marybernalj 
En los últimos meses hemos visto cómo los modelos de lenguaje se vuelven cada vez más potentes. Más parámetros, más datos, más capacidad de cómputo. Y, sin embargo, algunas veces el resultado resulta confuso o simplemente poco útil. No porque el modelo sea malo, sino porque la pregunta lo fue.
Hay una idea que se repite poco, pero que cambia por completo la forma de usar la IA: la calidad de la respuesta depende directamente de la calidad de la pregunta. Y esto no es una metáfora; es una consecuencia técnica.
Un modelo de lenguaje no adivina lo que queremos. No conoce nuestras intenciones ocultas ni nuestro contexto mental. Solo trabaja con lo que le damos: palabras, instrucciones, ejemplos, restricciones. Todo lo demás lo completa por probabilidad. Por eso, cuando hacemos preguntas vagas, obtenemos respuestas vagas. Cuando pedimos “algo general”, recibimos generalidades. Y cuando no damos contexto, el modelo lo inventa.
Pensemos en una solicitud típica:
“Explícame qué es la inteligencia artificial.”
La respuesta probablemente será correcta, bien escrita… Ahora comparemos con algo ligeramente distinto:
“Explícame qué es la inteligencia artificial para un profesor de primaria que quiere usarla como apoyo pedagógico, no como sustituto del pensamiento crítico.”
El modelo es el mismo. La diferencia está en la pregunta. Al agregar contexto, propósito y límite, activamos respuestas más útiles, más alineadas y más accionables.
Hacer buenas preguntas no es un asunto técnico; es una habilidad cognitiva. Implica saber qué necesitamos realmente, para qué lo necesitamos y en qué contexto vamos a usar la respuesta. En ese sentido, interactuar con IA se parece mucho más a dialogar con un colega que a consultar un buscador. No se trata de escribir más, sino de pensar mejor antes de escribir.
Esto se vuelve aún más evidente cuando usamos IA en contextos profesionales o de investigación. Supongamos que pedimos:
“Analiza estos datos.”
Sin marco, sin objetivo, sin criterios. El modelo puede describir tendencias genéricas, pero difícilmente aportará valor real. En cambio, si decimos:
“Analiza estos datos con el objetivo de identificar patrones longitudinales relevantes para la toma de decisiones en salud pública, considerando posibles sesgos y datos faltantes.”
Aquí ya no estamos pidiendo un milagro, estamos guiando el análisis. Le estamos diciendo al modelo qué mirar y, casi más importante, qué no asumir.
Este punto es clave: la IA no falla solo por limitaciones técnicas, sino porque muchas veces le delegamos la tarea de pensar, cuando su rol real es acompañar nuestro pensamiento. Un buen modelo amplifica una buena pregunta, pero no corrige una mala.
Por eso, en lugar de obsesionarnos con tener siempre “el último modelo”, quizá deberíamos entrenarnos más en formular preguntas con intención. Preguntas que aclaren el contexto, expliciten el objetivo y reconozcan las limitaciones. Preguntas que no buscan una verdad cerrada, sino una exploración útil.
Hacer mejores preguntas también es una forma de ética. Porque reduce el riesgo de respuestas engañosas, de automatizaciones acríticas y de decisiones mal fundamentadas. Nos obliga a asumir responsabilidad sobre lo que preguntamos y sobre lo que hacemos con lo que recibimos.
Veamos algunos ejemplos prácticos
Cómo se ve una mala pregunta frente a una buena pregunta, usando el mismo modelo, la misma herramienta y el mismo contexto. Lo único que cambia es la forma en que formulamos el prompt. En los siguientes ejemplos hay intención, contexto y claridad. Y eso, muchas veces, marca toda la diferencia.
| Área | Prompt poco claro | Prompt mejor formulado |
| Educación | Explícame este tema. | Explícame este tema para estudiantes universitarios de primer semestre, usando un lenguaje sencillo, un ejemplo cotidiano y una pregunta final que invite a la reflexión. |
| Investigación | Analiza estos resultados. | Analiza estos resultados desde una perspectiva longitudinal, señalando patrones relevantes, posibles sesgos y limitaciones metodológicas. |
| Salud | Resume este artículo. | Resume este artículo destacando implicaciones prácticas para la toma de decisiones clínicas y aclarando qué resultados no deben extrapolarse. |
| Análisis de datos | ¿Qué dicen estos datos? | Identifica patrones relevantes en estos datos para apoyar la toma de decisiones, considerando valores faltantes y posibles sesgos de selección. |
| Empresa / Innovación | Dame ideas para usar IA. | Propón usos realistas de IA para una organización mediana, con recursos limitados, priorizando procesos donde la IA complemente el trabajo humano. |
| Comunicación | Ayúdame a escribir un texto. | Ayúdame a escribir un texto claro y cercano, dirigido a un público no técnico, manteniendo rigor conceptual y cerrando con una reflexión. |
| Docencia con IA | Haz preguntas para mis estudiantes. | Diseña preguntas abiertas que fomenten pensamiento crítico y discusión, evitando respuestas mecánicas o memorizadas. |
| Planeación estratégica | Analiza este problema. | Analiza este problema desde una perspectiva estratégica, proponiendo escenarios posibles, riesgos asociados y supuestos clave. |
Estos ejemplos tienen algo en común: no le piden a la IA que adivine, le piden que acompañe un proceso de pensamiento ya iniciado. La tecnología responde mejor cuando percibe dirección, propósito y límites.
Quizá por eso, más que aprender a usar nuevas herramientas, el verdadero desafío está en aprender a formular mejores preguntas. Porque cada pregunta es, en el fondo, una decisión. Y decidir bien sigue siendo una responsabilidad profundamente humana.
Usar bien la IA no consiste en encontrar la frase perfecta, sino en aprender a dialogar: explicar, refinar, volver a preguntar. En ese intercambio, la tecnología deja de ser una caja negra y se convierte en una herramienta que amplifica criterio, no que lo sustituye.
¿Qué pregunta vas a mejorar hoy?
