Cuando estoy en entornos profesionales, hay una frase que escucho constantemente:

“Tengo que ponerme en serio con la IA.”

El problema es que pasan las semanas.

Luego los meses.

Y la gente sigue usando la IA prácticamente igual.

Mientras tanto, otros sí lo están haciendo.

En julio estaban exactamente igual

Hace poco más de un mes impartí los dos primeros talleres de esta nueva línea para profesionales.

• Optimiza ChatGPT: al que se apuntaron 11 personas

• Gemini Notebook: que llenó las 20 plazas y hubo overbooking.

Casi todas esas personas ya utilizaban IA antes de entrar al taller.

Es decir, que no empezaban desde cero.

Sabían escribir prompts (algunos venían de IA Fácil).

Conocían ChatGPT.

Habían oído hablar de funciones como la memoria, los proyectos o los GPTs.

Algunas incluso habían probado Gemini Notebook.

Lo que les faltaba a a todas era entender mejor qué estaban haciendo y cómo sacar más partido a las herramientas que ya tenían delante.

Beatriz lo resumió así después del taller de ChatGPT:

Estaba utilizando ChatGPT como si chateara con “un amigo listo”, pero no tenía ni idea de que soy yo la que puedo dirigir y utilizar la IA de una manera muy práctica para mi trabajo.

Y Samuel escribió esto después de Gemini Notebook:

Emocionante para mí por el descubrimiento de una herramienta tan potente, que la tenemos disponible y muy desconocida.

El acceso es puntual

Esto es importante.

El acceso a las grabaciones de estos dos talleres no va a quedarse abierto de forma permanente.

Las he puesto disponibles ahora por el lanzamiento de la nueva web, para que quien no pudo asistir en julio pueda acceder a todo el contenido y a los recursos.

A partir de ese momento ya no podrás ver estas grabaciones nunca más.

Los próximos talleres seguirán su calendario normal, serán de nuevos temas y siempre en directo.

Ahora mismo sí puedes acceder a los dos

Optimiza ChatGPT.

Gemini Notebook.

Más de 5 horas de formación en total.

Grabaciones completas.

Recursos incluidos.

30 días de garantía.

Cada taller cuesta 75€.

Pero hasta este viernes puedes acceder a los dos por 100€.

Y después cierro el acceso.

ACCEDER A LOS DOS TALLERES POR 100€

En los próximos meses puedes seguir pensando:

“Tengo que ponerme en serio con la IA.”

O bien puedes dedicar unas pocas horas ahora y avanzar con una base mucho más clara.

Un abrazo,
JL

PD. Lo repito porque es importante: no es solo que termine el descuento, el viernes cierro también el acceso a las grabaciones.

OPTIMIZA CHATGPT + GEMINI NOTEBOOK POR 100€

Septiembre siempre me ha parecido un mes especial.

No es enero, pero se le parece bastante.

Se terminan las vacaciones de muchos, vuelve el colegio, se recuperan rutinas, agendas, proyectos, reuniones… y de alguna manera todos sentimos que empieza un “nuevo curso“.

Aunque ya no vayamos al colegio.

Hay algo psicológico en septiembre que invita a ordenar cosas.

A retomar lo que habías dejado aparcado.

A decidir qué quieres hacer mejor en los próximos meses…

Y creo que ahora, en la era de la inteligencia artificial, pasa algo similar.

“Tengo que ponerme con esto”

Es una frase que escucho constantemente en entornos profesionales.

Justo después de impartir alguna sesión de IA, en ese preciso instante, se toma conciencia del verdadero potencial que tiene esta tecnología, y lo poco que la están aprovechando la mayoría.

Hablo de gente aparentemente buena en su trabajo.

Profesionales con años de experiencia.

Personas que saben perfectamente lo que hacen en su sector.

Pero que cuando hablan de IA sienten “que van tarde”.

Que deberían saber más.

Y aunque están usando ChatGPT, han leído cosas interesantes sobre Claude, han oído hablar de Gemini Notebook, de agentes, de automatizaciones… Tienen la sensación de que todo avanza demasiado rápido.

Y en parte tienen razón, la velocidad a la que evoluciona la IA es abrumadora, incluso para mí que me dedico profesionalmente a esto.

¿Qué hacer entonces para no bloquearse y seguir avanzando?

Porque si intentas aprender IA siguiendo cada novedad que aparece, terminas agotado antes de empezar. Y abandonando la idea de aprovechar esta tecnología tan potente.

Este septiembre

Puedes hacer lo de siempre.

Volver al trabajo.

Abrir ChatGPT.

Seguir utilizándolo más o menos como hasta ahora.

Aprender a usar Gemini Notebook “cuando tengas un rato”.

Leer algún hilo sobre la última herramienta de IA que aparece en LinkedIn.

Probar un par de prompts mágicos que has visto no sé donde.

Y dentro de tres meses seguir teniendo la sensación de que deberías ponerte en serio con esto la IA.

Dedicar unas pocas horas.

Entender bien cómo funcionan dos de las herramientas de IA más potentes que hay en la actualidad.

Y empezar septiembre con una base bastante más clara.

Créeme, no necesitas convertirte en experto en IA, y tampoco necesitas aprender todas las herramientas que existen.

Lo que sí puedes hacer es dejar de usar la IA improvisando.

Por eso preparé estos talleres

Optimiza ChatGPT y Gemini Notebook nacieron precisamente cuando detecté esa necesidad en entornos profesionales.

De ver a profesionales que ya utilizaban IA, pero que seguían teniendo dudas importantes sobre cómo configurarla, cómo darle contexto, cómo trabajar con sus propios documentos o cómo aprovechar realmente herramientas que ya tenían disponibles.

Los impartí hace poco más de un mes, en julio.

Y, si te soy sincero, la acogida fue mucho mejor de lo que esperaba.

Hasta el viernes 4 de septiembre puedes acceder a los dos por solo 100€.

Después cierro el acceso a las grabaciones.

ACCEDER A LOS DOS TALLERES POR 100 €

Puedes ver las grabaciones todas las veces que quieras, y usar todos los recursos que vimos en ambas sesiones.

Un nuevo ciclo

No sé qué objetivos te habrás marcado para septiembre.

Ni si eres de los que hace listas, propósitos o simplemente vuelve al trabajo e intenta sobrevivir a la primera semana.

Pero si llevas meses pensando que deberías aprender a utilizar mejor la IA, quizá no necesites seguir esperando al momento perfecto.

Ni gastar un pastón en un máster repleto de contenidos que abordan demasiados temas de manera superficial.

A veces basta con empezar por algo concreto, pero verlo a fondo.

Lo que yo te ofrezco:

• Más de cinco horas.

• Dos herramientas increíbles.

• Y una forma un poco mejor de trabajar que la que tenías antes.

Un abrazo,
JL

PD. El viernes 4 de septiembre cierro el acceso a las grabaciones de Optimiza ChatGPT y Gemini Notebook. Si quieres aprovecharlas, esta es la última semana.

VER PROMOCIÓN DE LANZAMIENTO

Si llevas un tiempo utilizando ChatGPT, seguramente ya sabes que existen funciones como las instrucciones personalizadas, la memoria, los proyectos…

Incluso puede que uses alguna de ellas.

Pero… corrígeme si me equivoco, es muy probable que no sepas qué peso tiene cada una a la hora de obtener una buena o mala respuesta. ¿Verdad?

Cuando hago formaciones en empresas suelo plantear cuestiones sobre el contexto que debemos aportar a la IA, y rara vez hay claridad en esto.

Por ejemplo, pido que me expliquen qué información debería ir en las instrucciones personalizadas y cuál no.

O cuándo merece la pena crear un proyecto en lugar de abrir simplemente un chat nuevo.

O si se tiene claro qué recuerda ChatGPT, qué no recuerda y cuándo esa memoria puede ayudar de verdad… o todo lo contrario, afectar negativamente a la calidad de la respuesta.

Y planteo esas cuestiones porque ahí es donde está lo verdaderamente importante.

Por ejemplo, metes información en las instrucciones personalizadas porque “crees que es bueno que sepa algo”.

O creas proyectos porque supones que vas a organizar mejor el trabajo.

O dejas activada la memoria porque, en teoría, cuanto más sepa ChatGPT sobre ti, mejor.

Y luego vienen las frustraciones, cuando no consigues el resultado que esperabas.

¿Te suena familiar?

La petición empieza antes de escribir en el chat

Esta es una de las ideas centrales cuando explico cómo funcionan las capas de contexto en una herramienta como ChatGPT.

Porque, erróneamente, tendemos a pensar que la respuesta de los modelos depende fundamentalmente del mensaje que escribimos en el chat.

Y todo el mundo, repito, todo el mundo, pone cara de asombro cuando explico que ese mensaje no viaja solo.

Siempre va acompañado de un contexto.

Es decir, la respuesta que obtienes está condicionada por la configuración previa de la herramienta:

• Por las instrucciones personalizadas que has definido

• Por los recuerdos almacenados en la memoria

• Por la información que hay en las conversaciones anteriores

• Por los documentos adjuntos que incluyes en las fuentes de un proyecto

Es decir:

Antes de que escribas una sola palabra, hay bastante información influyendo en la respuesta.

Y entender esto es fundamental.

Créeme, cambia por completo la experiencia con los modelos de lenguaje.

De lo contrario, te encuentras con situaciones extrañas, que no entiendes.

Por ejemplo, ChatGPT escribe en un tono que no quieres, o da por hecho cosas sobre tu trabajo que no son relevantes para esa conversación, o mezcla contexto de tareas distintas, o responde de una determinada manera y no tienes demasiado claro por qué se ha salido por la tangente.

Y ese problema no se resuelve pidiéndole que rectifique esto o aquello, ni diciéndole que cambie algo que no te gusta.

La solución pasa por revisar bien cómo tienes configurado el contexto que le estás enviando al modelo cada vez que envías un mensaje.

Test rápido

¿Quieres poner a prueba tus conocimientos?

Vamos a comprobar si realmente entiendes cómo tienes configurado ChatGPT.

Piensa, por ejemplo, qué tipo de información dejarías en las instrucciones personalizadas: datos estables sobre quién eres y cómo trabajas, todo el contexto posible de tus proyectos actuales o, quizá, solo reglas de estilo y formato.

Haz lo mismo con la memoria. No es lo mismo guardar información que puede ser útil de forma recurrente que dejar que ChatGPT recuerde cualquier dato importante y confiar en borrarlo más adelante. Y tampoco es evidente que trasladarlo todo a las instrucciones personalizadas sea una mejor solución.

Y luego está la pregunta cuya respuesta suele sorprender más de lo que parece: cuando ChatGPT empieza a responder de una forma que no quieres, ¿el problema está en el último prompt, en la memoria o en todo el contexto que está entrando en juego: conversación, instrucciones y, si estás dentro de uno, proyecto?

Ahí es donde se ve la diferencia entre conocer las funciones y entender realmente qué información está condicionando la respuesta que recibes.

Configurar antes es clave

Durante mucho tiempo, y aquí me incluyo, se ha reducido casi todo el aprendizaje sobre la IA generativa a la idea de aprender a pedir mejor.

Y pedir bien sigue siendo (muy) importante. Por supuesto que sí.

Pero a medida que las herramientas de IA (como ChatGPT o Claude) incorporan funciones para aportar contexto: como la memoria, la personalización, los proyectos… saber escribir prompts se convierte en una parte del trabajo.

Por ejemplo:

• Qué información debería estar siempre disponible.

• Qué contexto pertenece únicamente a un proyecto.

• Qué merece la pena recordar al modelo según la tarea.

• Y qué debería quedarse fuera.

Cuando entiendes eso, dejas de hacer pruebas ensayo-error y ejecutas instrucciones altamente efectivas.

Por un lado, porque dejas de explicar todo de cero una y otra vez.

Por otro, evitas el extremo contrario, es decir, que el contexto condicione excesivamente las respuestas.

Justo ese equilibrio es lo que conviene dominar.

Esto es lo que trabajo en el taller

Precisamente eso es lo que muestro en el taller Optimiza ChatGPT.

La formación no va de enseñar dónde está el botón de memoria o cómo crear un proyecto. Eso lo puedes descubrir viendo un tutorial de YouTube.

Lo que quiero es que entiendas qué papel juega cada elemento del contexto y cómo influye en las respuestas que obtienes.

• Personalización.

• Memoria.

• Contexto.

• Proyectos.

Solo si comprendes bien cómo funciona esto serás capaz de decidir con criterio qué utilizar en cada caso.

Optimiza ChatGPT es uno de los dos talleres que incluye la promoción de lanzamiento de la nueva web.

Hasta el viernes 4 de septiembre puedes acceder a Optimiza ChatGPT y también a Gemini Notebook por solo 100€.

La promo incluye el acceso a 5 horas de grabación y a todos los recursos que vimos durante las sesiones.

Si lo ves interesante, aquí tienes más información:

VER PROMOCIÓN DE LANZAMIENTO

Eso es todo por hoy.

Un abrazo,
JL

PD. Por si te lo estás pensando: el viernes 4 de septiembre no solo termina la promoción. También cierro el acceso a las grabaciones, así que después ya no estarán disponibles para comprar.

ACCEDER A LOS DOS TALLERES POR 100 €

Cuantas más horas de formación imparto, más claro tengo que para integrar la IA en tu forma de trabajar no necesitas hacer un curso de 50 horas.

He visto equipos hacer formaciones largas, entender muchas cosas, tomar apuntes… y luego volver al trabajo sin tener demasiado claro qué cambiar en su día a día.

Y también he visto justo lo contrario.

Una sesión de dos horas bien enfocada en un problema concreto puede desbloquear mucho más que diez temas explicados por encima.

La experiencia me ha enseñado que, cuando una formación está demasiado cargada, llega un punto en el que satura. Y suele provocar justo el efecto contrario al que buscamos, terminar sin saber por dónde empezar.

Por eso he creado los talleres

La idea es hacer una sesión online en directo centrada en un tema muy concreto.

Con tiempo suficiente para entenderlo bien, ver ejemplos, probar cosas y resolver dudas.

No creo que tenga demasiado sentido intentar aprender prompting, asistentes, modelos, automatización, investigación y memoria en una misma sesión.

Por ejemplo:

Cómo configurar ChatGPT para que entienda mejor tu contexto y tu forma de trabajar.

O cómo utilizar Gemini Notebook para trabajar con tus propios documentos y fuentes.

Ese es el enfoque que quiero mantener en esta nueva línea de talleres para profesionales.

Formaciones cortas, prácticas y suficientemente específicas como para que salgas de la sesión sabiendo qué hacer con lo que acabas de aprender.

Los dos primeros talleres

En julio hice dos talleres como prueba piloto:

• Optimiza ChatGPT

• Gemini Notebook

Y esto es lo que pasó.

Optimiza ChatGPT

Fueron dos horas y media de directo.

Se apuntaron 11 personas y estas fueron algunas de las cosas que dijeron al terminar.

Beatriz:

Estoy encantada con el taller. La verdad es que estaba utilizando ChatGPT como si chateara con “un amigo listo” pero no tenía ni idea de que soy yo la que puedo dirigir y utilizar la IA de una manera muy práctica para mi trabajo.

Olga:

Estupendo el taller. JL como divulgador del conocimiento ha sido fantástico. Nos ha respondido a todas nuestras preguntas, con claridad y argumentos sólidos.

Alejandro:

El taller ha cumplido sobradamente mis expectativas. Contenido muy transversal y realmente útil para cualquier usuario de ChatGPT o similar que quiera obtener respuestas realmente útiles.

Gemini Notebook

También duró dos horas y media.

En este hubo overbooking y se llenaron las 20 plazas que había ofertado.

Estos fueron algunos de los comentarios que dejaron al terminar.

Pilar:

Valoro mucho la practicidad del taller. Jose explica siempre muy bien y que podamos ver la grabación luego, es perfecto ya que puedes prestar más atención al directo y luego revisar con calma. El material extra, una pasada.

Samuel:

Emocionante para mí por el descubrimiento de una herramienta tan potente, que la tenemos disponible y muy desconocida.

María Luisa:

El taller me ha descubierto todo lo que no sabía. Me llevo los recursos compartidos por José Luis y su acompañamiento real.

La conclusión

Después de ver la acogida de los dos talleres, y sobre todo la satisfacción de quienes participaron, he decidido que quiero seguir haciendo más.

Tengo muchísimos temas preparados.

La idea es ir publicando un nuevo taller cada dos o tres semanas.

Los iré anunciando por aquí, pero también puedes consultar los próximos en la nueva web:

VER PRÓXIMOS TALLERES

Y una cosa más

Como los dos talleres de julio tuvieron tan buena acogida, he pensado que tiene sentido aprovechar también las grabaciones.

Así, quien no pudo asistir en directo puede acceder ahora a todo el contenido y a los recursos de ambos talleres.

Por eso he preparado una promoción de lanzamiento:

PROMOCIÓN LANZAMIENTO AQUÍ

Y quiero que puedas probarlos con tranquilidad.

Por eso tienes 30 días de garantía: si después de ver los talleres consideras que no te han aportado valor, puedes pedirme la devolución del 100% del importe, sin tener que dar explicaciones.

Un abrazo,
JL

PD. Importante: el acceso a estas grabaciones es puntual. Cuando termine la promoción el viernes 4 de septiembre, cerraré el acceso y ya no podrás comprar los talleres grabados.

OPTIMIZA CHATGPT + GEMINI NOTEBOOK

Después de estar bastante tiempo dándole vueltas, por fin he terminado la nueva web de JotaEle AI.

Y digo “por fin” porque he cambiado de idea más veces de las que me gustaría... jeje…

Supongo que construir un negocio alrededor de algo que te gusta de verdad va también de eso. De pensar, pensar y pensar.

En concreto, enseñar IA en el ámbito profesional.

Llevo ya bastante tiempo trabajando con empresas, equipos y profesionales en torno a la IA, y acumulando experiencia en formaciones, talleres, proyectos, ponencias...

Y por el camino he ido entendiendo mejor qué tipo de trabajo disfruto más y dónde creo que aporto más valor.

Una nueva línea para profesionales

Este último año me habéis preguntado muchísimas veces si hago formación para gente que quiera apuntarse por su cuenta (sin ser parte de una empresa).

Hasta ahora la respuesta era que no.

Todo mi trabajo formativo estaba pensado para empresas y equipos, así que no tenía nada realmente diseñado para alguien que quisiera aprender conmigo de forma individual.

Justo eso es lo que he cambiado.

¿Qué es un taller?

Es una sesión práctica, centrada en una herramienta o una forma concreta de trabajar con IA y, sobre todo, manteniendo algo que para mí es importante, en vivo y en directo.

Me encanta la formación online, pero en directo, así puedo explicar en tiempo real, enseñar ejemplos adaptados al nivel de los asistentes, y dejar tiempo para preguntas.

¿Y qué pasa con las empresas?

La parte de empresas sigue exactamente igual, con formación, consultoría y acompañamiento adaptado a cada caso.

¿Quieres ver cómo ha quedado? Puedes verla haciendo clic en este enlace:

VISITAR NUEVA WEB JOTAELE AI

Y para estrenarla por todo lo alto...

He pensado en hacer algo especial con el lanzamiento, así que he preparado una promoción con dos talleres grabados:

• Optimiza ChatGPT — cómo trabajar mejor con la personalización, la memoria y el contexto.

• Gemini Notebook — cómo usar tus propios documentos y fuentes para investigar, analizar y organizar conocimiento.

Cada uno cuesta 75 €, pero hasta el viernes 4 de septiembre puedes llevarte los dos por solo 100 €.

Si quieres saber qué piensan las personas que hicieron los talleres cuando los impartí en el mes de julio haz clic aquí: SABER MÁS SOBRE LOS DOS TALLERES

Gracias

En los próximos días te contaré con más calma qué hay detrás de cada uno de esos dos talleres, y también algunas cosas más que estoy preparando para septiembre y octubre.

De momento, mi objetivo es enseñarte la web nueva.

Y darte las gracias por seguir ahí mientras voy construyendo todo esto.

Un abrazo,
JL

PD. Si te interesan los talleres, la promoción termina el viernes 4 de septiembre: Optimiza ChatGPT + Gemini Notebook por 100€ en lugar de 150€.

Hay una pregunta que planteo en casi todas mis formaciones.

“¿Cómo sabrías que la respuesta de la IA es buena si la tuvieras delante ahora mismo?”

Parece una pregunta sencilla, pero casi siempre se hace el silencio.

La gente duda… ¿Por qué?

Pues porque nadie define con precisión qué es lo que intenta conseguir.

Y ahí es donde empiezan la mayoría de los malos resultados.

Sin embargo, la forma habitual de trabajar suele ser justo la contraria.

Abrimos ChatGPT, escribimos una primera instrucción y esperamos a ver qué ocurre.

Si la respuesta no convence, hacemos un pequeño ajuste. Después otro. Añadimos una frase, quitamos otra, cambiamos el tono, pedimos más ejemplos, más detalle o un formato distinto.

Al cabo de unos minutos aceptamos una respuesta que “no está mal”.

Aunque no sea exactamente lo que buscábamos, y esto es así porque pensamos que ya hemos invertido suficiente tiempo.

Ese proceso parece normal, pero tiene un problema.

Estamos intentando llegar a un sitio que nunca hemos definido.

Es como subir a un taxi y decirle al conductor: “Lléveme a un buen sitio.”

Probablemente acabes en algún lugar, pero difícilmente será el lugar al que realmente querías ir.

Con la IA ocurre exactamente lo mismo.

Por eso, antes de escribir un prompt, intento responder siempre las mismas preguntas.

• ¿Qué quiero obtener exactamente?

• ¿Quién va a utilizar ese resultado?

• ¿Qué información no puede faltar?

• ¿Qué puedo eliminar porque no aporta nada?

• ¿Cómo sabré que el resultado es realmente bueno?

Solo después empiezo a escribir la instrucción.

¿Sabes lo que pasa entonces? Que el prompt suele salir mucho más claro.

Simplemente porque ya sé hacia dónde quiero ir.

Ese pequeño cambio también transforma la forma de evaluar las respuestas.

Cuando no has definido el destino, cualquier valoración es subjetiva.

“Está bastante bien.”

“No me termina de convencer.”

“Le falta algo.”

Son impresiones.

No criterios.

En cambio, cuando sabes exactamente qué esperabas obtener, evaluar deja de ser una cuestión de gustos.

¿Falta información?

¿El tono es el adecuado?

¿La estructura responde a lo que necesitabas?

¿El destinatario podrá utilizarlo sin hacer cambios importantes?

La conversación deja de ser “¿me gusta?” para convertirse en “¿cumple lo que necesitaba?”.

Y esa diferencia cambia completamente la forma de trabajar.

También cambia la forma de escribir prompts.

Un buen prompt

Mucha gente piensa que un buen prompt es una combinación de palabras bien elegidas.

Yo no lo veo así.

Cuando el criterio es confuso, el prompt también lo será.

Cuando el criterio está claro, escribir la instrucción suele ser la parte más sencilla de todo el proceso.

Después de formar a más de mil profesionales, cada vez estoy más convencido de que la mayoría de los problemas con la IA no son problemas de prompting.

Son problemas de dirección.

La herramienta no sabe cuál es un buen resultado.

Eso solo lo sabe la persona que tiene delante el problema.

Porque cuando el destino está claro, la IA deja de improvisar contigo y empieza a ayudarte de verdad.

IA Fácil te ayuda precisamente con esa forma de pensar. No empiezas por el prompt.

Empiezas por definir el resultado que quieres conseguir y, a partir de ahí, la IA construye instrucciones que puedas reutilizar una y otra vez en tu trabajo.

Cientos de profesionales ya lo están aprovechando.

Aquí puedes ver cómo funciona.

En pocas palabras:

El otro día, en una formación que impartía al equipo de una empresa, una persona me dijo que tiene una carpeta llena de prompts guardados.

La mayoría los ha copiado de LinkedIn o de algún hilo de X.

Tiene un prompt para escribir emails, otro para resumir reuniones, otro para crear contenido, otro para analizar documentos…

Podríamos decir que es un experto en coleccionar instrucciones.

Sin embargo, cuando le pedí que me explicara cómo utiliza ChatGPT para resolver una tarea real de su trabajo, dudó mucho. No tenía claro por dónde empezar.

Ojo, hablamos de un profesional con experiencia.

¿Por qué le pasó eso?

Durante los últimos tres años hemos convertido (me incluyo) los prompts en el centro de la conversación sobre inteligencia artificial.

Parece que el secreto consiste en encontrar la plantilla adecuada para cada tarea.

Yo creo que es justo al revés.

Un prompt no tiene valor por sí mismo

Tiene valor porque es el resultado de un proceso de razonamiento.

Antes de escribir una sola línea, alguien tuvo que entender el problema, definir el objetivo, decidir qué contexto era importante, qué información sobraba, qué restricciones había y cómo debía ser el resultado.

Cuando copias únicamente la instrucción, te llevas el resultado, pero no el proceso que permitió construirla.

Es un poco como copiar el plano de una casa sin entender por qué el arquitecto tomó cada decisión. Si quieres construir exactamente la misma casa, probablemente funcione. Pero si cambian el terreno, el presupuesto o las necesidades de la familia, ya no sabrás cómo adaptarlo.

Con los prompts ocurre exactamente lo mismo.

Mientras tu problema sea idéntico al de la persona que escribió esa instrucción, es posible que obtengas un buen resultado.

Pero el trabajo real casi nunca funciona así.

Cambia el cliente.

Cambia el contexto.

Cambia el objetivo.

Cambia la información disponible.

Y, cuando eso ocurre, el prompt deja de encajar.

Simplemente porque fue diseñado para resolver otro problema.

Aún así, veo a muchos profesionales hacer siempre la misma pregunta:

“¿Tienes algún prompt para esto?”

La pregunta parece razonable, pero esconde un problema de fondo.

Cada tarea nueva requiere encontrar una instrucción nueva. Cada situación distinta obliga a buscar otra plantilla. Cada cambio implica volver a internet esperando que alguien ya haya resuelto exactamente ese mismo caso.

Es una estrategia difícil de sostener.

Porque los problemas cambian más rápido que las colecciones de prompts. Y eso obliga a pensar, no a copiar.

Por dónde empezar

En mis formaciones recomiendo no empezar escribiendo una instrucción.

Recomiendo empezar entendiendo el problema.

• ¿Qué quieres conseguir exactamente?

• ¿Qué sabe ya la IA y qué necesita que le expliques?

• ¿Qué información es imprescindible?

• ¿Qué tendría que tener una buena respuesta para que realmente te resultara útil?

Cuando esas preguntas están claras, escribir el prompt suele ser la parte más sencilla del proceso.

Y las personas empiezan a construir su propio prompt.

Ese es el cambio importante.

No tengo nada en contra de copiar un buen prompt. Yo mismo lo hago a veces.

El problema aparece cuando copiar se convierte en la única forma de trabajar.

Porque entonces no estás aprendiendo a utilizar la IA, estás aprendiendo a depender de quienes sí saben construir buenas instrucciones.

Los prompts son útiles.

Pero no son el aprendizaje.

Son el resultado del aprendizaje.

Y cuanto antes entiendas esa diferencia, antes dejarás de coleccionar instrucciones y empezarás a desarrollar algo mucho más valioso: el criterio para construirlas cuando aparece un problema nuevo.

Eso es precisamente IA Fácil.

No una biblioteca de prompts para copiar, sino un sistema para aprender a construir instrucciones adaptadas a tu forma de trabajar, organizarlas y reutilizarlas cuando realmente las necesitas.

Más información aquí.

En pocas palabras:

Hace un par de meses, en una sesión de formación con un equipo de una empresa de servicios, uno de los participantes levantó la mano y preguntó algo que suelen preguntarme a menudo.

¿Dónde encuentras tú los buenos prompts? ¿Tienes algún sitio de referencia?

Detrás de esa pregunta hay una suposición que lleva tiempo circulando: que los prompts buenos existen en algún repositorio, que hay una fuente donde se acumulan las instrucciones que funcionan, y que encontrarla es la clave para obtener mejores resultados con la IA.

Le pregunté qué había probado hasta ese momento.

Me habló de varias cosas.

Páginas con colecciones de prompts organizadas por categorías, hilos de LinkedIn con capturas de pantalla de instrucciones que “cambian tu forma de trabajar”, canales de YouTube con tutoriales sobre cuál es el prompt perfecto.

Había dedicado tiempo a eso. Había guardado algunos. Había probado unos pocos.

¿Y funcionan?

Le pregunté.

Dudó.

Más o menos. Algunos sí, pero luego tienes que cambiarlos mucho para que sirvan para lo que yo hago.

Ese es exactamente el problema.

Y esa generalidad es, precisamente, su limitación principal.

Un prompt que funciona para un copywriter en una agencia de comunicación no funciona igual para un responsable de operaciones en una empresa logística.

La superficie es la misma. El trabajo real es completamente distinto.

La búsqueda de prompts externos como estrategia principal para mejorar el uso de la IA tiene una trampa que no siempre se ve a primera vista: te sitúa en la posición de consumidor, no de constructor.

Estás esperando que alguien haya resuelto tu problema antes que tú, de una forma que se adapte a tu contexto, con el nivel de detalle que tu trabajo requiere.

Eso raramente ocurre, porque nadie conoce tu trabajo mejor que tú.

Los mejores prompts se construyen

Y se construyen a partir de algo que ya tienes: el conocimiento de lo que haces, la comprensión de tu contexto profesional, y la capacidad de describir con precisión qué resultado quieres y para qué lo vas a usar.

En mis formaciones, cuando llegamos a la parte de construcción de instrucciones, hay un ejercicio que hago con frecuencia.

Le pido al grupo que piense en una tarea que repiten al menos una vez por semana. Algo concreto, habitual, que les lleva tiempo.

Y luego les pido que intenten describírsela a alguien que no conoce su trabajo: qué hace exactamente, cuál es el resultado que esperan, qué decisiones toman durante el proceso, qué errores comunes hay que evitar.

El resultado casi siempre sorprende.

Porque el profesional descubre que sabía más de lo que creía sobre cómo articular lo que necesitaba. Y que cuando lo articula con precisión, la herramienta responde de manera cualitativamente diferente.

El prompt que más veces reutilizarás es el que construiste tú, a medida, para un problema que conoces bien.

Los prompts de repositorio sirven para entender la estructura de una instrucción, para ver cómo se organiza la información, para tomar ideas sobre qué elementos incluir.

Son útiles como punto de referencia, como andamio inicial.

Pero no son el destino. Son el punto de partida para construir algo propio.

La diferencia es considerable.

Un prompt genérico sobre cómo redactar un email profesional produce un email razonablemente correcto que luego tienes que adaptar, reescribir en parte y ajustar hasta que suene como tú.

Un prompt en el que describes el tipo de emails que envías tú, el tono que usas, las personas con quienes te comunicas y lo que quieres transmitir en esa situación concreta, produce algo que puedes usar directamente o con cambios mínimos.

No es una crítica al ecosistema de recursos que existe sobre prompting.

De hecho, en mis inicios yo vendía mis prompts.

Pero la experiencia me ha enseñado que confundimos el atajo aparente con el proceso real.

El verdadero valor de construir prompts

Hay otro aspecto muy interesante, que se menciona poco.

Los prompts que construyes para tu trabajo propio se vuelven más valiosos con el tiempo.

Los afinas, los corriges, los adaptas a medida que entiendes mejor qué funciona en tu contexto.

Un profesional con cinco prompts construidos a medida para su trabajo tiene algo que no puede replicar nadie que siga coleccionando instrucciones de LinkedIn.

La ventaja real viene de construir los prompts que nadie más puede construir porque nadie más conoce tu trabajo.

Cuando terminó la sesión ese día, el participante que había preguntado se acercó a comentarme algo. Había entendido la diferencia.

Estaba buscando en el lugar equivocado. Estaba buscando una solución que no puede venir de fuera.

Si quieres aprender a construir ese sistema de instrucciones propias que funcionen y se puedan reutilizar, eso es exactamente lo que trabajamos en IA Fácil.

Más información aquí.

En pocas palabras:

Hay una creencia que se ha instalado desde el momento en que las herramientas de IA se volvieron accesibles para el trabajo: cuanto más las uses, mejor.

Más prompts, más outputs generados, más procesos delegados. Como si el volumen de uso fuera una señal de progreso en sí mismo.

La experiencia me ha enseñado justo lo contrario.

Confieso que al principio pensé que con el tiempo todo el mundo llegaría a esa misma conclusión.

Pero estoy viendo que no.

La tendencia mayoritaria va en la dirección contraria: a medida que el acceso a las herramientas se normaliza, el uso se vuelve más extenso, no más preciso.

Se pide más. Se genera más. Y los resultados, en proporción, mejoran menos de lo que cabría esperar.

El problema no es la IA

Cuando un profesional llega a la IA sin haber resuelto primero las preguntas que le corresponden a él, la herramienta produce algo.

Siempre produce algo.

Pero ese algo está construido sobre una instrucción que no formuló bien, sobre un problema que no acotó, sobre un resultado que no definió con claridad.

Y entonces el profesional recibe una respuesta bien escrita, aparentemente útil, y tiene que empezar a trabajar de verdad: descartar lo que no sirve, añadir lo que falta, corregir lo que está desviado.

Esto pasa con demasiada frecuencia, pero no se discute lo suficiente.

Se habla mucho de los casos en que la IA produce exactamente lo que se necesita.

Pero se habla menos de los casos en que el resultado requiere tanto trabajo posterior que la supuesta ganancia de tiempo se diluye por completo.

Siempre digo que la IA amplifica la calidad del pensamiento que la antecede, pero no lo sustituye.

Si llegas a la herramienta con una pregunta vaga, obtienes una respuesta vaga con buena presentación.

Si llegas con una pregunta precisa, obtienes una respuesta que puede ser realmente útil.

El trabajo que no puedes delegar es el que ocurre antes de abrir la pantalla.

La definición del problema. La acotación del contexto. La decisión sobre qué quieres que produzca la herramienta y para qué lo vas a usar.

Cuando ese trabajo previo está hecho, el uso de la IA se comprime.

Porque no necesitas tantas rondas, tantos ajustes, tanta producción para llegar a algo útil de verdad.

El resultado es más directo. El proceso es más corto. Y la calidad, en términos reales, es mayor.

Lo que parece eficiencia a veces es lo contrario

Generar diez variantes de un mismo texto para ver cuál funciona mejor suele ser una señal de que algo no estaba claro desde el principio.

Pedir a la herramienta que reformule, amplíe o cambie el enfoque varias veces seguidas es una señal de que la instrucción original estaba incompleta.

En definitiva, el uso prolongado, en muchos casos, no es evidencia de que la herramienta está trabajando para ti.

Es evidencia de que estás trabajando para que la herramienta produzca algo que no has podido definir con anterioridad.

No lo digo como crítica.

Lo digo porque he estado en ese lugar muchas veces, y porque es exactamente lo que observo en las sesiones de formación con casi todos los equipos con los que trabajo.

El tiempo que se invierte en construir una instrucción que refleje lo que realmente se necesita, en acotar el resultado esperado antes de pedirlo, es tiempo que se recupera después.

El proceso total es más corto, siempre.

La calidad de la respuesta se construye al principio, no al final.

Lo repito una y otra vez en mis formaciones, no se corrige el output; se trabaja la entrada.

La herramienta no tiene criterio propio sobre tu trabajo. Tiene capacidad de generar texto, estructuras, análisis, código. Pero el criterio es tuyo.

Lo que determines que es bueno o malo, útil o inútil, preciso o desviado, eso no viene de la herramienta.

Y si no lo traes tú, la herramienta lo rellena con lo más probable, con lo más general, con lo que estadísticamente encaja en el patrón de tu petición.

Que no es lo mismo que lo que tú necesitas.

Usar menos IA

En este contexto, usar menos IA no es una limitación. Es la consecuencia de trabajar mejor.

Los profesionales que llegamos a esa optimización lo hacemos porque hemos comprobado que la calidad de los resultados aumenta cuando elevamos la calidad de lo que traemos antes de abrir la herramienta.

El volumen de uso es, al final, un dato irrelevante.

Lo relevante es si el resultado sirve para lo que tenías que hacer, si el proceso para llegar ahí fue razonable, y si puedes repetirlo en condiciones similares.

Si quieres construir un sistema de trabajo con IA que funcione con método y no a prueba y error, eso es exactamente para lo que existe IA Fácil.

MÁS INFORMACIÓN AQUÍ

En pocas palabras:

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

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

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

Eso es un problema.

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

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

Qué es una buena respuesta

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

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

Esto parece obvio pero no lo es en la práctica.

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

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

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

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

La pregunta que cambió mi forma de evaluar respuestas de IA

Es esta:

¿Podría enviar esto ahora mismo, sin tocar nada?

Si la respuesta es sí, la instrucción funcionó.

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

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

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

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

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

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

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

En busca de la respuesta perfecta

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

¿Qué tiene esto que yo no hubiera puesto?

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

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

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

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

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

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

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

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

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

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

El criterio de evaluación

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

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

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

Eso es suficiente para transformar cómo trabajas con IA.

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

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

Lo encuentras en aquí.

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

En pocas palabras:

A lo largo del último año he formado a más de mil profesionales en el uso de la inteligencia artificial.

Se dice rápido, pero detrás de esa cifra hay muchas horas de preparación, sesiones en directo, explicaciones, dudas, pruebas y problemas reales de trabajo.

Personas de sectores distintos, con responsabilidades distintas y con niveles de conocimiento técnico muy diferentes.

Cuando observas a tantas personas utilizar la IA en situaciones reales, empiezas a detectar patrones.

Hay una diferencia que aparece rápidamente entre quienes obtienen resultados útiles de forma consistente y quienes siguen dependiendo del ensayo y error.

No es el modelo que utilizan.

No es el tiempo que llevan usando ChatGPT.

Tampoco es haber hecho más cursitos de IA, conocer más herramientas o seguir todas las novedades del sector.

La mayoría de profesionales llega a la IA con una idea todavía poco definida.

«Necesito resumir este documento».

«Ayúdame a preparar esta reunión».

«Analiza estos datos».

«Escribe un correo para el cliente».

Abren el chat, escriben una petición breve y esperan que la herramienta complete lo que falta.

La IA responde. A veces el resultado parece razonable, pero no termina de servir. Entonces la persona añade una aclaración, pide otra versión, corrige el tono, cambia el formato o vuelve a empezar.

Ensayo y error.

Cada vez.

Para cada tarea.

Quienes trabajan mejor con IA hacen algo diferente. Antes de escribir la primera instrucción, se detienen a pensar en la tarea que tienen delante.

No piensan todavía en el prompt.

Intentan concretar qué necesitan realmente, para qué lo necesitan, qué información tienen disponible, qué condiciones debe cumplir el resultado y qué podría hacer que la respuesta fuese inútil.

Ese momento previo parece una tontería, pero no lo es.

En muchas ocasiones, la instrucción falla porque se ha escrito antes de que la persona tenga claro qué quiere pedir.

Ejemplos prácticos

Pensemos en alguien que necesita resumir un informe de cuarenta páginas.

Puede subirlo y escribir:

«Resume lo más importante».

La IA generará un resumen. El problema es que “lo importante” no existe de forma aislada. Depende del propósito.

No es lo mismo preparar un resumen para un directivo que debe tomar una decisión que para un equipo técnico que tendrá que ejecutar las recomendaciones. Tampoco es lo mismo identificar riesgos, extraer conclusiones, preparar una reunión o redactar una nota interna.

Antes de resumir, habría que decidir qué debe poder hacer el lector después de leer el resumen.

O pensemos en alguien que quiere preparar la agenda de una reunión.

Puede pedir:

«Ayúdame a estructurar la agenda».

La herramienta propondrá una introducción, una revisión de temas, un turno de preguntas y unos próximos pasos. Será una agenda formalmente correcta y probablemente intercambiable con la de cualquier otra reunión.

Para crear una agenda útil habría que aclarar antes cuánto tiempo hay disponible, quién participa, qué sabe ya cada persona, qué cuestiones necesitan discusión y qué decisiones deben estar tomadas al terminar.

Sin esa información, la IA no estructura la reunión. Rellena un formato.

Sucede lo mismo cuando queremos defender una decisión estratégica.

«Ayúdame a justificar esta decisión».

La IA puede generar argumentos convincentes en apariencia. Pero, si no conoce las alternativas consideradas, los criterios utilizados, las objeciones previsibles y la posición de la audiencia, construirá una justificación genérica.

Sonará razonable, pero no necesariamente convencerá a nadie.

El problema no está en la herramienta. Tampoco se resuelve añadiendo al prompt una frase como «actúa como un experto en estrategia».

Mi experiencia

Después de trabajar con profesionales en contextos reales, he identificado decenas de situaciones en las que se repite esta dinámica.

Resumir, analizar, escribir, planificar, investigar, documentar, revisar, argumentar o convertir información dispersa en un documento coherente.

En todas ellas, la diferencia entre un resultado mediocre y uno verdaderamente útil suele depender de la preparación previa.

Pero esa preparación no es igual para todas las tareas.

Antes de resumir un artículo conviene decidir el propósito del resumen, el lector, el nivel de detalle y los criterios de relevancia.

Antes de escribir una propuesta comercial hay que comprender el problema del cliente, la decisión que debe tomar, las alternativas que está valorando, las objeciones que puede plantear y las pruebas que necesita para confiar.

Antes de analizar una idea es necesario determinar desde qué perspectiva queremos examinarla, qué supuestos estamos dando por válidos, qué riesgos queremos detectar y qué criterios utilizaremos para juzgarla.

Antes de preparar una presentación debemos saber qué tiene que entender la audiencia, qué tiene que recordar y qué esperamos que haga después.

Cada tarea tiene su propia lógica.

También tiene sus propios errores frecuentes, la información que suele faltar y las preguntas que conviene responder antes de empezar.

El problema es que normalmente no tenemos ese mapa delante.

Tenemos experiencia acumulada, intuiciones y algunas formas personales de trabajar, pero rara vez hemos convertido todo eso en un recurso sistemático.

Y por eso una misma persona puede obtener hoy un resultado excelente con IA y mañana uno mediocre haciendo una tarea aparentemente parecida.

No le falta capacidad, le falta un proceso repetible.

Playbooks de IA Fácil

Un playbook sirve precisamente para eso.

No es una colección de prompts que debas copiar sin pensar. Tampoco es un manual largo sobre cómo funciona una herramienta.

Es un mapa operativo para abordar una situación concreta.

Te muestra qué debes aclarar antes de empezar, qué información necesitas reunir, qué errores suelen producirse, qué decisiones no conviene dejar en manos de la IA y cómo convertir todo ese contexto en una instrucción útil.

Por ejemplo, un playbook para resumir un documento no debería limitarse a darte un prompt de resumen.

Debería ayudarte a decidir qué clase de resumen necesitas, quién lo va a utilizar, qué contenido debe priorizarse, qué puede omitirse y en qué formato debe entregarse.

Uno para preparar una reunión debería ayudarte a definir el resultado esperado, las decisiones pendientes, el contexto de los asistentes, el tiempo disponible y la secuencia más adecuada.

Uno para evaluar una propuesta tendría que ayudarte a establecer criterios, detectar supuestos, diferenciar hechos de interpretaciones y buscar riesgos que podrían pasar inadvertidos.

El valor no está en las palabras exactas que vas a escribir en el chat.

Está en el marco de pensamiento que evita que olvides lo importante.

Cuando dispones de ese marco, ya no tienes que descubrir el proceso desde cero cada vez.

No dependes de acordarte de todas las preguntas relevantes.

No corriges la respuesta cuando ya es demasiado tarde.

Esta diferencia es importante porque se habla mucho de mejorar prompts y muy poco de mejorar la preparación.

El prompting técnico puede ser útil. Hay estructuras, formatos y técnicas que ayudan a conseguir respuestas más controladas.

Pero una instrucción perfectamente estructurada no puede corregir una necesidad mal pensada.

Puedes redactar un prompt impecable para pedir un informe y seguir obteniendo un mal resultado si no has definido para quién es, qué decisión debe facilitar, qué fuentes debe utilizar o qué criterios debe aplicar.

La estructura del prompt organiza la petición, no sustituye el criterio que debe existir antes de formularla.

Qué contexto necesita la herramienta.

Qué ambigüedades hay que eliminar.

Qué criterios debe respetar.

Qué no debe asumir.

Qué resultado sería realmente útil.

Cuando haces esto de forma sistemática, la relación con la IA cambia.

Dejas de abrir el chat para ver qué ocurre.

Llegas con una necesidad más clara, proporcionas mejor contexto y puedes evaluar la respuesta con criterios concretos.

La IA deja de ser una máquina a la que lanzas peticiones y se convierte en una herramienta integrada dentro de una forma de trabajar.

Durante los últimos meses he trabajado en setenta y siete de estos recursos.

Setenta y siete situaciones profesionales habituales, cada una con su propio marco de preparación.

Desde resumir diez páginas en cinco ideas clave hasta construir un argumento sólido para una decisión estratégica. Desde detectar supuestos implícitos en un razonamiento hasta convertir una lluvia de ideas en un documento utilizable. Desde preparar una reunión hasta analizar una propuesta, organizar una investigación o construir una presentación a partir de datos.

Todos esos playbooks están incluidos en IA Fácil.

Están organizados por categorías:

Puedes utilizarlos para identificar qué necesitas aclarar, preparar la información y comprender cómo abordar cada situación.

Después, describes en la aplicación lo que quieres hacer y el diseñador de instrucciones te formula las preguntas necesarias para convertir esa necesidad en una instrucción clara, completa y lista para usar con ChatGPT, Claude, Gemini o cualquier otra IA.

El objetivo es que dejes de empezar desde cero.

Que tengas recursos para preparar mejor las tareas, un sistema para construir las instrucciones y una biblioteca donde guardar y mejorar lo que ya te funciona.

Porque los mejores resultados con IA no empiezan cuando escribes el prompt, empiezan cuando sabes qué estás intentando conseguir.

Puedes acceder a IA Fácil y a sus 77 playbooks haciendo clic aquí.

En pocas palabras:

Artículo analizado

Prompting 2026 (Guía definitiva) - GPT Sol, Opus, Kimi

🎯 Veredicto

Bajo mi punto de vista es un artículo bien hecho. Cita fuentes oficiales y las afirmaciones que atribuye a las guías de OpenAI y Anthropic están efectivamente ahí.

Además acota su alcance de forma explícita, nombra los modelos a los que se refiere y reconoce al final que un prompt destinado a modelos pequeños sigue necesitando estructura densa. Eso está bien.

No le falta rigor, pero sí echo en falta ser más explícito con la condición que subyace en la información aportada.

En cuanto sales de ese escenario (y la mayoría de las tareas diarias están fuera) deja de aplicarse, y en algunos casos aplicarlo empeora el resultado.

En este análisis no pretendo desmontar el artículo, porque sus consejos son buenos (si estás trabajando con un modelo avanzado).

Voy a poner énfasis en la condición que pasa desapercibida, que se resume en una frase: si no has cambiado de modelo, no tienes nada que reescribir.

Índice de humo: 35% 🟡

✅ Lo que comparto

Las fórmulas mágicas efectivamente sobran

• “Respira hondo”

• “Piensa profundamente”

• “Tómate tu tiempo”.

Nunca han afectado a la calidad de la respuesta y hoy siguen sin aportar nada.

En un modelo que razona por defecto, la profundidad se controla con el ajuste de esfuerzo, no con una frase.

El aviso sobre las instrucciones restrictivas

“Repórtame solo los errores graves” no funciona, porque el modelo lo cumple al pie de la letra y te oculta hallazgos reales.

La recomendación oficial es pedirle que lo reporte todo y filtrar tú en una segunda pasada.

Las contradicciones internas

Por ejemplo, decir “sé breve” arriba y “explícalo con detalle” abajo.

El modelo no puede cumplir las dos a la vez, así que cumple una. Y no siempre la misma.

Por eso a veces tienes la sensación de que el mismo prompt funciona un día y falla al siguiente, y es porque hay dos órdenes incompatibles y cada vez gana una.

🟡 Donde falta contexto

Aquí está el porqué de este análisis, e insisto, no es una crítica: es lo que hace falta saber para aplicar bien lo anterior.

Primero: hoy eliges dos cosas, no una

Ahora, antes de hacer una petición, debes escoger, por un lado, qué modelo resuelve la tarea. Por otro, cuánto esfuerzo dedica.

La primera decisión es importante, porque para clasificar correos, resumir una reunión o traducir un texto, el modelo más avanzado no da un resultado mejor.

Los niveles altos se justifican cuando la dificultad de la tarea es compleja, no cuando es cotidiana.

Segundo: lo que dicen esas guías solo vale para el modelo del que hablan

Las guías oficiales de OpenIA y Anthropic no son consejos sobre “prompting”, son fichas de comportamiento de modelos concretos.

Un modelo que verifica solo no necesita que le pidas verificar. Un modelo que no lo hace, sí.

Esto no es una interpretación mía.

Anthropic publicó dos guías la misma semana: para Opus 5 recomienda quitar las instrucciones de verificación, y para Fable 5 recomienda justo lo contrario, hacer explícita la comprobación en las tareas largas.

Misma empresa, misma semana, páginas contiguas, consejos opuestos. Si ni siquiera hay una regla común entre dos modelos de la misma casa, difícilmente la hay para “los modelos de 2026”.

Llevado a tu caso: si tu GPT está trabajando con un modelo intermedio o rápido (que es lo sensato para la mayoría de tareas) quitarle las instrucciones de comprobación no te ahorra nada. Te deja sin la comprobación.

Tercero: no siempre sabes qué modelo responde

En ChatGPT, el modelo que contesta depende del modo, del plan y del producto desde el que entras, y existe una conmutación automática entre respuesta rápida y razonamiento que se activa o desactiva en la configuración del selector.

Si la tienes activada, el modelo cambia según la petición.

Cuarto: un prompt para ti y un prompt compartido no deben ser igual

El artículo comenta esto al final, pero merece más peso.

Si el GPT lo usa tu equipo, o si lo publicas, no controlas ni el modelo ni el plan de quien lo ejecuta. Ese prompt tiene que seguir siendo explícito.

Te recomendaría esta regla:

Si es solo para ti y has fijado el nivel más alto, aligera. En cualquier otro caso, darle una buena estructura hará que funcione mejor.

❌ Donde discrepo

La invitación a hacer limpieza general

“Abre tus GPT personalizados, tus proyectos de Claude, tus plantillas de Notion. Vamos a hacer limpieza.”

Esa frase convierte una recomendación condicional en una tarea pendiente para todo el mundo.

El momento de revisarlas es cuando decides subir de modelo o de nivel de esfuerzo.

“Sé conciso” ha caducado no es cierto, y para Claude es al revés

La guía de Opus 5 recomienda de forma explícita incluir una instrucción breve de concisión, porque ese modelo tiende a responder más largo que sus predecesores.

Y la de OpenAI no dice que sobre, dice que compruebes si te sigue sirviendo y que la mantengas cuando produzca el resultado que necesitas.

Es un ejemplo perfecto de por qué la regla general falla, la misma instrucción sobra en un modelo y hace falta en otro.

El prompt de migración no me convence

Contradice el método que recomienda su propia fuente, que propone retirar un grupo de instrucciones cada vez y volver a comprobar.

Ese prompt lo quita todo de una vez y te devuelve una versión nueva.

Si tuvieras forma de evaluarla, no necesitarías el atajo; y si no la tienes, estás cambiando algo que funcionaba por algo que no sabes juzgar.

Y la apertura es muy sensacionalista

“Tu mejor prompt de hace seis meses hoy te da peores resultados” no es lo que dicen las fuentes. Dicen que parte de tus instrucciones puede haber dejado de aportar.

Redundante y perjudicial no son lo mismo.

Mi conclusión

Si te llevas una sola cosa del artículo que sea esto:

Todo lo que propone este artículo es correcto dentro de un escenario concreto: un modelo de razonamiento avanzado, ejecutando una tarea que lo justifica.

El autor lo tiene claro, y lo menciona al principio.

Pero me parece oportuno destacar que la decisión importante viene antes del prompt.

Primero eliges qué modelo merece la tarea. Para la mayoría del trabajo diario la respuesta es un nivel intermedio o instantáneo, y ahí las instrucciones detalladas siguen siendo tan útiles como el año pasado.

Solo cuando subes al nivel alto para algo que de verdad lo pide tiene sentido revisar si sobran comprobaciones y procesos.

Y cuando llegue ese momento, hazlo al revés de como lo propone el artículo:

De esta manera, cuando quitas algo y el resultado empeora de forma evidente, lo devuelves.

Lo que sí conviene hacer desde ya, independientemente del modelo, es lo que el artículo dice acertadamente: mira si tus instrucciones contienen suficiente contexto para la tarea.

Ningún ajuste de prompting compensa un prompt que no sabe nada de ti.

Hay un patrón que se repite en todas (absolutamente en todas) las empresas donde capacito a profesionales en el uso aplicado de IA.

Lo veo cada semana en formaciones, en sesiones de consultoría, en conversaciones con profesionales de sectores muy distintos.

Siempre hay personas con la sensación de que “todavía no han encontrado la herramienta adecuada”.

Lo que más me encuentro:

Personas que suelen usar tres o cuatro al mismo tiempo, algunos tienen una cuenta de ChatGPT, de NotebookLM, de Perplexity, de Claude, quizá de Gemini, o de Copilot, y quizá alguna más que leyó en un artículo la semana pasada.

Pero siguen sin encontrar algo que les convezca.

El problema de fondo es que “usar la herramienta equivocada” ha pasado a ser la explicación por defecto de resultados mediocres.

Este artículo va sobre eso.

Sobre por qué añadir herramientas casi siempre empeora los resultados en lugar de mejorarlos, y por qué el sector IA tiene tanto interés en que sigamos creyendo lo contrario.

Dónde está el problema

Cuando una persona empieza a trabajar con IA, la curva es siempre la misma. Hay un momento de sorpresa inicial, seguido de una primera decepción: “no es tan buena como decían.”

Esa decepción conlleva un diagnóstico equivocado: “esta herramienta no es la mejor para lo que yo necesito”. Y ese diagnóstico lleva a una solución natural: probar otra.

El problema es que esa lógica no te ayudará a resolver tu problema.

Intentan convencernos de que hay herramientas mejores y peores, que cada una tiene sus puntos fuertes, y que el profesional avanzado sabe cuándo usar cuál.

Todo eso es verdad en un nivel muy técnico. Pero en la práctica del trabajo real, lo que determina la calidad de los resultados no es la herramienta. Es lo que se hace antes de abrirla.

En casi todos los casos, el problema era el punto de partida: lo que la persona le pedía a la IA, con qué información, con qué contexto, con qué expectativa de resultado.

Cuando cambias la herramienta sin cambiar ninguna de esas cosas, el resultado mejora un poco o nada. Y entonces buscas otra herramienta.

El mercado de IA ha aprendido a capitalizar exactamente este ciclo. Cada semana aparece algo nuevo. Cada anuncio promete hacer mejor lo que las anteriores no consiguieron.

El contenido que circula por LinkedIn está lleno de comparativas, rankings, “top 10 herramientas para X”. Hay canales de YouTube cuyo único contenido es presentar herramientas nuevas, una tras otra, semana tras semana.

Ese ecosistema no existe para ayudarte a trabajar mejor. Existe para mantenerte enganchado al ciclo de búsqueda.

Porque mientras buscas la herramienta perfecta, no te planteas que el problema podría estar en otro sitio.

La solución es esta

El problema real es casi siempre el mismo: no tenemos un método para trabajar con IA.

Tenemos prompts sueltos, intenciones vagas y la esperanza de que la herramienta adecuada lo resuelva sola.

Lo que ocurre cuando usas varias herramientas sin método es que la atención se fragmenta. En lugar de aprender a usar bien una, aprendes a usar mal varias.

Cada herramienta tiene su interfaz, su lógica, sus límites. Aprender todo eso tiene un coste.

Conozco profesionales que tienen cuentas activas en varias plataformas. Y que siguen produciendo el mismo tipo de resultado mediocre que obtendrían con una sola, bien utilizada.

Esto no es una crítica a ninguna herramienta en concreto. Las herramientas actuales (las principales, las que cualquiera tiene al alcance) son suficientemente buenas para resolver la mayoría de tareas profesionales.

Hay un experimento que hago a veces en las formaciones.

Le pregunto a alguien qué herramienta usa habitualmente. Me dicen una. Les pregunto qué le piden. Me cuentan la tarea. Luego les pregunto si estarían dispuestos a pedirle exactamente lo mismo a otra herramienta, con exactamente las mismas palabras.

La respuesta casi siempre es que sí, pero con la expectativa de que el resultado sea diferente.

Y a veces lo es. Hay diferencias. Pero en la mayoría de casos, cuando el punto de partida es una instrucción vaga y sin contexto, la diferencia entre herramientas es marginal.

Lo que produce un resultado mediocre en una, produce un resultado mediocre en la otra. Lo que produce un resultado útil en una (cuando el punto de partida está bien construido) también funcionaría en la otra.

Entiendo por qué aceptar esto es cómodo. Es más fácil pensar que el problema está fuera, en la herramienta que no acaba de encajar, que pensar que el problema está en cómo estamos haciendo las preguntas.

Lo primero tiene solución inmediata: buscar algo nuevo. Lo segundo requiere parar, observar y cambiar un hábito.

Pero lamento decirte que la segunda opción es la que funciona de verdad.

Más herramientas no te hacen más competente con IA

Un método sí.

Un método significa saber qué información incluir en una instrucción antes de escribirla. Saber qué tipo de respuesta quieres y cómo pedirla. Saber cuándo la IA está dando lo que necesitas y cuándo no, y por qué. Saber construir instrucciones que puedas reutilizar, que mejoren con el tiempo, que no dependan de que acertes a la primera.

Eso no lo da ninguna herramienta. Lo construyes tú.

Si quieres dejar de buscar la herramienta perfecta y empezar a trabajar bien con las que ya tienes, eso es exactamente lo que propone IA Fácil.

No más herramientas. Un sistema para usarlas bien.

Lo tienes aquí.

En pocas palabras:

Los GPTs personalizados de ChatGPT y las skills de Claude sirven para algo muy parecido: conseguir que una inteligencia artificial realice una tarea concreta siguiendo unas instrucciones determinadas.

Por ejemplo, podemos crear un GPT para analizar currículums, revisar contratos o preparar propuestas comerciales.

También podemos crear una skill de Claude para realizar exactamente esas mismas tareas.

En ambos casos, el objetivo es dejar de explicar el procedimiento desde cero en cada conversación.

Por eso es normal que parezcan prácticamente lo mismo.

Sin embargo, hay algunas diferencias importantes en la manera en que se crean y se utilizan.

Primera diferencia entre un GPT y una skill

Un GPT es una versión personalizada de ChatGPT.

Al crear uno, podemos indicarle qué tarea debe realizar, qué pasos debe seguir, qué criterios debe aplicar y cómo queremos que presente el resultado.

También podemos añadir documentos para que los utilice como referencia.

Por ejemplo, podríamos crear un GPT especializado exclusivamente en analizar currículums.

Sus instrucciones podrían indicarle que revise la experiencia profesional, compruebe si el candidato cumple los requisitos del puesto, identifique fortalezas y carencias, y prepare un informe con una estructura determinada.

Cuando queramos realizar esa tarea, abriremos ese GPT y le proporcionaremos el currículum y la descripción del puesto.

Un GPT llamado “Experto en recursos humanos”, capaz de analizar currículums, preparar entrevistas, redactar ofertas y diseñar planes de incorporación, probablemente tendría demasiadas instrucciones y objetivos diferentes.

Cuanto más concreta sea la tarea, más fácil será construir buenas instrucciones, probar el resultado y corregir los errores.

Por eso suele ser más efectivo crear un GPT para analizar currículums, otro para preparar entrevistas y otro para redactar ofertas de empleo.

Cada uno resuelve un problema específico.

Las skills de Claude también pueden estar especializadas en una única tarea.

La diferencia principal es que no funcionan necesariamente como asistentes independientes que debemos abrir antes de empezar.

Podemos tener varias skills disponibles y Claude puede identificar cuál necesita utilizar según la petición que le hagamos.

Por ejemplo, podríamos tener una skill para analizar currículums, otra para preparar entrevistas y otra para redactar ofertas.

Si le pedimos a Claude que analice un currículum, puede detectar que existe una skill preparada para esa tarea y cargar sus instrucciones.

Por tanto, la primera diferencia se encuentra en la forma de utilizarlos.

Con un GPT, normalmente elegimos primero el asistente especializado y después le damos la tarea.

Con una skill, podemos plantear directamente la tarea en Claude y el sistema puede cargar la capacidad correspondiente.

Segunda diferencia entre un GPT y una skill

La segunda diferencia está en lo que puede contener una skill.

Tanto los GPTs como las skills pueden incluir instrucciones y documentos de referencia.

Sin embargo, una skill también puede incorporar scripts.

Un script es un pequeño programa creado para ejecutar automáticamente una serie de operaciones.

No es una inteligencia artificial. No interpreta una petición ni decide cómo responder.

Simplemente sigue unos pasos técnicos que alguien ha programado previamente.

Podemos compararlo con una receta muy precisa.

Imaginemos que queremos analizar un archivo con las ventas de un equipo comercial.

Las instrucciones podrían decirle a la IA:

“Calcula la media de ventas de cada comercial, compárala con su objetivo e identifica quién está por encima o por debajo.”

La IA tendría que interpretar la petición, abrir el archivo, realizar los cálculos y preparar la respuesta.

Un script podría tener esos cálculos programados de antemano.

Abriría el archivo, leería las columnas necesarias, sumaría las ventas, calcularía las medias y compararía cada resultado con el objetivo.

Siempre ejecutaría las mismas operaciones de la misma manera.

Después, Claude podría utilizar los resultados para explicar qué ha ocurrido, detectar patrones y redactar unas conclusiones.

El script se ocuparía de los cálculos exactos.

Claude se ocuparía de interpretarlos.

Veamos otro ejemplo.

Podríamos crear una skill para analizar encuestas de satisfacción.

Las instrucciones de la skill indicarían qué debe revisar Claude, qué criterios debe aplicar y cómo debe presentar el informe.

Además, la skill podría incluir un script que eliminase las respuestas duplicadas, calculase automáticamente la puntuación media de cada pregunta y generase una tabla con los resultados.

Claude recibiría esa información ya procesada y podría centrarse en identificar problemas, interpretar los comentarios y redactar recomendaciones.

Los scripts son especialmente útiles cuando una tarea incluye cálculos, transformación de archivos, comprobaciones automáticas o pasos repetitivos que deben ejecutarse siempre de la misma forma.

Esto no significa que ChatGPT no pueda trabajar con código.

ChatGPT también puede analizar archivos, realizar cálculos y ejecutar código mediante sus herramientas.

Un GPT puede recibir una hoja de cálculo, procesarla y preparar un informe.

La diferencia es que una skill puede llevar incorporados scripts propios como parte de su estructura, junto con las instrucciones y los demás recursos necesarios para ejecutar el procedimiento.

En un GPT, normalmente configuramos instrucciones, documentos y capacidades generales de ChatGPT.

Para muchas personas, esta diferencia no será especialmente relevante.

Un GPT para revisar un texto, preparar una entrevista, analizar un contrato o redactar una propuesta puede funcionar perfectamente sin utilizar ningún script.

Una skill también puede resolver esas tareas únicamente con instrucciones y documentos.

Los scripts aportan valor cuando el proceso tiene una parte técnica, mecánica o repetitiva.

No conviene añadirlos simplemente porque sea posible.

Cuanta más complejidad introduzcamos en un sistema, más difícil será crearlo, mantenerlo y corregirlo.

Entonces, ¿qué opción es mejor?

No hay una respuesta universal.

Si utilizas principalmente ChatGPT, los GPTs son una forma sencilla de crear asistentes especializados para tareas concretas.

Si utilizas principalmente Claude, las skills permiten añadir capacidades que Claude puede cargar cuando las necesita y, en procesos más avanzados, incorporar scripts propios.

La calidad del resultado no dependerá únicamente de elegir un GPT o una skill.

Un GPT bien diseñado puede ser mucho más útil que una skill mal construida.

Y una skill con buenas instrucciones y un script adecuado puede resolver procesos que serían difíciles de ejecutar únicamente mediante una conversación.

La diferencia puede resumirse así:

Un GPT es una configuración especializada de ChatGPT que utilizamos para realizar una tarea concreta.

Una skill es una capacidad especializada que Claude puede cargar cuando la necesita y que, además de instrucciones y documentos, puede incorporar scripts propios.

Son dos formas distintas de conseguir un objetivo parecido: convertir una tarea que repetimos en un sistema que podamos reutilizar.

La decisión no debería depender de cuál parece más novedosa o avanzada.

Debería depender de la herramienta que ya utilizamos, de la tarea que queremos resolver y del nivel de complejidad que realmente necesitamos.

Porque trabajar mejor con inteligencia artificial no consiste en cambiar constantemente de plataforma.

Y ahí es donde empieza el trabajo de verdad.

Antes de crear un GPT o una skill, necesitas construir unas instrucciones capaces de explicar con claridad qué debe hacer la IA, qué información debe utilizar, qué pasos debe seguir y cómo debe presentar el resultado.

Eso es precisamente lo que te ayuda a hacer IA Fácil.

Después podrás utilizarla en ChatGPT, Claude o cualquier otra herramienta: como base de un GPT, como parte de una skill o directamente dentro de una conversación.

Porque la plataforma puede cambiar.

Pero una buena instrucción sigue siendo útil.

Puedes conocer IA Fácil haciendo clic aquí

En pocas palabras:

En muchas de las sesiones de formación que hago con equipos profesionales, en algún momento alguien pregunta lo mismo: “¿Qué herramienta recomiendas usar?”

Como si la clave estuviera en la mejor herramienta.

Lo entiendo. El mercado de herramientas de IA es ruidoso, cambia rápido y genera una presión constante para estar al día. Si no estás usando lo último, parece que te estás quedando atrás.

He aprendido a responder a esa pregunta de una forma que, de primeras, suele decepcionar un poco:

No es una respuesta evasiva. Es la más honesta que puedo dar.

He trabajado con profesionales de sectores muy distintos: jurídico, educativo, comunicación, consultoría, servicios financieros.

Y puedo asegurarte que la persona que consigue mejores resultados con IA casi nunca es la que usa más herramientas.

Es la que ha elegido una o dos y las conoce a fondo.

Lo que distingue a esa persona no es el nombre de la herramienta que usa. Es que sabe qué puede pedirle, qué no puede pedirle, cómo formular sus instrucciones, y cuándo los resultados son buenos y cuándo no.

Eso se aprende usando la IA con criterio, no a la desesperada cada vez que hay una tarea urgente.

En busca de lo último

La herramienta que cambias cada semana nunca llega a ser una herramienta que dominas.

En una formación reciente con un equipo de una empresa de servicios profesionales, dedicamos la primera parte a explorar cómo cada persona usaba la IA en su trabajo real.

La mayoría tenía acceso a dos o tres herramientas distintas. Algunas personas usaban cuatro.

Cuando pregunté cuántos las usaban de forma sistemática, con un proceso propio, con instrucciones claras, con flujos predefinidos, el número bajaba drásticamente.

La mayoría las usaba de vez en cuando, para tareas puntuales, con resultados variables que no entendían del todo.

Le pedí a ese mismo equipo que eligiera una sola herramienta y la usara para todas las tareas posibles durante siete días. Sin explorar otras. Sin comparar.

A la semana siguiente, volví a preguntarles y los resultados mejoraron de forma notable.

¿Por qué? Porque habían empezado a conocer bien la herramienta que estaban usando.

Hay algo comprensible en esta dinámica. Cambiar de herramienta genera la sensación de estar haciendo algo. Es una acción visible, con un resultado inmediato: una nueva interfaz, nuevas posibilidades, la expectativa de que esta vez será diferente.

Aprender a usar bien lo que ya tienes es más lento. No produce esa descarga de dopamina inmediata.

Y lo peor, exige algo que el cambio de herramienta no exige: reflexionar sobre cómo trabajas, qué necesitas realmente, qué no estás haciendo bien todavía.

El mercado de IA sabe esto y lo explota bien

Cada semana hay una nueva herramienta o función presentada como la que va a cambiar todo.

Pero la mayoría de los profesionales no tiene un problema de acceso a herramientas avanzadas. Tiene un problema de método con las que ya usa.

Lo que hace que una herramienta sea la adecuada para ti es la intersección de tres cosas:

1/ que encaje con el tipo de trabajo que haces

2/ que hayas invertido tiempo suficiente en entender cómo funciona

3/ y que puedas predecir con cierta fiabilidad qué tipo de resultado vas a obtener de ella.

Cuando esas tres cosas se alinean, la herramienta deja de ser un experimento y empieza a ser parte del sistema de trabajo. Y es entonces cuando los resultados dejan de ser variables y empiezan a ser consistentes.

Cuando digo que la mejor herramienta de IA es la que tú sabes usar bien, la primera reacción es de cierta frustración.

La pregunta que esperan responder es cuál, no depende. Pero el depende no es una excusa: es la respuesta más útil que existe para este problema.

Porque si lo que buscas es la herramienta que va a transformar tu trabajo sin que tengas que cambiar nada de cómo lo haces, ninguna herramienta va a cumplir esa promesa.

Y eso requiere elegir, comprometerse con lo elegido, y construir un sistema de uso que funcione para tu trabajo específico.

La mejor herramienta de IA que existe a día de hoy es la que tienes y todavía no has aprendido a usar del todo. Vale la pena cambiar eso antes de cambiar de herramienta.

Aprender a sacarle partido a lo que ya tienes, con método y sin experimentar a ciegas, es exactamente de lo que trata IA Fácil.

En pocas palabras:

De verdad, te pido que no vengas al taller del jueves si lo que quieres es “aprender NotebookLM”.

Para eso ya tienes tutoriales.

Puedes buscar un vídeo en YouTube.

Puedes abrir la herramienta.

Puedes subir un PDF.

Puedes tocar botones.

Puedes probar qué hace cada función.

Eso lo puede hacer cualquiera.

El problema es que aprender funciones no cambia demasiado tu forma de trabajar.

Lo que cambia tu forma de trabajar es otra cosa.

Ahí es donde NotebookLM empieza a importar.

No cuando sabes dónde se sube una fuente.

No cuando descubres que puede generar una guía.

No cuando ves que puede hacer una presentación, una infografía o un audio.

Eso está bien.

Pero no es suficiente.

La pregunta importante no es:

“¿Qué puede hacer NotebookLM?”

La pregunta importante es:

“¿Qué puedo dejar de hacer yo cada semana si aprendo a usarlo bien?”

Porque esa es la diferencia.

Si trabajas con información, probablemente hay una parte de tu semana que se va en tareas que ya tienes normalizadas.

Leer documentos antes de saber si merecen la pena.

Ver vídeos completos para encontrar tres ideas útiles.

Preparar reuniones revisando materiales dispersos.

Convertir notas en estructura.

Transformar información técnica en algo que otra persona pueda entender.

Hacer presentaciones desde cero.

Sacar conclusiones de fuentes que no están ordenadas.

Releer informes porque la primera lectura no te dejó una visión clara.

Todo eso parece trabajo inevitable.

Pero muchas veces no lo es.

Muchas veces es simplemente la forma antigua de procesar información.

Y NotebookLM permite hacerlo de otra manera.

No porque piense por ti.

No porque sustituya tu criterio.

No porque puedas delegarlo todo sin mirar.

Sino porque te lleva mucho antes al punto donde tu criterio importa.

Primero ordena.

Primero resume.

Primero compara.

Primero detecta lo relevante.

Primero convierte la información bruta en una estructura con la que puedes trabajar.

Y después tú decides.

Qué usar.

Qué descartar.

Qué profundizar.

Qué convertir en presentación.

Qué explicar a un cliente.

Qué llevar a una reunión.

Qué transformar en material.

Qué escuchar más tarde.

Qué no merece más tiempo.

Ese es el resultado que me interesa que consigas el jueves.

No que salgas diciendo:

“Ya sé usar NotebookLM.”

Eso es demasiado vago.

Quiero que salgas pensando:

“Esto lo puedo usar mañana con mis documentos.”

“Esto me sirve para preparar reuniones.”

“Esto me ahorra tiempo antes de hacer una presentación.”

“Esto me ayuda a entender materiales que ahora mismo me dan pereza.”

“Esto convierte información que tengo dispersa en algo que puedo usar.”

Ese es el taller.

Dos horas para que NotebookLM deje de ser una herramienta curiosa y se convierta en una forma concreta de trabajar con información.

Y por eso el formato es importante.

No será una clase masiva.

No será una demo grabada.

No será una lista de funciones.

Será una sesión en directo, con un máximo de veinte personas, para poder entrar en casos concretos y responder preguntas reales.

Vamos a ver cómo trabajar con fuentes.

Cómo combinar documentos, webs y vídeos.

Cómo pedir salidas útiles.

Cómo preparar presentaciones sin empezar desde cero.

Cómo convertir materiales densos en briefings.

Cómo pedirle a NotebookLM que no se limite a resumir, sino que te ayude a decidir qué hacer con la información.

Cómo usarlo cuando tienes poco tiempo y demasiado contenido.

Y cómo aplicar todo eso a situaciones normales de trabajo, no a ejemplos perfectos preparados para una demo.

Lo importante

No necesitas convertirte en experto en NotebookLM.

Necesitas saber usarlo lo suficiente como para que esta semana te quite trabajo de encima.

Y eso se puede conseguir en dos horas si vas directo a lo importante.

Además, si no puedes asistir en directo, recibirás la grabación completa.

Y si al terminar sientes que el taller no te ha resultado útil, me escribes y te devuelvo el dinero. Sin preguntas ni formularios.

No es una estrategia de marketing, es verdad.

El taller es este jueves 23 a las 18:00h, hora Madrid.

Después de septiembre vendrán otros talleres, pero el de NotebookLM es este jueves.

Si trabajas con documentos, vídeos, webs, informes, presentaciones, propuestas, contenidos, formación o materiales de cliente, no necesitas “aprender una herramienta más”.

Necesitas procesar mejor la información con la que ya trabajas.

El jueves puedes aprender a hacerlo.

SOLO QUEDAN 2, RESERVA TU PLAZA

Un abrazo,
JL

La mayoría de personas que usa NotebookLM suele pedirle cosas bastante obvias.

Resume este documento.

Hazme una presentación.

Convierte esto en una infografía.

Sácame las ideas principales.

Explícame este vídeo.

Todo eso está bien.

Pero no es ahí donde aparece la diferencia.

Porque dos personas pueden meter exactamente las mismas fuentes en NotebookLM y obtener resultados completamente distintos.

Una saldrá con un resumen correcto.

La otra saldrá con un briefing útil.

Una saldrá con una presentación genérica.

La otra saldrá con una estructura pensada para convencer a un comité, explicar un problema o preparar una decisión.

Una saldrá con una infografía bonita.

La otra saldrá con una pieza visual que sabe qué debe destacar, qué debe eliminar y qué mensaje tiene que quedar claro.

La herramienta es la misma.

Las fuentes son las mismas.

Lo que cambia es la forma de dirigirla.

Y eso es justo lo que la mayoría todavía no sabe hacer.

No son malos.

No son inútiles.

No son un desastre.

Son correctos.

Y ese es el problema.

Porque lo correcto engaña.

Un resumen correcto parece suficiente hasta que necesitas tomar una decisión.

Una presentación correcta parece suficiente hasta que tienes que usarla delante de alguien.

Una infografía correcta parece suficiente hasta que te das cuenta de que no comunica lo importante.

Una guía correcta parece suficiente hasta que la comparas con lo que podría haber sido si la hubieras pedido con más criterio.

Esa es la brecha.

No entre quien usa NotebookLM y quien no lo usa.

Sino entre quien lo usa para sacar cosas rápidas y quien lo usa para sacar cosas útiles.

Este jueves

Las personas que vayan al taller van a ver esa diferencia.

Van a ver cómo una misma fuente puede convertirse en salidas completamente distintas según el objetivo.

Cómo un informe puede convertirse en un resumen para leer, pero también en un briefing para decidir.

Cómo una web puede convertirse en una lista de ideas, pero también en preguntas para una reunión comercial.

Cómo un vídeo puede convertirse en apuntes, pero también en una guía de aplicación.

Cómo varios documentos pueden convertirse en una presentación, pero también en una comparativa, una lista de riesgos, una explicación para cliente o un mapa de temas.

Cómo una infografía no empieza cuando pides “hazme una infografía”, sino cuando sabes qué parte de la información merece convertirse en visual.

Eso es lo que casi nadie ve al principio.

Porque NotebookLM parece fácil.

Y cuando una herramienta parece fácil, la mayoría deja de mirar demasiado pronto.

Sube fuentes.

Pide algo.

Obtiene un resultado decente.

Y piensa que ya está.

Pero no está.

Solo ha llegado a la capa donde NotebookLM ahorra tiempo.

No a la capa donde mejora el trabajo.

La diferencia empieza cuando dejas de preguntarte:

“¿Qué puede generar esta herramienta?”

Y empiezas a preguntarte:

“¿Qué necesito conseguir con esta información?”

Ahí cambia todo.

Porque entonces ya no le pides a NotebookLM que produzca por producir.

Le pides que trabaje para una situación concreta.

Una reunión.

Una propuesta.

Una formación.

Un cliente.

Un comité.

Una decisión.

Una explicación.

Una presentación.

Una infografía.

Un análisis.

Una pieza que alguien tiene que entender en poco tiempo.

Y cuando lo haces así, el resultado deja de parecer una salida automática y empieza a parecer trabajo aprovechable.

Eso es lo que van a aprender el jueves las personas que estén en la sesión.

No van a salir simplemente sabiendo que NotebookLM acepta PDFs, webs o vídeos.

Eso ya lo puede ver cualquiera.

Van a salir sabiendo cómo convertir esas fuentes en algo que sirva para su trabajo.

Cómo decidir qué pedir.

Cómo adaptar la salida al uso real.

Cómo evitar resultados genéricos.

Cómo sacar de una misma fuente varias capas distintas.

Cómo convertir información en materiales que no den la sensación de estar hechos por una IA en automático.

Y esa diferencia se nota.

Se nota cuando preparas una reunión en menos tiempo.

Se nota cuando haces una presentación con una estructura mejor.

Se nota cuando conviertes un documento denso en algo que otra persona puede entender.

Se nota cuando dejas de leerlo todo antes de saber qué importa.

Se nota cuando ya no usas NotebookLM solo para resumir, sino para pensar qué hacer con la información.

El próximo jueves habrá veinte personas viendo esto en directo.

Quedan muy pocas plazas.

Y después de este taller no hay otro de NotebookLM en el calendario. Al menos este año.

A partir de septiembre haré más talleres, pero de otros temas.

Si trabajas con documentos, vídeos, webs, informes, presentaciones, propuestas, formación, contenidos o materiales de cliente, probablemente vas a seguir usando ese tipo de información la semana que viene.

La pregunta es si vas a seguir pidiéndole a NotebookLM “hazme un resumen”…

o si vas a aprender a pedirle resultados que realmente puedas usar.

El jueves 23 a las 18:00h, hora Madrid.

Máximo veinte personas.

Grabación incluida.

RESERVA TU PLAZA ANTES DE QUE SE AGOTEN

Un abrazo,
JL

PD. Si lo que aprendas no te parece realmente útil, te devuelvo el dinero.

Spoiler: vas a descubrir una herramienta que vas a usar mucho más de lo que imaginas.

No todo lo que lees necesita ser leído de principio a fin.

Sé que suena raro.

Durante años nos han enseñado que trabajar bien con información significa leer, subrayar, resumir, ordenar, comparar y sacar conclusiones.

Y muchas veces sigue siendo así.

Pero no siempre.

Hay informes que no necesitas leer enteros para saber qué contienen.

Hay vídeos de una hora que no necesitas ver completos para decidir si merecen tu atención.

Hay documentos que no necesitas resumir a mano para entender qué partes son importantes.

Hay materiales que no necesitas revisar línea por línea antes de convertirlos en una presentación, una guía, una propuesta o una explicación para otra persona.

Ese es uno de los grandes cambios que trae NotebookLM.

No porque sustituya tu criterio.

Sino porque te ayuda a llegar mucho antes al punto en el que ese criterio importa.

Sobreinformación

En la actualidad, la mayoría de profesionales no tiene un problema de falta de información.

Tiene el problema contrario.

Demasiada información.

Documentos pendientes.

Informes guardados.

Vídeos marcados para ver luego.

Páginas web abiertas.

Notas sueltas.

Materiales de clientes.

Recursos de formación.

PDFs que alguien envió por correo.

Artículos que parecían interesantes.

Y una sensación que seguro te suena familiar:

“Esto debería revisarlo, pero ahora no tengo tiempo”.

Lo que ocurre después ya lo sabes.

Algunas cosas las lees tarde.

Otras las lees a medias.

Otras se quedan para nunca.

Y otras las procesas de forma rápida, con la sensación de que quizá había algo importante que se te ha escapado.

NotebookLM cambia esa dinámica

Porque te permite meter tus fuentes en un mismo espacio y empezar a trabajar con ellas antes de haberlas leído todas de principio a fin.

Puedes pedirle que te diga qué contiene cada fuente.

Puedes pedirle que detecte temas comunes.

Puedes pedirle que encuentre contradicciones.

Puedes pedirle que te diga qué deberías leer primero.

Puedes pedirle que extraiga los puntos que interesan a dirección, a ventas, a un cliente o a un equipo concreto.

Puedes pedirle que convierta el material en preguntas para una reunión.

Puedes pedirle que transforme un informe denso en un briefing útil.

Puedes pedirle que convierta un vídeo largo en una estructura clara.

Puedes pedirle que te ayude a decidir si merece la pena profundizar o no.

Y ahí está la diferencia.

NotebookLM no solo ahorra tiempo cuando resume.

Antes de leer.

Antes de preparar.

Antes de decidir qué hacer con esa información.

Antes de ponerte a crear una presentación.

Antes de redactar una propuesta.

Antes de diseñar una formación.

Antes de entrar en una reunión.

Antes de perder una hora en un material que quizá solo tenía tres ideas útiles.

Ese es el coste que casi nadie calcula.

Seguimos trabajando con información como si la única forma seria de entender algo fuera consumirlo entero primero.

Leer todo el documento.

Ver todo el vídeo.

Abrir todas las pestañas.

Tomar notas.

Ordenarlas.

Y solo entonces pensar qué hacer.

Pero en muchos casos, ese proceso se puede invertir.

Primero le das a NotebookLM las fuentes.

Después le pides una primera lectura estructurada.

Luego decides dónde merece la pena entrar.

Y entonces sí: aplicas tu criterio sobre una información que ya está ordenada, resumida y preparada para trabajar.

Porque dejas de gastar energía en llegar al punto de partida.

La usas donde realmente aporta valor: interpretar, decidir, explicar, priorizar, adaptar.

Esto es especialmente importante si trabajas con documentación.

Con propuestas.

Con investigación.

Con clientes.

Con contenidos.

Con formación.

Con informes.

Con materiales internos.

Con webs.

Con vídeos.

Con cualquier tipo de conocimiento que llega desordenado y que necesitas convertir en algo útil.

Porque ahí está el verdadero trabajo.

No en tener más información.

En convertirla según tus necesidades.

Una fuente puede convertirse en un resumen.

Pero también en una guía.

En una comparativa.

En una lista de riesgos.

En una presentación.

En una infografía.

En preguntas para una reunión.

En un briefing para dirección.

En una explicación para alguien que no domina el tema.

En un material de formación.

En una conversación en audio que puedes escuchar mientras haces otra cosa.

La pregunta importante no es: “¿qué puede generar NotebookLM?”

La pregunta importante es: “¿qué necesito hacer con esta información?”

Y cuando entiendes eso, la herramienta cambia completamente.

Deja de ser un sitio donde subes documentos para preguntar cosas.

Se convierte en una forma de acelerar el paso entre información bruta y trabajo útil.

Eso es lo que veremos el jueves

Durante dos horas vamos a trabajar NotebookLM desde esa lógica.

No como un juguete para hacer resúmenes.

No como una herramienta curiosa para generar presentaciones o audios.

Sino como un sistema para procesar fuentes, entenderlas antes, transformarlas mejor y usarlas con más criterio.

Veremos cómo preparar fuentes.

Cómo combinar documentos, webs y vídeos.

Cómo pedirle primeras lecturas útiles.

Cómo detectar lo importante.

Cómo decidir qué salida conviene en cada caso.

Y cómo convertir información dispersa en materiales que realmente sirven para trabajar.

El taller será el jueves 23 a las 18:00h, hora Madrid, en directo y con un máximo de veinte personas para que haya tiempo de preguntas y casos concretos.

Si trabajas con información, probablemente hay una parte de tu semana que se va en leer, ordenar, revisar y preparar materiales que podrías empezar a convertir de otra manera.

El jueves puedes aprender a hacerlo.

RESERVA AHORA TU PLAZA

Un abrazo,
JL

PD. Si no puedes asistir en directo, no pasa nada. La sesión quedará grabada y podrás verla cuando quieras, tantas veces como necesites.

La mayoría de personas que prueba NotebookLM se queda en la primera capa.

A veces sube un PDF y le hace preguntas.

A veces lo usa para resumir un documento largo.

A veces convierte información en una presentación.

A veces le pide una infografía, una guía, una explicación sencilla o un material más visual.

Todo eso está bien.

Pero sigue siendo solo la primera capa.

Porque el verdadero valor de NotebookLM no está en que pueda transformar una fuente en otro formato.

Está en que puedes construir un espacio de trabajo con tus propias fuentes y pedirle que piense, compare, organice y transforme esa información según lo que necesitas hacer después.

Esa es la parte que mucha gente todavía no ha visto.

Donde cambia todo

NotebookLM no es solo una herramienta para “sacar cosas” de un documento.

Es una herramienta para trabajar con información.

Y eso es muy distinto.

Puedes subir un informe y pedirle un resumen.

Pero también puedes pedirle que detecte los riesgos.

Puedes subir varios documentos y pedirle una guía.

Pero también puedes pedirle que encuentre contradicciones entre ellos.

Puedes darle una web y pedirle ideas para una presentación.

Pero también puedes pedirle que extraiga los argumentos que interesarían a un cliente concreto.

Puedes meter un vídeo de YouTube y pedirle apuntes.

Pero también puedes pedirle que lo convierta en un briefing accionable, en preguntas para una reunión o en una explicación para alguien que no domina el tema.

Puedes pedir una infografía.

Pero antes de pedir el formato visual, tienes que saber qué información merece convertirse en visual, qué jerarquía debe tener, qué mensaje debe quedar claro y qué parte del contenido sobra.

Ahí es donde cambia la cosa.

La mayoría usa NotebookLM como una máquina de transformación rápida.

Le das algo.

Te devuelve algo.

Resumen.

Presentación.

Infografía.

Guía.

Audio.

Material de estudio.

Pero cuando entiendes bien la herramienta, dejas de pedirle simplemente “otro formato”.

Empiezas a pedirle trabajo intelectual sobre tus fuentes.

Qué es importante.

Qué falta.

Qué se repite.

Qué contradice a qué.

Qué debería leer primero alguien que no conoce el tema.

Qué parte interesa a dirección.

Qué parte interesa a ventas.

Qué parte necesita un cliente.

Qué parte sirve para formar a un equipo.

Qué parte puede convertirse en una presentación.

Qué parte no merece estar en ninguna presentación.

Esa es la diferencia.

NotebookLM no solo te ayuda a producir más rápido.

Te ayuda a decidir mejor qué producir.

Y eso, si trabajas con documentos, informes, vídeos, webs, materiales de clientes, contenidos, formación o conocimiento interno, tiene mucho más valor que un resumen bonito.

Porque el problema de la mayoría de profesionales no es que no tengan información.

Tienen demasiada.

Demasiados documentos.

Demasiadas pestañas abiertas.

Demasiados vídeos guardados para ver luego.

Demasiados informes que “habría que revisar”.

Demasiado contenido que podría servir para algo, pero que se queda ahí porque procesarlo lleva tiempo.

NotebookLM sirve precisamente para eso.

Para convertir información dispersa en algo manejable.

Pero no basta con subir fuentes y pedirle una salida.

Hay que saber preparar esas fuentes.

Hay que saber combinarlas.

Hay que saber qué tipo de resultado pedir.

Hay que saber cómo personalizar la respuesta.

Hay que saber cuándo pedir un resumen, cuándo una comparativa, cuándo una guía, cuándo una estructura de presentación, cuándo una lista de preguntas y cuándo una explicación adaptada a otra persona.

Eso es lo que casi nadie domina.

Porque la herramienta parece sencilla.

Y cuando una herramienta parece sencilla, la mayoría deja de investigar demasiado pronto.

La prueba.

Ve que funciona.

La guarda mentalmente como “útil para resumir documentos” o “útil para crear materiales”.

Y sigue trabajando igual que antes.

Sigue preparando presentaciones desde cero.

Sigue leyendo documentos enteros antes de saber si merecen la pena.

Sigue viendo vídeos largos sin una estructura previa.

Sigue copiando fragmentos en ChatGPT.

Sigue produciendo materiales sin haber extraído antes lo importante de las fuentes.

Y sigue utilizando NotebookLM muy por debajo de lo que permite.

Taller práctico

Eso es lo que vamos a ver el próximo jueves.

Durante dos horas vamos a ver cómo usar NotebookLM más allá de la primera capa.

Cómo preparar fuentes.

Cómo combinar documentos, webs y vídeos.

Cómo transformar información en salidas útiles.

Cómo personalizar los resultados según el objetivo.

Cómo usarlo para preparar presentaciones, guías, briefings, explicaciones, comparativas, preguntas o materiales de trabajo sin empezar desde cero.

Y, sobre todo, cómo dejar de verlo como una herramienta curiosa para convertirlo en una forma mucho más rápida de trabajar con información.

El taller será el jueves a las 18:00h, hora Madrid, en directo y con un máximo de veinte personas.

Solo quedan 6 plazas.

Si alguna vez has usado NotebookLM para resumir algo, preparar una presentación o convertir información en otro formato, ya has visto que la herramienta sirve.

El jueves vamos a ver lo que pasa cuando aprendes a usarla con criterio.

RESERVA TU PLAZA

Un abrazo,
JL

PD. Si no puedes asistir en directo, no pasa nada. La sesión quedará grabada y podrás verla cuando quieras, tantas veces como necesites.

La mayoría de personas que prueba NotebookLM comete el mismo error.

Lo abre.

Sube un PDF.

Le hace dos o tres preguntas.

Piensa: “vale, es útil”.

Y luego lo deja ahí.

Los más “avanzados” incluso crean una presentación o una infografía.

Vamos, que están aprovechando el 10% de la herramienta, nada más.

NotebookLM no es otro ChatGPT

Tampoco es otro Claude, ni otro Gemini, ni otro chatbot al que le pides que redacte, piense o improvise desde cero.

Funciona con otra lógica.

ChatGPT empieza en una conversación.

NotebookLM empieza en tus fuentes.

Y eso cambia completamente la forma de usarlo.

Cuando trabajas con ChatGPT, normalmente le explicas el contexto. Le dices qué necesitas, le das información, corriges lo que no ha entendido y vas ajustando la respuesta sobre la marcha.

Con NotebookLM ocurre algo distinto.

Primero le das el material.

Documentos, informes, páginas web, vídeos, textos, notas, contenidos, fuentes reales.

Y después le pides que trabaje desde ahí.

No desde “lo que sabe”.

No desde una respuesta genérica.

Esa diferencia parece pequeña, pero no lo es.

Es la diferencia entre pedirle a una IA que te ayude a pensar sobre un tema y construir un espacio de trabajo donde toda la información relevante ya está dentro.

Por eso tanta gente lo infrautiliza.

Porque entra esperando encontrar un chatbot.

Y cuando lo usa como chatbot, obtiene una versión pobre de lo que realmente puede hacer.

NotebookLM no está pensado solo para preguntarle cosas a un PDF

Está pensado para convertir información dispersa en algo que puedas entender, comparar, resumir, transformar y reutilizar.

Un informe largo puede convertirse en un briefing.

Una web puede convertirse en una guía de preguntas.

Un vídeo de YouTube puede convertirse en apuntes estructurados.

Varios documentos pueden convertirse en una visión conjunta.

Un material técnico puede convertirse en una explicación clara para alguien que no domina el tema.

Y una colección de fuentes puede convertirse en una base de conocimiento sobre la que trabajar durante días, no solo durante una conversación.

Ese es el cambio mental.

NotebookLM no sirve solo para leer más rápido.

Y si trabajas con documentos, contenidos, propuestas, informes, investigaciones, materiales de clientes, formaciones, reuniones o cualquier tipo de conocimiento escrito, esto cambia muchas más cosas de las que parece.

El problema es que casi nadie lo ve al principio.

Porque la primera capa de NotebookLM es sencilla.

Subes algo.

Preguntas.

Responde.

Cuando entiendes cómo organizar las fuentes.

Cómo combinar materiales distintos.

Cómo pedirle salidas útiles según lo que necesitas hacer.

Cómo convertir información en decisiones, explicaciones, guías, resúmenes, comparativas o materiales que puedas usar de verdad.

Ahí es donde NotebookLM deja de ser “una herramienta curiosa” y empieza a convertirse en una ventaja.

El jueves voy a dedicar dos horas a enseñar exactamente eso.

No haré una demo superficial. Para eso ya tienes YouTube.

Voy a explicar cómo se usa NotebookLM cuando entiendes para qué sirve de verdad.

Cómo preparar fuentes.

Cómo trabajar con documentos largos.

Cómo aprovechar vídeos y páginas web.

Cómo generar salidas útiles.

Cómo personalizar lo que le pides.

Y cómo convertirlo en una herramienta real para trabajar mejor con información.

Ya hay diez plazas reservadas.

El taller será el jueves 23 de julio a las 18:00h, hora Madrid, en directo y con un máximo de veinte personas para que haya tiempo de preguntas y casos concretos.

Si no puedes asistir en directo, no pasa nada: la sesión quedará grabada y podrás verla cuando quieras.

Si trabajas con información y sigues pensando que NotebookLM es solo “una IA para preguntarle a PDFs”, probablemente te estás perdiendo la parte más importante.

El jueves 23 puedes verla.

RESERVA AHORA TU PLAZA

Un abrazo,
JL

PD. Probablemente, NotebookLM es la herramienta de IA más infrautilizada del momento.