{"id":144,"date":"2025-10-24T00:28:59","date_gmt":"2025-10-24T05:28:59","guid":{"rendered":"https:\/\/marybernalj.com\/blog\/?p=144"},"modified":"2026-01-17T00:31:46","modified_gmt":"2026-01-17T05:31:46","slug":"usar-llms-con-criterio-mas-alla-de-preguntar-y-copiar","status":"publish","type":"post","link":"https:\/\/marybernalj.com\/blog\/index.php\/2025\/10\/24\/usar-llms-con-criterio-mas-alla-de-preguntar-y-copiar\/","title":{"rendered":"Usar LLMs con criterio: m\u00e1s all\u00e1 de preguntar y copiar"},"content":{"rendered":"\n<p><strong>Gu\u00eda pr\u00e1ctica para sacar valor real de los modelos de lenguaje<\/strong><\/p>\n\n\n\n<figure class=\"wp-block-image size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"1400\" height=\"222\" src=\"https:\/\/marybernalj.com\/blog\/wp-content\/uploads\/2026\/01\/banner-LLMs.jpg\" alt=\"\" class=\"wp-image-145\"\/><\/figure>\n\n\n\n<p>Cada vez m\u00e1s personas interact\u00faan con sistemas como ChatGPT, Gemini o Claude como si fueran buscadores inteligentes. Hacen una pregunta, reciben una respuesta y contin\u00faan. Pero estos sistemas no son buscadores: son <strong>Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en ingl\u00e9s)<\/strong>, es decir, modelos de inteligencia artificial entrenados con grandes vol\u00famenes de texto para <strong>predecir la siguiente palabra m\u00e1s probable<\/strong> en funci\u00f3n de un contexto.<\/p>\n\n\n\n<p>Usarlos como si solo \u201crespondieran preguntas\u201d es como tener una calculadora cient\u00edfica y usarla \u00fanicamente para sumar. El verdadero valor aparece cuando entendemos <strong>c\u00f3mo funcionan, qu\u00e9 pueden hacer bien y d\u00f3nde debemos tener cuidado<\/strong>.<\/p>\n\n\n\n<p>Los LLMs no \u201csaben\u201d cosas ni razonan como humanos. <strong>Generan texto bas\u00e1ndose en patrones <\/strong>aprendidos durante su entrenamiento. Esta diferencia, sutil pero crucial, cambia completamente la forma en que debemos interactuar con ellos.<\/p>\n\n\n\n<p>Entonces, \u00bfc\u00f3mo pasar de un uso superficial a uno realmente productivo?<\/p>\n\n\n\n<p><strong>\u00bfQu\u00e9 hace que un LLM responda bien\u2026 o mal?<\/strong><\/p>\n\n\n\n<p>La calidad de la respuesta depende casi por completo de lo que le damos como entrada, lo que se conoce como <strong>prompt<\/strong>.<\/p>\n\n\n\n<p>Un <strong>prompt<\/strong> es la instrucci\u00f3n, pregunta o contexto que el usuario le proporciona al modelo. Puede ser tan simple como una frase o tan complejo como una gu\u00eda detallada con roles, ejemplos y restricciones.<\/p>\n\n\n\n<p>Un LLM responde en funci\u00f3n de:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>El <strong>contexto<\/strong> que recibe<\/li>\n\n\n\n<li>La <strong>claridad de la instrucci\u00f3n<\/strong><\/li>\n\n\n\n<li>El <strong>rol<\/strong> que se le asigna<\/li>\n\n\n\n<li>Las <strong>restricciones<\/strong> establecidas<\/li>\n<\/ul>\n\n\n\n<p>Cuando el resultado no es bueno, rara vez es culpa del modelo.<br>La mayor\u00eda de las veces es un problema de <strong>c\u00f3mo fue formulado el prompt<\/strong>.<\/p>\n\n\n\n<p>Un buen prompt no es largo ni sofisticado. Es <strong>intencional<\/strong>.<\/p>\n\n\n\n<p><strong>Tip 1: Define el rol antes de pedir la tarea<\/strong><\/p>\n\n\n\n<p>No es lo mismo escribir:<\/p>\n\n\n\n<p>\u201cExpl\u00edcame este texto\u201d<\/p>\n\n\n\n<p>que decir:<\/p>\n\n\n\n<p>\u201cAct\u00faa como un revisor experto y expl\u00edcame este texto para un p\u00fablico no t\u00e9cnico.\u201d<\/p>\n\n\n\n<p>Asignar un rol ayuda al modelo a ajustar <strong>lenguaje, profundidad y enfoque<\/strong>.<br>Este principio aplica para cualquier contexto: docente, analista, comunicador, auditor o programador.<\/p>\n\n\n\n<p><strong>Tip 2: Contexto primero, pregunta despu\u00e9s<\/strong><\/p>\n\n\n\n<p>Los LLMs funcionan mejor cuando <strong>entienden el entorno<\/strong> antes de responder.<\/p>\n\n\n\n<p>Mala pr\u00e1ctica:<\/p>\n\n\n\n<p>\u201cResume este documento.\u201d<\/p>\n\n\n\n<p>Mejor pr\u00e1ctica:<\/p>\n\n\n\n<p>\u201cEste documento es un art\u00edculo en revisi\u00f3n. El objetivo del resumen es responder a un revisor. Resume los aportes metodol\u00f3gicos en m\u00e1ximo cinco l\u00edneas.\u201d<\/p>\n\n\n\n<p>El contexto funciona como un <strong>marco de referencia<\/strong>. Sin \u00e9l, el modelo completa vac\u00edos\u2026 y ah\u00ed aparecen errores o respuestas gen\u00e9ricas.<\/p>\n\n\n\n<p><strong>Tip 3: Pide estructura, no solo contenido<\/strong><\/p>\n\n\n\n<p>Si no defines la forma, el modelo improvisa.<\/p>\n\n\n\n<p>Ejemplo:<\/p>\n\n\n\n<p>Devuelve la respuesta en tres partes:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Idea central<\/li>\n\n\n\n<li>Evidencia principal<\/li>\n\n\n\n<li>Limitaciones<\/li>\n<\/ol>\n\n\n\n<p>Pedir estructura no es est\u00e9tica. L<strong>a estructura <\/strong><strong>reduce alucinaciones, r<\/strong><strong>educe ambig\u00fcedad, mejora precisi\u00f3n y facilita validaci\u00f3n<\/strong>.<\/p>\n\n\n\n<p><strong>Tip 4: Itera, no dispares una sola vez<\/strong><\/p>\n\n\n\n<p>Un error com\u00fan es pensar que el prompt debe ser perfecto desde el inicio.<\/p>\n\n\n\n<p>Usar un LLM es un proceso iterativo:<\/p>\n\n\n\n<ol start=\"1\" class=\"wp-block-list\">\n<li>Primera respuesta: exploratoria<\/li>\n\n\n\n<li>Segunda: ajuste de enfoque<\/li>\n\n\n\n<li>Tercera: refinamiento<\/li>\n<\/ol>\n\n\n\n<p>Tr\u00e1talo como un <strong>asistente colaborativo<\/strong>, no como una fuente de verdades finales.<\/p>\n\n\n\n<p><strong>Advertencia clave: no delegues el criterio<\/strong><\/p>\n\n\n\n<p>Los LLMs pueden:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Inventar referencias<\/li>\n\n\n\n<li>Sonar convincentes y estar equivocados<\/li>\n\n\n\n<li>Reproducir sesgos presentes en los datos de entrenamiento<\/li>\n<\/ul>\n\n\n\n<p>Por eso:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>No asumas que algo es correcto solo porque \u201csuena bien\u201d<\/li>\n\n\n\n<li>Siempre verifica, sobre todo cuando el impacto es alto (salud, educaci\u00f3n, decisiones humanas)<\/li>\n\n\n\n<li>Usa la IA para <strong>asistir<\/strong>, no para reemplazar el juicio<\/li>\n<\/ul>\n\n\n\n<p>Aqu\u00ed aparece un concepto fundamental: <strong>Human-in-the-loop<\/strong>, que significa que <strong>una persona debe revisar, validar o decidir<\/strong> antes de que una acci\u00f3n automatizada tenga consecuencias reales. La responsabilidad final siempre es humana.<\/p>\n\n\n\n<p><strong>Tip 5: Usa prompts como contratos, no como preguntas<\/strong><\/p>\n\n\n\n<p>Un buen prompt deja claro:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Qu\u00e9 se espera<\/li>\n\n\n\n<li>Qu\u00e9 no se espera<\/li>\n\n\n\n<li>Qu\u00e9 hacer si falta informaci\u00f3n<\/li>\n<\/ul>\n\n\n\n<p>Ejemplo:<\/p>\n\n\n\n<p>\u201cSi no tienes suficiente informaci\u00f3n, ind\u00edcalo expl\u00edcitamente y sugiere qu\u00e9 datos ser\u00edan necesarios.\u201d<\/p>\n\n\n\n<p>Esto reduce respuestas vagas y aumenta confiabilidad.<\/p>\n\n\n\n<p><strong>Para perfiles t\u00e9cnicos: piensa en flujos, no en chats<\/strong><\/p>\n\n\n\n<p>Cuando los LLMs se usan de forma recurrente, conviene tratarlos como parte de un sistema:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Documentar prompts<\/li>\n\n\n\n<li>Versionar cambios<\/li>\n\n\n\n<li>Evaluar resultados<\/li>\n<\/ul>\n\n\n\n<p>Aqu\u00ed se conectan conceptos como <strong>Data Stewardship<\/strong> (gesti\u00f3n responsable de los datos), <strong>MLOps<\/strong> (operaci\u00f3n y mantenimiento de modelos de IA) y pr\u00e1cticas emergentes de <strong>Prompt Management<\/strong>, donde los prompts se consideran activos reutilizables, no ocurrencias.<\/p>\n\n\n\n<p><strong>El verdadero cambio no es tecnol\u00f3gico, es cultural<\/strong><\/p>\n\n\n\n<p>Adoptar LLMs no es solo aprender a \u201cescribir mejores prompts\u201d.<br>Implica cambiar c\u00f3mo:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Formulamos problemas<\/li>\n\n\n\n<li>Delegamos tareas<\/li>\n\n\n\n<li>Validamos conocimiento<\/li>\n<\/ul>\n\n\n\n<p>Las organizaciones que extraen valor real no son las que m\u00e1s usan IA, sino las que <strong>la integran con criterio, responsabilidad y prop\u00f3sito<\/strong>.<\/p>\n\n\n\n<p><strong>Consejo pr\u00e1ctico para cerrar<\/strong><\/p>\n\n\n\n<p>Antes de enviar un prompt importante, preg\u00fantate:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>\u00bfEstoy siendo claro sobre el objetivo?<\/li>\n\n\n\n<li>\u00bfDi suficiente contexto?<\/li>\n\n\n\n<li>\u00bfDefin\u00ed l\u00edmites?<\/li>\n\n\n\n<li>\u00bfEstoy preparado para validar la respuesta?<\/li>\n<\/ul>\n\n\n\n<p>Si respondes \u201cs\u00ed\u201d a estas cuatro preguntas, est\u00e1s usando un LLM con intenci\u00f3n, no por moda.<\/p>\n\n\n\n<p>Porque la IA no reemplaza la inteligencia humana.<br>La amplifica\u2026 <strong>solo s\u00ed sabemos c\u00f3mo dirigirla<\/strong>.<\/p>\n\n\n\n<p>Finalmente, en un ecosistema que evoluciona tan r\u00e1pido como el de los LLMs, <strong>no tiene sentido \u201ccasarse\u201d con una sola herramienta<\/strong>. Cada modelo avanza a ritmos distintos, incorpora nuevas capacidades, mejora en razonamiento, contexto o multimodalidad, y responde de forma diferente seg\u00fan el tipo de tarea. Probar varias alternativas, comparar resultados y entender sus fortalezas y limitaciones es hoy una ventaja competitiva, no una p\u00e9rdida de tiempo. En esta etapa, el valor no est\u00e1 en dominar un \u00fanico modelo, sino en <strong>desarrollar criterio para elegir el adecuado en cada situaci\u00f3n<\/strong>, manteni\u00e9ndose flexible frente a un entorno donde la mejora continua es la norma y no la excepci\u00f3n.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Gu\u00eda pr\u00e1ctica para sacar valor real de los modelos de lenguaje Cada vez m\u00e1s personas interact\u00faan con sistemas como ChatGPT, Gemini o Claude como si fueran buscadores inteligentes. Hacen una pregunta, reciben una respuesta y contin\u00faan. Pero estos sistemas no son buscadores: son Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en ingl\u00e9s), [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[9],"tags":[22,25],"class_list":["post-144","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","tag-datos","tag-ia"],"_links":{"self":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/144","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/comments?post=144"}],"version-history":[{"count":1,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/144\/revisions"}],"predecessor-version":[{"id":146,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/posts\/144\/revisions\/146"}],"wp:attachment":[{"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/media?parent=144"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/categories?post=144"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marybernalj.com\/blog\/index.php\/wp-json\/wp\/v2\/tags?post=144"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}