por separado.

3. Cuidado con la memoria antigua

La memoria también puede volverse en nuestra contra.

Si cambias de trabajo, de sector, de proyecto, de estilo o de prioridades, la IA puede seguir respondiendo con una versión antigua de ti. Una especie de fantasma laboral guardado en configuración.

Puede que antes quisieras respuestas técnicas y ahora necesites materiales divulgativos. Puede que antes trabajaras en un sector y ahora estés en otro. Puede que una preferencia que tenía sentido hace seis meses ya no lo tenga.

Por eso la auditoría periódica es clave. Cada cierto tiempo conviene revisar qué ha guardado la IA, eliminar lo que ya no aplica y corregir lo que esté desactualizado.

No hace falta hacerlo cada semana. Pero sí cada pocos meses, especialmente si utilizas la IA de forma profesional.

La memoria útil no es la que acumula más información. Es la que conserva la información correcta.

El equilibrio entre comodidad y control

La memoria transforma las IAs de simples herramientas de consulta en copilotos personales más útiles. Al eliminar la carga de repetir información constantemente, permite dedicar más atención a lo importante: pensar mejor, crear mejor, analizar mejor y resolver problemas con menos fricción.

Pero esa comodidad tiene una condición: el control debe seguir estando en tus manos.

La clave está en usar la memoria de forma consciente. Dale a la IA los detalles que realmente le ayudan a trabajar mejor contigo, pero revisa qué almacena, corrige lo que interprete mal y elimina lo que ya no tenga sentido.

Al final, tú sigues dirigiendo la orquesta. La memoria solo se encarga de que algunas partituras estén listas antes de empezar.

La pregunta es sencilla: ¿has revisado ya qué detalles sobre ti tiene almacenados tu IA favorita, o prefieres mantener cada conversación limpia y sin historial?

Porque igual tu IA te recuerda mejor de lo que crees.

Y eso puede ser muy útil.

O muy digno de revisar cuanto antes.

—Por cierto, ¿mis conversaciones se utilizan para entrenar el modelo?

La respuesta suele venir acompañada de una segunda sorpresa.

—¿Eso se puede configurar?

Sí. Se puede. Y probablemente es una de las configuraciones más importantes que deberíamos revisar antes de empezar a usar cualquier herramienta de IA en un contexto profesional.

Curiosamente, es una de las menos conocidas.

El problema no es la IA. Es el Shadow AI

La adopción de la inteligencia artificial dentro de las empresas está siguiendo un patrón bastante humano. La gente encuentra una herramienta útil y empieza a utilizarla inmediatamente. A veces, incluso antes de que la organización haya decidido qué hacer con ella.

Es lo que se conoce como Shadow AI: empleados que utilizan cuentas personales o servicios no autorizados para ser más productivos.

La intención suele ser buena. El resultado, no siempre.

Porque cuando un profesional copia y pega un informe interno, una propuesta comercial o una conversación con un cliente en una cuenta personal, la cuestión ya no es únicamente la productividad. La conversación pasa a ser sobre privacidad, cumplimiento y gobierno de la información.

No hace falta imaginar escenarios catastróficos. Basta con pensar en la cantidad de datos que manejamos cada día.

Un informe. Un contrato. Una lista de clientes. Una propuesta económica o la transcripción de una reunión.

Todo eso es contexto. Y el contexto es precisamente el combustible que necesita la IA para trabajar.

La configuración que casi nadie mira

La mayoría de grandes plataformas permiten impedir que las conversaciones y documentos se utilicen para mejorar o entrenar los modelos.

Pero esa opción suele estar escondida en menús de configuración que muy poca gente visita.

El problema es que muchos usuarios asumen dos cosas equivocadas:

• Que la opción viene desactivada por defecto.

• Que todas las plataformas funcionan igual.

Ninguna de las dos afirmaciones es necesariamente cierta.

Cada proveedor tiene sus propias políticas, diferencias entre cuentas gratuitas y de pago, y distintos niveles de control.

Por eso merece la pena dedicar cinco minutos a revisar algo que probablemente nos ahorrará muchos dolores de cabeza.

ChatGPT: probablemente la configuración más importante

En ChatGPT existe una opción llamada «Mejorar el modelo para todos».

Si está activada, OpenAI puede utilizar el contenido de las conversaciones para mejorar sus sistemas.

Desactivarla es sencillo:

• Ir a Configuración.

• Abrir Datos y controles.

• Desactivar «Mejorar el modelo para todos».

En las cuentas Team y Enterprise esta protección viene gestionada de otra forma y los contenidos no se utilizan para entrenar los modelos.

Aun así, conviene comprobarlo y entender qué tipo de licencia se está utilizando.

Porque hay una diferencia considerable entre trabajar con una cuenta corporativa y hacerlo con una cuenta personal creada con el correo privado.

Gemini: la letra pequeña importa

En Gemini también existe la posibilidad de gestionar la actividad y el uso de los datos.

Google ofrece opciones para revisar, eliminar o limitar la conservación del historial. La del entrenamiento del modelo se encuentra en la página https://myactivity.google.com/product/gemini

La configuración se encuentra dentro de la gestión de actividad de Gemini y merece una revisión especialmente cuidadosa.

No porque Gemini sea más inseguro que otros sistemas, sino porque muchas personas utilizan la misma cuenta de Google para trabajo, correo personal, fotos y decenas de servicios adicionales.

Separar contextos nunca ha sido una mala idea.

Claude: menos ruido, mismas precauciones

Anthropic ha puesto bastante énfasis en la privacidad y ofrece mecanismos para controlar cómo se utilizan los datos.

La recomendación sigue siendo la misma:

En las cuentas Free, Pro y Max existe un interruptor llamado «Ayuda a mejorar Claude».

La ruta es: Configuración → Privacidad → Ayuda a mejorar Claude.

Al desactivarlo, las nuevas conversaciones dejan de utilizarse para futuros entrenamientos.

La confianza no debería basarse en asumir. Debería basarse en verificar.

Copilot: la cuenta marca la diferencia

Con Copilot ocurre algo parecido.

No es lo mismo utilizar una cuenta Microsoft 365 empresarial con protección comercial que acceder desde una cuenta personal. La experiencia puede parecer idéntica, pero el contexto de seguridad y gobierno de los datos es completamente distinto.

Y aquí aparece una lección interesante.

La seguridad no depende únicamente de la herramienta. También depende del entorno en el que la utilizamos.

En las versiones de consumo existen dos controles independientes:

• Entrenamiento con la actividad de conversación.

• Entrenamiento con conversaciones de voz.

Ambos deberían estar desactivados.

La ruta es: Perfil → Configuración → Privacidad.

La tecnología es importante. Los hábitos, más

Desactivar el entrenamiento es una buena práctica. Pero no resuelve todo.

Si utilizamos una cuenta personal para trabajar con información corporativa, seguimos teniendo un problema. Si copiamos datos sensibles sin anonimizar, también. Si nadie ha definido qué información puede compartirse y cuál no, la configuración sirve de poco.

La gobernanza de la IA no empieza con un comité ni con un documento de cien páginas. Empieza con hábitos sencillos:

• Utilizar cuentas corporativas.

• Revisar la configuración de privacidad.

• Entender las políticas de cada plataforma.

• Anonimizar información sensible.

• Formar a las personas antes de pedirles que utilicen IA.

Parece menos emocionante que hablar de agentes autónomos o de inteligencia artificial general.

Pero es bastante más útil.

La confianza no es una característica. Es una decisión

Pasamos horas comparando modelos, discutiendo cuál razona mejor o cuál genera mejores imágenes, mientras ignoramos la configuración que determina qué ocurre con la información que compartimos con ellos.

La productividad es importante.

La velocidad también.

Pero la confianza es el ingrediente que determinará hasta qué punto las empresas podrán incorporar realmente estas herramientas a sus procesos.

Porque la pregunta relevante no es únicamente qué puede hacer la IA.

La pregunta es si estamos creando las condiciones para utilizarla de una forma responsable.

Y, curiosamente, una parte importante de esa respuesta empieza en un menú de configuración que casi nadie visita.

Creamos un GPT personalizado para escribir con la voz de una marca, un Gem para analizar informes o una colección de instrucciones que copiamos y pegamos cada vez que comienza una conversación nueva. Es una mejora evidente frente a empezar siempre desde cero, pero sigue habiendo bastante trabajo manual: abrir el asistente adecuado, proporcionarle los archivos correctos y recordar qué configuración debemos utilizar para cada tarea.

Las Skills de Claude proponen un paso distinto. En lugar de limitarse a conservar instrucciones sobre cómo queremos que responda la IA, permiten empaquetar conocimiento, procedimientos, recursos e incluso código para que Claude pueda ejecutar una tarea de manera repetible.

La diferencia parece técnica, pero en realidad es organizativa.

Un prompt explica lo que quieres. Una skill intenta conservar cómo trabajas.

Un asistente configurado no es todavía un proceso

Los GPTs personalizados de ChatGPT y los Gems de Gemini permiten definir instrucciones, aportar documentos de referencia y preparar asistentes especializados. Puedes crear uno que conozca el tono de tu empresa, otro que revise contratos o uno que genere propuestas comerciales siguiendo una estructura determinada.

Son útiles y, según su configuración, pueden hacer bastante más que repetir un prompt. El problema aparece cuando empezamos a acumular asistentes para cada cliente, departamento y tipo de entregable.

Tenemos un GPT para LinkedIn, otro para informes, otro para una marca concreta y otro llamado “versión definitiva 3”, que suele ser la señal inequívoca de que la organización ya se ha rendido.

Cada asistente funciona como un entorno particular. Para aprovechar su configuración debes entrar en él, trabajar dentro de esa conversación y acordarte de cuál contiene las instrucciones adecuadas.

Las Skills de Claude siguen otra lógica. Una vez habilitadas, pasan a formar parte del conjunto de capacidades disponibles para Claude. Cuando recibe una petición, puede identificar qué skill resulta relevante, cargar sus instrucciones y aplicarlas a la tarea. También puedes invocarla expresamente cuando quieras asegurarte de que utiliza una concreta.

Esto permite separar la conversación del procedimiento. No necesitas comenzar siempre desde “el asistente de informes del cliente X”. Puedes pedir el informe en una conversación normal y Claude puede recurrir a la skill correspondiente.

De las instrucciones al manual de operaciones

La diferencia más importante no está en dónde aparece la skill, sino en lo que puede contener.

Una skill puede ser muy sencilla: unas líneas que definan el tono, la estructura y las restricciones de un texto. Pero también puede convertirse en una carpeta con instrucciones, documentos de referencia, plantillas y programas ejecutables.

Podría indicar, por ejemplo:

• Qué información debe solicitar antes de comenzar.

• Qué pasos tiene que seguir y en qué orden.

• Qué plantilla debe utilizar.

• Qué cálculos debe realizar.

• Qué archivos tiene que producir.

• Qué comprobaciones debe completar antes de entregar el resultado.

• En qué situaciones debe activarse y en cuáles no.

Por eso conviene no entender una skill únicamente como un prompt más elaborado. La comparación más útil sería la que existe entre una nota con instrucciones y un procedimiento normalizado de trabajo.

La nota dice: “Prepara el informe como solemos hacerlo”.

El procedimiento establece qué datos necesita, cómo debe analizarlos, qué indicadores debe calcular, qué estructura debe tener el documento y qué controles deben realizarse antes de enviarlo.

Ahí está su valor real. No solo evita repetir contexto. También ayuda a transformar conocimiento informal en una forma de trabajar reutilizable.

El mejor indicio para crear una skill

No hace falta convertir inmediatamente todas las tareas de la empresa en skills. Esa sería una forma muy eficiente de producir una biblioteca enorme que nadie sabe para qué sirve.

El mejor punto de partida son los procesos repetitivos.

Cada vez que utilizas expresiones como “hazlo como siempre”, “recuerda que este cliente no usa emoticonos” o “aplica la misma estructura del informe anterior”, probablemente existe una parte del trabajo que merece ser sistematizada.

En una agencia de social media, por ejemplo, podrían tener sentido estas skills:

Voz de marca del cliente. Incluye tono, vocabulario, mensajes prioritarios, términos que deben evitarse, ejemplos aprobados y criterios de revisión.

Calendario editorial. Convierte un briefing en una planificación mensual con las columnas, categorías, frecuencias y formatos que utiliza el equipo.

Informe de resultados. Analiza los datos, calcula los indicadores acordados y genera un documento con la estructura que espera el cliente.

Revisión de contenidos. Comprueba que una publicación cumple las normas editoriales, legales y de marca antes de pasar a aprobación.

Adaptación multicanal. Parte de un contenido principal y genera versiones para LinkedIn, Instagram, newsletter y web, manteniendo el mensaje y ajustando extensión, estructura y llamada a la acción.

La clave está en que estas skills no describen únicamente el resultado. Capturan parte del método utilizado para obtenerlo.

Las skills que Claude ya incorpora

Anthropic ofrece varias skills destinadas a la creación y manipulación de archivos. Entre ellas se encuentran capacidades para trabajar con documentos Word, presentaciones PowerPoint, hojas de cálculo Excel y archivos PDF.

Para utilizarlas, es necesario tener habilitadas la ejecución de código y la creación de archivos. Después se gestionan desde la sección Personalizar > Skills, donde pueden activarse o desactivarse.

A partir de ese momento, Claude puede utilizarlas automáticamente cuando interpreta que son necesarias. Si le pides una presentación, por ejemplo, puede recurrir a la skill correspondiente sin que tengas que indicar el nombre técnico de la capacidad.

Las skills están disponibles en los planes Free, Pro, Max, Team y Enterprise, aunque en entornos corporativos algunas funciones pueden depender de la configuración establecida por el administrador.

También es posible utilizar skills creadas por otras personas o proporcionadas por una organización. En los planes Team y Enterprise, los administradores pueden distribuir procedimientos comunes para que aparezcan en las cuentas de los miembros del equipo.

Esto abre una posibilidad más interesante que la simple personalización individual: utilizar las skills como una capa de estandarización operativa.

Cómo crear tu primera skill

Aunque una skill pueda incluir código y varios archivos, no necesitas comenzar por algo complejo. De hecho, es preferible que la primera resuelva una tarea pequeña, frecuente y fácil de comprobar.

Imaginemos que quieres crear una skill para generar publicaciones de LinkedIn con la voz de uno de tus clientes.

1. Define una tarea concreta

Evita objetivos demasiado amplios como “gestionar el marketing del cliente”. Una skill funciona mejor cuando tiene un propósito reconocible:

Crear borradores de publicaciones de LinkedIn para el cliente X a partir de una noticia, un informe o una idea proporcionada por el usuario.

La descripción debe ayudar a Claude a decidir cuándo utilizarla. Si es demasiado vaga, podría no activarse cuando corresponde o aparecer en tareas donde no aporta nada.

2. Documenta cómo se realiza el trabajo

Explica el proceso como se lo explicarías a una persona que acaba de incorporarse al equipo:

• A quién se dirige el contenido.

• Qué tono debe utilizar.

• Qué estructura suele funcionar.

• Qué mensajes de marca deben aparecer.

• Qué palabras o enfoques deben evitarse.

• Qué longitud debe tener.

• Qué revisión debe realizar antes de terminar.

• Qué debe hacer cuando falte información.

Es recomendable aportar ejemplos de resultados buenos y, cuando sea útil, ejemplos de lo que no debe hacer.

3. Crea el archivo

SKILL.md

El núcleo de la skill es un archivo denominado SKILL.md. Contiene los metadatos que permiten identificarla y las instrucciones que Claude debe seguir.

Claude puede ayudarte a redactarlo. No es necesario dominar el formato desde el primer día: puedes describirle el proceso, pedirle que lo convierta en una skill y revisar después el archivo resultante.

Una skill sencilla puede consistir únicamente en ese documento. Para procesos más complejos pueden añadirse carpetas con referencias, plantillas, ejemplos o programas.

4. Empaqueta e instala la skill

La documentación de Anthropic permite subir una skill desde Personalizar > Skills. Dependiendo de la interfaz y del entorno utilizado, podrás cargar el archivo directamente o subir una carpeta empaquetada en formato ZIP.

Si utilizas un ZIP, debe contener la carpeta de la skill con el archivo SKILL.md en su interior. Después de subirla, debes comprobar que aparece activada en tu configuración.

No es la parte más glamurosa del proceso, pero tampoco estamos compilando un satélite. Una vez preparada correctamente la estructura, la instalación resulta bastante directa.

5. Prueba cuándo se activa y qué produce

No basta con comprobar que la skill funciona una vez. Debes probarla con varias peticiones:

• Una solicitud donde claramente debería activarse.

• Otra donde podría haber dudas.

• Una tarea parecida en la que no tendría que utilizarse.

• Un caso con información incompleta.

• Un ejemplo con datos o instrucciones contradictorias.

Si no se activa cuando corresponde, revisa su nombre y descripción. Si se activa correctamente, pero el resultado es deficiente, ajusta las instrucciones, los ejemplos o los criterios de validación.

La primera versión rara vez será la definitiva. Tampoco lo era aquel prompt de siete páginas que llevabas seis meses parcheando.

Mejor varias skills pequeñas que una criatura mitológica

Uno de los errores previsibles consiste en crear una skill que intente resolver todos los procesos de una organización.

Una sola skill podría contener la voz de cinco clientes, la generación de informes, la planificación editorial, el control legal y, ya que estamos, la receta de la tortilla preferida del director general. Técnicamente, es posible. Operativamente, no parece la mejor idea.

Las skills funcionan mejor cuando son modulares.

Puedes tener una skill con la voz de una marca y otra con el procedimiento para elaborar calendarios editoriales. Claude puede combinar ambas cuando una tarea requiere las dos. Esto facilita su mantenimiento y reduce el riesgo de que instrucciones diferentes entren en conflicto.

También conviene distinguir entre conocimiento y procedimiento. Una cosa es la información sobre un cliente; otra, los pasos necesarios para preparar un informe. Separarlas permite actualizar una parte sin alterar todo lo demás.

La portabilidad es prometedora, pero no mágica

Anthropic publicó Agent Skills como un formato abierto. La especificación ya es compatible con distintas herramientas y entornos de agentes, incluidos Claude Code y otras plataformas de desarrollo.

Esto significa que una skill no tiene por qué quedar vinculada para siempre a una única interfaz. Su estructura básica puede reutilizarse en sistemas compatibles, aunque eso no garantiza que todas las herramientas ejecuten exactamente los mismos programas, integraciones o permisos.

Conviene, por tanto, entender la portabilidad como una dirección prometedora, no como una compatibilidad perfecta e inmediata.

El formato puede viajar. El entorno de ejecución quizá necesite adaptaciones.

Aun con esa cautela, el movimiento es relevante. Hasta ahora, gran parte del conocimiento que introducíamos en un asistente quedaba atrapado en la plataforma donde lo habíamos configurado. Un estándar abierto permite empezar a tratar esos procedimientos como activos que pertenecen a la empresa o al profesional, no al proveedor de IA.

De la productividad individual a la infraestructura de trabajo

La primera utilidad de una skill es ahorrar tiempo. Evita repetir instrucciones y mejora la consistencia de los resultados.

Pero su impacto más importante puede aparecer en otro lugar.

En muchas organizaciones, los procesos reales no están en los manuales. Viven en la cabeza de algunas personas, en documentos desactualizados o en mensajes de Slack que alguien escribió un martes de 2023. Todo funciona mientras esas personas estén disponibles y recuerden explicar cada detalle.

Crear una skill obliga a hacer explícito ese conocimiento: qué pasos seguimos, qué excepciones existen, qué calidad esperamos y qué debe comprobarse antes de dar el trabajo por terminado.

Eso no elimina la necesidad de supervisión humana. Una skill confusa automatiza la confusión con una eficacia admirable. Tampoco convierte un procedimiento mediocre en uno bueno ni garantiza que los datos, las conclusiones o los documentos generados sean correctos.

Lo que sí permite es capturar una forma de trabajar, probarla, mejorarla y distribuirla.

Durante mucho tiempo, la conversación sobre productividad con IA se ha centrado en escribir mejores prompts. Las skills apuntan hacia una fase distinta: dejar de enseñar a la IA cada tarea desde cero y empezar a construir una capa reutilizable de procedimientos.

El prompt seguirá siendo importante. Pero, a medida que la IA se integra en el trabajo diario, la ventaja ya no estará solamente en saber qué pedir.

Estará en haber definido bien cómo debe hacerse.

Tres años y medio después, el panorama es considerablemente diferente. GPTs, Gems, Proyectos, Memorias, Skills, Plugins, conectores MCP, instrucciones de sistema, bases de conocimiento propias. Cada plataforma ha construido sobre aquella caja de texto un ecosistema de capas que promete más potencia a cambio de más complejidad. La pregunta que me hago es si eso es evolución natural o si estamos ante solamente una etapa de evolución.

No tengo una respuesta única: creo que las dos cosas, dependiendo de desde dónde lo mires.

La complejidad no es igual en todas partes

Hay una diferencia importante que debemos tener en cuenta: no toda complejidad adicional es del mismo tipo.

Configurar un GPT personalizado en ChatGPT es rellenar un formulario con instrucciones en lenguaje natural. Cualquier profesional con criterio puede construir algo funcional en veinte minutos sin tocar código. La barrera es baja. Configurar una Skill en Claude, en cambio, implica escribir un archivo estructurado con instrucciones específicas, entender cómo el modelo lo interpreta en contexto, gestionar rutas de sistema y, en muchos casos, código asociado. No es un formulario. Es un artefacto técnico que requiere entender algo de lo que hay por debajo.

Es la diferencia entre configurar y programar. Entre una interfaz de usuario y una interfaz de desarrollador con apariencia de documento de texto. Entre algo evidente que tienes en el primer nivel de la interfaz de la aplicación a un elemento oculto en el menú de configuración.

Dicho esto, conviene no perder la perspectiva: el usuario que hoy abre Claude o ChatGPT y escribe una pregunta tiene exactamente la misma fricción cero que en 2022. Las capas de complejidad son opcionales y progresivas. El problema no es que la herramienta se haya vuelto difícil, sino que la distancia entre “usar” y “sacar rendimiento avanzado” se ha ensanchado de forma notable, y esa distancia no es igual en todos los productos.

Un patrón que conocemos bien

Esto no es nuevo. Microsoft Word existe desde 1983. Hoy tiene cientos de funciones. La inmensa mayoría de sus usuarios utilizan negrita, copiar y pegar, y punto. La herramienta no se volvió difícil: creció en superficie sin expulsar al usuario básico. Excel sigue el mismo patrón: los usuarios avanzados que dominan macros y VBA sacan más potencial de la herramienta que sus compañeros con nivel básico. La brecha de habilidad existe, pero convive perfectamente con millones de personas que solo usan SUMA y formato de celdas.

La IA generativa está recorriendo ese mismo camino, solo que, como todo lo que rodea a esta tecnología, a una velocidad bastante menos contemplativa.

¿Existe otra opción?

En el debate sobre hacia dónde va todo esto, suelen aparecer dos opciones: la IA se convierte en territorio de especialistas o se mantiene accesible para todos.

La dirección que me parece más probable es una tercera: la interfaz conversacional como mecanismo de abstracción de la complejidad. No volver al origen, sino llegar a un punto donde el lenguaje natural hace desaparecer la configuración técnica. Los sistemas agénticos van exactamente en ese camino: Gartner estima que un tercio del software empresarial incorporará IA agéntica antes de 2028. El objetivo declarado es que decirle a un agente lo que quieres sea funcionalmente equivalente a haberlo configurado manualmente con precisión quirúrgica.

Si eso se cumple, la complejidad no desaparece. Simplemente, se vuelve invisible para quien no quiere verla y muy visible para quien necesita controlarla.

El suelo está más alto, aunque la brecha también

Lo genuinamente nuevo en esta ola no es que exista una brecha de habilidad, sino que el punto de partida mínimo de utilidad es extraordinariamente alto comparado con cualquier herramienta cognitiva anterior. Un usuario sin conocimientos muy específicos que obtiene resultados decentes con un LLM sigue obteniendo más valor que ese mismo usuario con cualquier software profesional de generaciones anteriores.

La democratización aquí es real, pero es del resultado final, no del proceso de configuración avanzada. Y esa distinción importa bastante si en tu trabajo tienes que formarte para usar estas herramientas, sacándole el mayor partido.

La conversación pública sobre adopción de IA gira, casi siempre, alrededor de las mismas preguntas: cuánta gente la usa, qué herramientas dominan y si el entusiasmo es real o si está disminuyendo. Son preguntas razonables. Pero hay un dato en la última edición de Navegantes en la Red que las deja en segundo plano, y que conviene leer con atención.

La afirmación con mayor nivel de acuerdo de todo el bloque de opinión sobre IA no es “la IA cambiará el mundo” (4,05 sobre 5). Es esta: “Debería poder identificarse todo lo hecho con IA”. Media: 4,17 sobre 5.

La ciudadanía digital española no solo usa la IA. Ya está pidiendo trazabilidad.

Lo que dicen los datos de uso

Antes de llegar ahí, los números de adopción. El estudio de AIMC, realizado entre octubre y diciembre de 2025 con más de 15.000 entrevistas a internautas españoles, confirma que la IA ha dejado de ser una curiosidad de entusiastas.

El 69,5% de los internautas ha utilizado alguna herramienta de IA en el último mes. El 36,5% la usó el día anterior a la encuesta. ChatGPT lidera con el 74,2% de los usuarios recientes, seguido de Gemini (41,9%) y Copilot (22,9%). El resto del ecosistema, Meta AI, Grok, Perplexity, DeepSeek, Claude, tiene cuotas bajas, pero presencia ya reconocible.

El uso dominante sigue siendo buscar información: el 73,6% usa IA para consultas. Pero generación de textos (38,2%), análisis y resumen (33,2%), traducción (33,2%) e imagen o vídeo (32,1%) ya tienen penetraciones relevantes. Son exactamente las tareas centrales del trabajo de conocimiento. Y el 40,6% declara motivos laborales entre sus razones de uso, frente al 75% que señala uso personal.

La lectura directa: La adopción profesional está avanzando con o sin política corporativa. Lo cual, para quienes gestionan equipos, no es una buena noticia, sino una pregunta pendiente.

El detalle que cambia la lectura

El 69,7% de quienes usan IA ha detectado información errónea, no fiable o falsa al menos ocasionalmente. Casi la misma proporción que la usa con frecuencia.

Que ambas cifras sean casi idénticas no es una coincidencia. Es un retrato de la relación real que se está construyendo con esta tecnología: pragmática, un poco descuidada y bastante alejada del entusiasmo que el sector lleva años proyectando. La gente usa la herramienta, le saca partido, detecta sus fallos y sigue adelante. No porque confíe ciegamente, sino porque la utilidad inmediata supera el esfuerzo de verificar cada respuesta.

Satisfacción general: 3,72 sobre 5. ChatGPT sube hasta 3,93. Razonablemente bien, sin que nadie se desmaye de entusiasmo.

Lo que la gente quiere y las marcas todavía no dan

Volvemos al dato del principio. El 4,17/5 de acuerdo con “debería identificarse todo lo hecho con IA” no es un número de nicho. Supera en intensidad a “la IA tiene mucho futuro” (3,77), a “me preocupa el aumento del uso de la IA” (3,74) y a “estoy impresionado por lo que la IA puede hacer” (3,68).

Los principales problemas percibidos refuerzan la misma lectura: uso indebido o no ético (74,4%), aumento de desinformación y deepfakes (61,8%), falta de regulación (57,6%). No es que la gente rechace la IA. Es que exige condiciones: saber qué es real, saber cómo se ha generado, saber quién responde si algo falla.

La respuesta corporativa, en la mayoría de los casos, sigue siendo opaca o inexistente. Las marcas están ocupadas decidiendo cuánta IA usar y en qué tareas. La audiencia ya ha pasado esa pregunta y está en la siguiente: exige que se diga.

La brecha que importa

Solo el 22,8% de los internautas considera que los beneficios de la IA superan claramente a los riesgos. El 33,3% cree lo contrario. La mayoría, el 43,5%, los ve equilibrados.

No es rechazo. Es escepticismo activo, que es una posición bastante más sofisticada que el entusiasmo acrítico que domina los eventos del sector. Y es también el punto de partida real para cualquier estrategia de comunicación, adopción o formación que pretenda funcionar.

La próxima fase de adopción de IA no se ganará con mejores modelos ni con más funcionalidades. Se ganará con mejores procesos, más transparencia y mecanismos verificables de confianza. El público ya sabe lo que quiere. La pregunta es si las organizaciones se están enterando.

Compartir

Durante unos años, el discurso fue ese. Todo iba a ser más sencillo, más inteligente y más rentable.

Lo que llegó después fue bastante diferente.

En lugar de simplificar el ecosistema publicitario, la automatización terminó creando nuevas capas de complejidad. Empezaron a aparecer plataformas para comprar medios, plataformas para gestionar datos, plataformas para verificar fraude, plataformas para medir atención, plataformas para conectar identidades y plataformas para interpretar lo que hacían las plataformas anteriores. La industria no eliminó fricción: la reorganizó y la redistribuyó.

Hoy buena parte de la inversión digital pasa por sistemas automatizados altamente concentrados en muy pocos actores. Y aunque la tecnología ha aportado eficiencia real, también ha generado dependencias técnicas, opacidad operativa y una complejidad que muy pocas marcas entienden completamente.

La promesa era un copiloto. Lo que muchas empresas terminaron recibiendo fue un nuevo cockpit lleno de instrumentos que nadie sabía utilizar del todo.

Y exactamente ese mismo patrón empieza a repetirse ahora con la inteligencia artificial.

La IA generativa se está implantando en marketing a una velocidad extraordinaria. Según McKinsey, más del 70% de las organizaciones ya la utiliza de forma habitual. Vista desde fuera, la sensación es la de una transformación imparable. Pero cuando se observa con algo más de detalle aparece un dato mucho menos espectacular: solo una pequeña parte de esas compañías afirma estar obteniendo valor realmente significativo y medible.

Eso no significa que la IA no funcione. Significa que muchas empresas están desplegando inteligencia artificial sobre estructuras que ya eran desordenadas antes de la llegada de ChatGPT.

Y la IA tiene una característica importante: no corrige automáticamente los problemas de una organización. Normalmente los amplifica.

Esto se ve especialmente claro en los datos. Una gran parte de las empresas sigue teniendo información fragmentada entre múltiples sistemas, inconsistencias en clientes, activos de marca mal estructurados o procesos internos difíciles de conectar. Mientras tanto, la conversación pública sobre IA continúa centrándose en modelos, herramientas y nuevas funcionalidades, como si la ventaja competitiva estuviera únicamente en elegir correctamente la plataforma.

En realidad, el verdadero diferencial probablemente estará en otro sitio: en la calidad y coherencia del sistema que alimenta esos modelos.

Porque si una empresa tiene problemas de consistencia en su marca, la IA producirá más inconsistencia. Si los datos están incompletos o duplicados, el sistema aprenderá precisamente de esos errores. Y quizá ahí esté uno de los mayores riesgos de esta etapa: la IA no solo permite escalar el trabajo bien hecho; también permite escalar rápidamente el caos, solo que con mejores acabados visuales y textos aparentemente más convincentes.

Algo parecido ocurre con la responsabilidad sobre los contenidos generados.

En 2024, un tribunal canadiense obligó a Air Canada a respetar una tarifa errónea inventada por su chatbot. La compañía intentó defenderse argumentando que había sido un fallo de la inteligencia artificial y no una decisión humana directa. El tribunal rechazó ese planteamiento sin demasiadas dudas: quien presta el servicio y publica la información sigue siendo responsable de ella, independientemente de cómo se haya generado.

El caso es interesante porque resume bastante bien el momento actual. Muchas organizaciones están descubriendo que automatizar no implica trasladar la responsabilidad a la máquina. La responsabilidad sigue perteneciendo a la empresa.

Y eso tiene consecuencias importantes en marketing.

Cuando un sistema genera contenido incorrecto, sesgado o directamente falso, el problema no es únicamente técnico. El impacto puede acabar afectando a reputación, confianza y credibilidad de marca. Precisamente por eso muchas grandes compañías ya están implantando procesos obligatorios de revisión humana antes de publicar contenidos generados con IA.

No porque sean organizaciones “menos innovadoras”, sino porque entienden que la supervisión no es un freno a la productividad. Es parte del sistema de control de calidad.

A todo esto se suma otro elemento que todavía muchas empresas están tratando como un asunto secundario: la gobernanza.

El debate sobre IA suele centrarse en capacidades, productividad y automatización, pero mucho menos en cuestiones relacionadas con propiedad intelectual, uso de datos, derechos de explotación o dependencia tecnológica. Y, sin embargo, probablemente ahí estén algunas de las decisiones más estratégicas que van a tomarse durante los próximos años.

Especialmente porque la historia reciente de Internet ya nos ha enseñado cómo suelen evolucionar estos mercados.

Las plataformas tecnológicas acostumbran a atravesar una primera fase de adopción relativamente accesible. El objetivo inicial es que el ecosistema se acostumbre a trabajar dentro de ellas. Después llegan las integraciones, las dependencias y los cambios de costes. Ya ocurrió con Google Ads, con Facebook y con muchas otras plataformas digitales.

No hay demasiados motivos para pensar que la IA empresarial vaya a seguir una lógica distinta.

Por eso resulta llamativo que muchas empresas estén negociando implantaciones de IA sin prestar demasiada atención a cuestiones como la portabilidad de datos, las condiciones de salida o el coste futuro de ciertas automatizaciones. Son conversaciones poco atractivas comparadas con las demos espectaculares de agentes inteligentes o generación multimodal, pero probablemente acabarán siendo mucho más importantes.

Porque la cuestión ya no es si las empresas van a utilizar IA en marketing. Esa decisión prácticamente está tomada. La verdadera diferencia estará en cómo se construye esa adopción.

Las organizaciones que antes consigan ordenar sus datos, definir responsabilidades claras, establecer criterios de supervisión y entender las implicaciones legales y económicas de sus proveedores probablemente tendrán una ventaja mucho más sólida que aquellas que simplemente acumulen herramientas nuevas.

La historia de la publicidad programática deja una lección bastante útil en ese sentido. La automatización sí transformó el sector. Pero también desplazó complejidad hacia lugares donde muchas marcas dejaron de entender realmente cómo funcionaba el sistema.

La IA puede hacer exactamente lo mismo.

Y quizá el mayor riesgo no sea que las empresas lleguen tarde a la inteligencia artificial.

Quizá el verdadero riesgo sea adoptar una nueva capa de complejidad creyendo que estamos simplificando las anteriores.

El problema no es el modelo. El problema es que “mi estilo” significa muy poco si no lo convertimos en información útil.

Decirle a una IA que escriba de forma “clara, cercana, profesional y con un toque de humor” es casi no decirle nada. Son adjetivos tan genéricos que nadie los rechazaría. Nadie pide voluntariamente: “Hazlo confuso, frío y con olor a comité.”

La diferencia está en los detalles. ¿Qué tipo de cercanía? ¿Qué tipo de humor? ¿Qué nivel de opinión? ¿Qué palabras evitarías? ¿Qué frases jamás publicarías? Ahí empieza el trabajo real.

El estilo es solo la superficie

Un gemelo editorial no es un avatar ni un prompt maestro de dos mil palabras. Es algo más útil y menos espectacular: un sistema de contexto. Una representación estructurada de tu voz, tu criterio, tus temas recurrentes, tus límites, tus ejemplos habituales y tu manera de corregir.

Su función no es copiar tu estilo. Es reducir la distancia entre lo que la IA propone y lo que tú habrías corregido.

Cuando hablamos de escribir “como una persona”, pensamos en estilo: frases cortas o largas, tono académico o conversacional, ironía ligera, estructuras narrativas. Eso importa, pero es solo la primera capa. Puedes entrenar a un modelo para que reproduzca ciertos rasgos formales y obtener textos que no tienen nada que ver contigo. Textos que suenan parecidos, pero piensan diferente.

Por eso un gemelo editorial necesita tres niveles:

El primero es la voz: cómo escribes. Ritmo, tono, longitud de frases, palabras recurrentes, palabras prohibidas, estructura de textos, grado de humor permitido.

El segundo es el criterio: cómo piensas cuando escribes. Qué temas te importan, qué lugares comunes te irritan, qué ideas defiendes, dónde eres prudente y dónde eres contundente, qué evidencias necesitas antes de afirmar algo.

El tercero es la memoria editorial: qué has dicho antes y cómo ha evolucionado tu pensamiento. No solo para repetir lo que ya has dicho, sino para no repetirte sin darte cuenta. Que, visto el estado medio de LinkedIn, no es una función menor.

Cómo se construye

El primer paso es reunir un corpus real. No bastan dos publicaciones y una bio escrita con entusiasmo de consultor. Para que la IA entienda patrones, necesita material variado: artículos, newsletters, guiones, emails relevantes y, si es posible, versiones corregidas de textos. Los textos finales enseñan cómo escribes. Los textos corregidos enseñan algo más valioso: cómo decides.

El segundo paso es una entrevista de gusto. La mayoría del criterio editorial es implícito. Sabemos que algo no nos encaja, pero no siempre sabemos por qué. Hay que interrogar ese criterio con preguntas concretas: ¿qué tono te da vergüenza ajena?, ¿qué titulares te parecen tramposos?, ¿qué ideas de tu sector consideras infladas?, ¿qué expresiones evitarías?, ¿qué textos te representan mejor?

El tercer paso es convertir todo eso en una guía editorial, no en un prompt. El prompt es la interfaz. Lo importante es la guía: quién eres y desde dónde escribes, a quién te diriges, qué tono buscas y cuál rechazas, cómo argumentas, cómo usas ejemplos, qué palabras evitas, qué fuentes consideras fiables.

Y la guía también debe incluir instrucciones de revisión. Porque el mejor uso de un gemelo editorial probablemente no es generar textos desde cero, sino ayudarte a mejorar borradores.

Los riesgos también importan

Primero: convertirte en fórmula. Si el sistema aprende demasiado bien tus patrones, acaba caricaturizándote. La solución pasa por introducir variedad estructural y revisión humana.

Segundo: congelar tu pensamiento. Si el gemelo se alimenta solo de textos antiguos, replica ideas que ya has superado. Actualizar la memoria editorial es obligatorio.

Tercero: amplificar sesgos. Tu gemelo hereda tus puntos ciegos. Un modo crítico que busque contraargumentos y detecte afirmaciones débiles es imprescindible.

Cuarto: la privacidad. Subir emails confidenciales o textos de terceros sin criterio puede generar problemas legales o reputacionales. Separa corpus público y privado.

Y el quinto, quizá el más sutil: publicar textos que suenan a ti, pero que no han pasado realmente por ti. La IA puede acelerar el proceso y mejorar la estructura. Pero la firma sigue siendo tuya. Y si la firma es tuya, la responsabilidad también.

El verdadero valor

Para enseñar a una IA a escribir como tú, primero tienes que entender cómo escribes tú.

La paradoja es que el mayor beneficio de crear un gemelo editorial quizá no sea que la IA te imite mejor. Es que tú entiendas mejor qué hace que tu voz sea tuya.

Existe un marco conceptual útil, acuñado en torno a la idea de “fluidez en IA”, que resume lo que realmente importa: no la tecnología, sino cómo colaboras con ella. Se articula en torno a cuatro dimensiones, las “4D”: Delegación, Descripción, Discernimiento y Diligencia. Entiéndelas, practica con ellas, y dejarás de usar la IA al azar.

Delegación: qué hace cada quien

La pregunta inicial no es “¿puedo hacerlo con IA?”, sino “¿debería?”. Y antes aún: “¿Quién está mejor posicionado para hacerlo?”

Delegación es la capacidad de decidir conscientemente qué trabajo haces tú, cuál delegas completamente a la IA y en cuál colaboráis. Suena obvio. No lo es.

Un redactor que intenta delegar “escribe un artículo sobre sostenibilidad” a una IA y espera obtener lo que haría un redactor humano, está desperdiciando talento. El mismo redactor que le pide a la IA que “genere 20 variantes de titular para A/B test” y luego elige, está ganando productividad sin merma intelectual.

La delegación efectiva requiere dos cosas: conocimiento del problema (¿qué necesito realmente?) y conocimiento de la plataforma (¿qué sabe hacer esta IA, realmente?).

Un analista de datos que delega a la IA el “limpiado” de un dataset sucio juega inteligentemente. Quien delega “el análisis completo” y confía ciegamente en el resultado, está abdicando. La diferencia es el criterio.

Descripción: Cómo pides, cómo recibes

Una vez sabes qué delegar, toca comunicar. Y aquí la mayoría se equivoca.

“Escribe un email de ventas” obtiene algo genérico. “Escribe un email para un director de marketing que rechazó nuestra propuesta hace un mes, con tono sincero pero firme, que reconozca sus objeciones iniciales y proponga una alternativa concreta en lugar de presionar” obtiene algo diferente. Distinto.

Descripción abarca tres niveles:

El qué: Define claramente el resultado que esperas, su formato, a quién va dirigido, qué tono debe tener.

El cómo: guía el proceso. “Dame cinco opciones” versus “dame la mejor opción” versus “dame lo que harías si fueras un redactor senior de 15 años en la industria”. El proceso importa tanto como el destino.

El comportamiento: Define si la IA debería ser concisa o detallada, exploratoria o definitiva, desafiante o comprensiva.

Los sistemas de IA no son máquinas expendedoras. Son socios interactivos que responden mejor a claridad, contexto y especificidad. Una descripción pobre arroja resultados pobres. Así de simple.

Discernimiento: cuándo confiar, cuándo sospechar

Recibiste el resultado. Ahora qué.

Aquí entra el discernimiento: la capacidad de evaluar críticamente qué produjo la IA, cómo lo produjo y cómo se comportó.

Tres dimensiones:

¿Qué produjo? Evalúa calidad, precisión, idoneidad, relevancia. ¿El análisis es correcto? ¿Los datos encajan? ¿Hay información que falta o que sobra?

¿Cómo llegó ahí? Examina el razonamiento. ¿Hay saltos lógicos? ¿Se perdió en los matices? ¿Hay sesgos ocultos?

¿Cómo se comportó? ¿Su estilo fue el que pediste? ¿Entendió el contexto? ¿Se adaptó a tus necesidades?

El error común: evaluar solo el resultado. Los profesionales que crecen mantienen una mirada crítica en los tres niveles. Un análisis que se ve correcto puede tener un razonamiento fallido. Un email que suena bien puede haber ignorado tus instrucciones de tono.

Diligencia: responsabilidad sobre lo que compartes

Por último, diligencia, el aspecto ético y de responsabilidad.

Tres componentes prácticos:

Elección consciente: Reflexiona sobre qué sistemas de IA usas y por qué. No todos son iguales. Sus capacidades, limitaciones y políticas de uso varían.

Transparencia: Sé honesto sobre dónde interviene la IA en lo que produces. Tu audiencia tiene derecho a saber. Los contextos diferentes exigen niveles distintos de divulgación —personal, académico, profesional—, pero la honestidad no cambia.

Responsabilidad sobre el resultado: No puedes escudarte en “la IA lo hizo”. Tú verificas, tú decides, tú asumes las consecuencias de lo que compartes.

Lo que une todo

Las 4D no son independientes. Se retroalimentan. Delega mejor cuando describes bien. Disciernen mejor cuando delegas conscientemente. Y todo está protegido por diligencia.

El resultado más poderoso no surge de “usar la IA más avanzada”. Surge cuando humano e IA se complementan, cuando tú aportas criterio y la IA aporta velocidad. Las competencias importan más que el modelo.

Practica estas cuatro dimensiones. Deliberadamente. Con intención. En tres meses, tu relación con la IA será irreconocible.

La evolución de la inteligencia artificial se parece, en algunos aspectos, a la evolución humana. Esa comparación sirve para hacernos una pregunta relevante: si la IA avanza muy rápido en capacidad, ¿estamos avanzando igual de rápido en aprender a usarla sin hacernos daño?

La paleontología distingue entre dos cosas: por un lado, los cambios físicos que aumentan capacidades (como un cerebro mayor o manos más precisas) y, por otro, la capacidad de organizar la vida en sociedad (normas, educación, cooperación) para no autodestruirnos. En este artículo usaré esa idea para hablar de IA.

Eudald Carbonell y Policarp Hortolà lo plantearon así en un artículo de 2013: una especie puede ganar “potencia”, pero si no aprende a gestionarla, se mete en problemas. Carbonell lo lleva más lejos: cree que estamos cerrando una etapa del Homo sapiens y entrando en otra marcada por cambios profundos, no solo por mejoras graduales.

Si miramos los grandes modelos de lenguaje (LLM), da la sensación de que la “capacidad” está creciendo a toda velocidad, mientras que el debate social, la educación y las reglas van detrás. A partir de aquí aplico ese marco y saco tres consecuencias prácticas.

Cómo han crecido los LLM

En pocos años, los modelos han pasado de ser relativamente pequeños (como GPT‑1 en 2018) a sistemas muchísimo más grandes (GPT‑2, GPT‑3 y, después, GPT‑4). A partir de GPT‑4, muchas cifras dejaron de publicarse, pero la tendencia es clara: entrenar estos modelos cuesta cada vez más y requiere enormes recursos.

Dicho de forma sencilla: la IA está ganando “músculo” muy rápido. Ese salto de potencia puede traer beneficios, pero también amplifica errores, sesgos y usos irresponsables si no se acompaña de controles y aprendizaje social.

Además, han aparecido mejoras que hacen que los modelos entiendan mejor el contexto, combinen texto con otros formatos (como imágenes) y resuelvan problemas más difíciles. Informes como el AI Index de Stanford señalan que, en algunas pruebas, estos sistemas ya alcanzan resultados similares a los de personas muy formadas. La capacidad técnica avanza más rápido de lo que nuestras instituciones suelen absorber.

Hasta aquí, la potencia crece. El problema es lo que no crece al mismo ritmo.

Lo que falta: educación, reglas y control compartido

Si “humanizar” significa que una sociedad entiende, reparte y gobierna bien una tecnología, el balance actual de la IA deja dudas. Se ve en tres cosas:

• Mucho poder en pocas manos. Gran parte del desarrollo y del negocio se concentra en muy pocas empresas.

• Inversión muy desigual. La mayor parte del dinero y la infraestructura se acumula en unos pocos países, lo que deja a otros con poca capacidad de decisión.

• Uso rápido, formación lenta. La gente y las organizaciones adoptan herramientas de IA más rápido de lo que aprenden a entenderlas y a poner límites.

• Reglas que van por detrás. La regulación está avanzando (por ejemplo, en Europa), pero suele llegar después de que la tecnología ya esté desplegada.

La pregunta de fondo: ¿quién decide?

Carbonell insiste en una idea simple: una especie madura cuando es capaz de pensar y actuar como un “nosotros”. Aplicado a la IA, la pregunta es directa: ¿quién decide cómo se entrena, se usa y se controla una tecnología que afecta a todo el mundo?

Hoy, en la práctica, deciden sobre todo un puñado de empresas y unos pocos gobiernos; el resto intenta seguir el ritmo. Y el debate público suele irse a extremos: o promesas de que todo será maravilloso, o miedo a un desastre total. Ninguno de los dos ayuda a construir decisiones colectivas y realistas.

El punto clave no es si la IA “supera” a las personas en abstracto, sino si somos capaces de crear reglas, educación y controles para usarla bien. Con esa idea, vamos a lo práctico.

Tres medidas prácticas

Si aceptamos este marco, hay tres cosas que conviene impulsar cuanto antes:

1. Saber qué es humano y qué es IA. Necesitamos formas claras de indicar el origen de los contenidos (texto, imágenes, audio): quién lo creó y con qué herramientas. Sin eso, se vuelve muy difícil confiar, verificar y debatir con información común.

2. Formarnos en IA. No basta con usar estas herramientas: hay que entender sus límites (errores, sesgos, privacidad) y aprender buenas prácticas. Si la adopción va por delante de la comprensión, aumentan los riesgos y la dependencia.

3. Evitar la concentración. Cuando una tecnología clave depende de muy pocos actores, es más frágil y menos controlable por la sociedad. Fomentar alternativas (más competencia, más opciones abiertas y más capacidad regional) ayuda a repartir poder y a reducir dependencias.

Un cierre sin demasiado optimismo

A veces se asume que, con el tiempo, aprenderemos a usar bien la IA “de forma natural”. Pero la historia sugiere que cuando una capacidad crece más rápido que las reglas y la educación, aparecen desequilibrios y conflictos.

Lo que está en juego no es solo “regular una app”, sino decidir cómo se gobierna una tecnología que cambia trabajo, educación, información y poder. Si no construimos acuerdos y capacidades colectivas, la dirección la marcarán quienes tengan más recursos.

La distinción entre “más potencia” y “mejor gestión” no resuelve nada por sí sola, pero ayuda a enfocar el debate. La pregunta final es simple: ¿vamos a desarrollar, a tiempo, la educación y las reglas necesarias para convivir con esta tecnología?

Los estilos de escritura de Claude entran de lleno en esa categoría.

Es una de esas funciones que parece menor hasta que entiendes bien qué resuelve. Porque el problema no es que Claude, ChatGPT o cualquier otro modelo escriban mal. El problema es que, si no les dices nada más, suelen escribir de una forma correcta, ordenada y razonablemente útil… pero también bastante genérica. Ese tono educado, neutro, algo plano, que sirve para muchas cosas, pero rara vez encaja del todo con una voz concreta, una marca concreta o un contexto profesional concreto.

Y ahí es donde los estilos de escritura tienen más valor del que parece.

No se trata de qué responde, sino de cómo responde

Claude incorpora en su interfaz un sistema de estilos que permite configurar de forma persistente cómo quieres que el modelo comunique. No hablamos del contenido de la respuesta, sino de la forma: el tono, la longitud, la estructura, el registro, el vocabulario, el nivel de detalle y el modo en que organiza las ideas.

Es decir, todo eso que normalmente intentamos resolver añadiendo instrucciones al prompt: “escribe de forma clara”, “Hazlo más ejecutivo”, “Usa un tono divulgativo”, “No seas tan formal”, “resume más”, “desarrolla un poco más”, “haz que suene más natural”. Instrucciones que funcionan, sí, pero que tenemos que repetir una y otra vez con una constancia que haría llorar discretamente a cualquier responsable de productividad.

Claude ofrece varios estilos predefinidos. Está el modo normal, que es la respuesta estándar. Está el modo concise, pensado para respuestas más directas y breves. Y está el modo explanatory, orientado a explicar conceptos con una lógica más educativa.

Hasta aquí, nada especialmente revolucionario. Es útil, pero no cambia demasiado el proceso. Lo interesante empieza cuando pasamos a los estilos personalizados.

La personalización empieza cuando dejas de improvisar cada prompt

Los estilos personalizados permiten definir una voz propia para Claude. Para crearlos, hay que entrar en el desplegable de estilos, seleccionar la opción de crear o editar estilos y decidir si se quiere empezar desde un estilo base o desde cero.

La gracia está en que no tienes que limitarte a una descripción vaga. Puedes subir muestras de escritura propia en PDF, DOC o TXT, o escribir instrucciones directas sobre cómo quieres que el modelo responda. Claude analiza esos patrones de tono, estructura y vocabulario, genera un perfil de estilo y lo aplica de forma sistemática en adelante.

La lógica es sencilla: en vez de explicarle en cada conversación cómo quieres que escriba, lo configuras una vez y lo reutilizas cuando lo necesitas.

Esto cambia bastante la relación con la herramienta. Deja de ser una conversación donde cada vez tienes que volver a poner en contexto al modelo y empieza a parecerse más a trabajar con un asistente que ya conoce tus preferencias básicas de comunicación. No porque “entienda tu alma creativa”, que sería una forma bastante generosa de decirlo, sino porque tiene instrucciones persistentes y ejemplos suficientes para reducir la fricción.

Estilos y proyectos: dos capas distintas

Una parte interesante es que los estilos se combinan especialmente bien con la función de Proyectos de Claude.

Los proyectos sirven para controlar el contexto: documentación, conocimiento de dominio, instrucciones de equipo, materiales de referencia, criterios internos o información específica de una cuenta, una marca o una línea de trabajo.

Los estilos, en cambio, controlan la forma en que ese contexto se comunica.

La diferencia es importante. Un proyecto le dice a Claude qué debe saber. Un estilo le dice cómo debe explicarlo. Y cuando juntas ambas capas, el resultado suele ser mucho más consistente que cuando intentas resolverlo todo dentro de un único prompt eterno, de esos que empiezan siendo una instrucción y acaban pareciendo la constitución provisional de una pequeña república.

Para un equipo de marketing, comunicación o consultoría, esta separación tiene bastante sentido. Puedes tener un proyecto con toda la documentación de una marca y, al mismo tiempo, varios estilos según el uso: uno para newsletters, otro para informes ejecutivos, otro para propuestas comerciales y otro para comunicación interna.

No cambia solo el texto final. Cambia el flujo de trabajo.

Cómo configurarlo sin perder media tarde

La configuración no tiene mucho misterio. Abres Claude, vas al menú de estilos, eliges la opción de crear o editar estilos y decides si quieres partir de un estilo existente o construir uno nuevo desde cero.

La parte importante no es técnica, sino editorial. Si las instrucciones son vagas, el resultado será vago. Decir “escribe de forma clara” aporta poco. Es una intención, no una directriz operativa. En cambio, una instrucción como “usa frases cortas, evita el lenguaje de cobertura y empieza siempre con la conclusión antes que con el contexto” sí le da al modelo una pauta concreta.

También conviene usar la vista previa antes de confirmar el estilo. Claude permite probar cómo quedaría una respuesta real con ese perfil aplicado, y ese paso es útil para detectar si el estilo se ha ido demasiado hacia lo robótico, lo excesivamente breve o lo artificialmente entusiasta. Porque sí, los modelos tienen una facilidad preocupante para convertir cualquier instrucción de “tono cercano” en un folleto de coaching corporativo.

Otro punto importante es no intentar crear un único estilo para todo. Tu newsletter no debería sonar igual que un informe para un comité de dirección. Una propuesta comercial no debería tener la misma cadencia que una guía interna. Y un post de LinkedIn tampoco debería escribirse como una nota jurídica, salvo que el objetivo sea reducir voluntariamente la esperanza de lectura.

La ventaja es que puedes guardar varios estilos y cambiar entre ellos en cualquier momento, incluso dentro de una misma conversación. Eso permite ajustar el output al contexto sin volver a escribir las mismas instrucciones una y otra vez.

Dos estilos que puedes copiar y adaptar

Para que esto no se quede en una recomendación abstracta, aquí tienes dos estilos que se pueden usar como punto de partida.

El primero está pensado para newsletter o contenido editorial:

Responde con frases cortas y párrafos de máximo tres o cuatro líneas. Usa un tono directo, analítico y ligeramente irónico, sin caer en el sarcasmo. Estructura cada respuesta en tres capas: qué ha pasado, por qué importa y qué cambia en la práctica. Evita adverbios de intensidad como “muy”, “sumamente” o “enormemente”. No uses listas de bullets salvo que yo las pida expresamente. El primer párrafo debe arrancar con el argumento principal, no con contexto.

Este estilo funciona bien cuando el objetivo es explicar ideas con ritmo, sin convertir cada respuesta en un informe. Es especialmente útil para newsletters, artículos divulgativos, artículos largos o análisis donde importa tanto la claridad como la voz.

El segundo está pensado para comunicación interna y reportes ejecutivos:

Responde de forma concisa y estructurada. Empieza siempre con la conclusión o recomendación principal. Usa lenguaje preciso y evita jerga técnica, salvo que sea imprescindible y esté explicada. Utiliza un máximo de tres puntos de soporte por argumento. Si la respuesta supera las 200 palabras, indica al inicio de qué secciones está compuesta. El formato debe estar orientado a profesionales que leen en diagonal.

Este otro perfil encaja mejor con entornos de empresa: informes, actualizaciones internas, recomendaciones, resúmenes para dirección o documentos donde el lector no busca recrearse en la prosa, sino entender rápido qué pasa, qué implica y qué decisión debería tomar.

Lo relevante no es copiar estos estilos como si fueran definitivos. Lo útil es usarlos como base. Puedes editarlos, probarlos, ajustarlos y combinarlos con ejemplos propios. El sistema permite modificar las instrucciones después de crear el estilo, así que no hay que acertar a la primera. De hecho, probablemente no acertarás a la primera. Tampoco pasa nada. La primera versión de casi cualquier sistema de trabajo suele ser una hipótesis con algo de autoestima.

Porque esto cambia el proceso, no solo el resultado

La clave de los estilos no es que Claude “suene mejor”. Eso está bien, pero no es lo más importante. Lo relevante es que elimina una capa de trabajo repetitivo: la de re-instruir al modelo en cada sesión.

Pensemos en un equipo de contenidos que produce cinco o seis piezas semanales. Cada pieza pasa por distintas fases: ideación, borrador, adaptación a canal, revisión, resumen, titulares, versiones para redes, quizá una bajada para email o una versión más ejecutiva. En cada una de esas fases, alguien suele dedicar tiempo a calibrar la herramienta: “hazlo más breve”, “menos genérico”, “más parecido a nuestra voz”, “más claro”, “menos solemne”, “más concreto”.

Ese tiempo no parece demasiado cuando miras una sola conversación. Pero a escala de equipo, semana tras semana, se convierte en una pequeña fuga de productividad. No una gran catástrofe. Peor: una ineficiencia discreta, constante y perfectamente normalizada. Las peores suelen venir así, con cara de procedimiento habitual.

Los estilos personalizados reducen esa fricción porque convierten parte de la dirección editorial en configuración previa. La voz, la estructura y algunas reglas básicas dejan de depender de la memoria del usuario en cada prompt. Pasan a estar incorporadas en el entorno de trabajo.

Eso no elimina la revisión humana. Tampoco debería. La IA puede acercarse mucho a un tono, pero sigue necesitando criterio, contexto y supervisión. Especialmente en contenidos sensibles, comunicación de marca, documentos comerciales o textos donde haya implicaciones legales, reputacionales o estratégicas.

Pero sí cambia el punto de partida. En vez de corregir siempre desde una respuesta genérica, empiezas desde una respuesta más cercana a lo que necesitas.

La consistencia también es productividad

Cuando hablamos de productividad con IA, tendemos a pensar en velocidad: hacer más cosas en menos tiempo. Pero en comunicación, la productividad también depende de la consistencia. Que una marca no suene distinta en cada documento. Que un equipo no tenga que reescribir diez veces una respuesta porque “está bien, pero no somos nosotros”. Que los textos tengan una estructura reconocible. Que el estilo no dependa del cansancio, la prisa o la habilidad del último que tocó el documento.

Ahí es donde esta función gana peso.

Un estilo personalizado bien configurado no convierte a Claude en editor jefe. Tampoco sustituye una guía de tono, ni una estrategia de contenidos, ni el criterio profesional de quien revisa. Pero sí puede actuar como una capa de estandarización ligera. Una forma de que las primeras versiones salgan más cerca del objetivo.

Y eso, en equipos que trabajan con volumen, importa.

Porque cada minuto que no dedicas a repetir instrucciones básicas lo puedes dedicar a tareas de más valor: definir el enfoque, validar el argumento, comprobar datos, afinar ejemplos, detectar riesgos, ajustar el mensaje al canal o decidir si el contenido realmente aporta algo. Que tampoco es mala idea, puestos a publicar.

El riesgo: confundir estilo con criterio

Como siempre con la IA generativa, conviene no confundir una mejora de forma con una mejora automática de fondo.

Un texto puede sonar muy bien y estar mal orientado. Puede tener una voz impecable y contener errores. Puede respetar el tono de marca y, aun así, simplificar demasiado, inventar una fuente o ignorar una restricción legal. El estilo ayuda a comunicar mejor, pero no valida la veracidad ni la conveniencia de lo que se dice.

Por eso, los estilos personalizados deberían formar parte de un flujo de trabajo más amplio. Uno que incluya revisión humana, validación de datos, control de fuentes, criterios de confidencialidad y una política clara sobre qué tipo de información se puede introducir en herramientas externas.

Especialmente si se suben ejemplos propios o documentos internos para entrenar un estilo, hay que tener cuidado con la privacidad, la propiedad intelectual y los materiales sensibles. No todo texto que representa bien tu voz debería acabar en una herramienta de IA. Algunas muestras pueden contener información de clientes, datos personales, estrategias internas o elementos que no conviene compartir fuera del entorno corporativo.

La mitigación aquí es bastante sencilla: usar textos limpios, eliminar información sensible, trabajar con fragmentos representativos y revisar las condiciones de uso de la herramienta antes de subir documentación. Menos épica tecnológica y más higiene operativa.

La pregunta no es si deberías usarlo

Los estilos de escritura de Claude no son una función espectacular. No generan una demo que deje a nadie con la boca abierta. No parecen una revolución. Y quizá por eso son interesantes.

Porque muchas mejoras reales en productividad no llegan con una gran promesa, sino con pequeños ajustes que eliminan fricción acumulada. Configurar bien un estilo personalizado puede llevar veinte minutos. Pero si lo usas de forma recurrente, esos veinte minutos empiezan a devolver tiempo en cada conversación.

La pregunta, por tanto, no es si deberías probar los estilos personalizados. La pregunta es cuántas veces estás reescribiendo el mismo prompt, corrigiendo el mismo tono o explicando la misma preferencia de estilo sin darte cuenta.

Y si la respuesta es “bastantes”, quizá el problema no está en la IA.

Quizá está en que todavía la estás usando como si cada conversación empezara desde cero.