Remote Frog

El otro día una amiga me contaba que una clienta revisaba todo lo que le decía con ChatGpt y decía que esta app le había cambiado la vida; la usaba para informarse, para saber el tratamiento cuando le dolía algo y no ir al médico (sic)… Aquí viene a cuento algo que mencionaba en este post:

Reflections set #1:

• Parece que recientemente hemos hecho un trueque: hemos dejado de ser dueños de nuestro conocimiento a cambio de tener más conocimiento, toneladas de conocimiento (con el que no sabemos que hacer).
• Estamos transicionando de ser productores de conocimiento a meros consumidores de conocimiento en papilla precocinada, para calentar y tragar
• ¿Podemos llamar conocimiento a algo que no he aprendido y en lo que no he puesto el filtro de mi espíritu crítico, sino solo lo he adquirido y aceptado a ciegas?
• ¿Estamos entronizando a la AI (agregador/curador/llamalo como te de la gana) como la fuente autorizada (que durante un tiempo fue Wikipedia)?

No. Desde luego no se trata de usar ChatGpt a saco. Debieramos poder ir mucho más lejos sencillamente tratando de descubrir herramientas específicas que me solucionen partes de mi flujo de trabajo. Pero el quiz de la cuestión es la intencionalidad y planificación. Y cualquier buena estrategia de IA tiene que pasar por comprender como funcionan los modelos (a ver si publico esto en Castellano) y algunas de las reglas generales para usar herramientas de AI.​ Y para eso las palabras de moda son Contexto y Agentes.

1. Empieza por el contexto

Antes de usar ninguna herramienta, merece la pena dibujar el “marco” donde la IA va a operar: qué problemas queremos resolver, con qué limitaciones y con qué objetivos. Y merece la pena pensarlo bien especialmente si son problemas o acciones que se repiten con cierta frecuencia, porque ese contexto puede reutilizarse y en todo caso ahorra muchas horas de peleas con prompts después.​​ Si hace un tiempo el hype era ser Ingeniero de Prompts, ya nadie habla de esto y la ya-no-tan-nueva palabra mágica es el contexto (y los agentes, de los que hablaremos después).

Se puede proporcionar contexto al modelo de muchas formas, dependiendo de la herramienta, hay archivos de contexto, reglas en agentes, la propia historia de la conversación se convierte en contexto… Pero, ¿Qué cosa es el contexto?

• El contexto define el escenario de trabajo y variará normalmente dependiendo de la tarea que haces. Lo lógico es manejar varios contextos al cabo del día. Por ejemplo:
  • Para crear anuncios: tipo de clientes, canales, productos, temporadas, regulaciones, tono de la marca, idiomas que manejas, etc.
  • ​Para crear código: las especificaciones del proyecto, el libro de estilo de tirar código en tu empresa, mejores prácticas, el propio proyecto y su código para tomar decisiones buscando reutilización o homogeneidad…
  • Yo tengo un agente que me descompone peticiones o proyectos en tareas pequeñas. El contexto incluye lo que quiero que analice (las fuentes, el tipo de información…), las preguntas que me tiene que hacer, como me gusta descomponer en tareas, el formato que requiero, como agrupar las tareas, como hacer un risk assessment, algunos ejemplos de buenas prácticas, el lenguaje y el tono de salida…
  • Para atencíon al cliente. El contexto debiera incluir el tipo de clientes y casos, si hay un handbook o un lugar donde buscar respuestas predefinidas o casos anteriores de los que aprender, limitaciones (la IA no puede aprobar descuentos sin validación o ver credenciales…), nivel de detalle requerido, tono, incluir siguientes pasos…

Entonces, con lo anterior, que cosas comprende -o puede incluir- el contexto:

• Aclara qué está permitido y qué no: cual es el esquema o qué partes deben de incluir las respuestas, si quiero o no que ‘invente’ cosas o que haya siempre fuentes detrás de las respuestas, si hay decisiones que siempre deben validar personas…
• Aclara qué herramientas o fuenes de datos usar y bajo qué circunstancias, cual es la lista de ‘las más autorizadas’ o qué tipos de fuentes no quiero usar.
• Incluye la historia de conversaciones -hasta un nivel o longitud determinada que dependerá de la herramienta que usas-.
• Especifica ejemplos y lineas guías o buenas prácticas. También casos a evitar (Hay varios estudios en los que se refleja que que funciona mejor dar ejemplos de lo que SÍ quieres que de lo a evitar, pero evidentemente hay ejemplos en los que quiero contemplar guardarailes para que NUNCA ocurra según que cosas o se proporciones según que tipo de respuesta).
• Definiciones..

Ya sé para qué vale y de qué está compuesto el contexto… ¿Alguna idea sobre cómo escribirlo?

• Pues le necesitamos ni muy vago (o me puedo esperar ‘culaquier respuesta’) ni muy detallado (o estaré diciendo al modelo exactamente qué hacer y no le dejaré ayudarme más que hasta un punto determinado porque le defino todo comportandose casi como un algoritmo :).
• Tiene que tener una densidad alta de datos útiles. Al final los planes de uso de las herramientas de IA se pagan se pagan por tokens y esos tokens son el texto que el modelo procesa, o sea el contexto, tu pregunta y la salida (para entendernos en términos generales podemos considerar que un token equivale a unos 4 caracteres o 3/4 de palabra en inglés) así que no quiero contextos inmensos si no tienen alta densidad de contenido útil o pagaré más por su uso.
• Pro tip: ¿Cómo escribir el contexto de un modo que sea denso? Pues pidiendo a una IA que reescriba algo en terminos de ser usado como contexto 😀

Cuando tienes claro para que usar el contexto y trabajas en el cada request deja de ser como tirar los dados y se convierte en mejoras concretas de procesos que entiendes y -hasta el punto en que esto es productivo- controlas.​

2. Diseña tus agentes, no solo herramientas

El siguiente paso de evolución después del contexto son los agentes. Para entendernos los agentes son asistentes especializados con un rol claro, que usan un modelo determinado y herramientas concretas y untilizan un contexto específico. Es como un asistente junior del campo en el que estás trabajando. Como uno solvente; ¡Veo un problema GORDO en ciernes!. Si delimitas bien el trabajo a hacer a este agente y le proporcionas ciertas reglas, las sigue con algo parecido al sentido común. De este modo, hay que definir los agentes en términos como:

• Tienen un rol concreto: “agente de atención al cliente”, “agente de preparación de propuestas”, “agente de control de calidad de documentos”, etc.​
• Tienen definido qué saben y qué no: qué documentos leen, a qué bases de datos tienen acceso, qué fuentes están vetadas o son solo de referencia.​
• Tienen claros los límites y escalado: cuanto pueden pensar, como de creativos pueden ser, hasta dónde pueden actuar en automático, cuándo deben pedir confirmación humana y en qué casos escalan sí o sí a una persona.​

Así, los agentes te ayudan con una tarea específica, por ejemplo:

• En Automattic tenemos un agente que analiza un grupo de personas que se quieren reunir y propone una lista de sitios en el mundo junto con las razones para su elección.
• El agente que mencioné antes y que descompone peticiones o proyectos en tareas pequeñas para su planificación.
• Boris Cherny (creador de Claude Code) sugiere hacer desarrollo de código con 5 agentes coordinados simultaneos que interoperan: un planificador, un desarrollador backend y un desarrollador de frontend, un agente para tests y uno para documentación. Y, ¡por supuesto, pueden interoperar y coordinarse para resolver tareas complejas sin la intervención humana!

No necesitamos tener miles de agentes definidos. Puedo priorizar los flujos de trabajo frente a los que nos encontremos con frecuencia. La idea es empezar muy simple: con un agente cuyo uso sea muy frecuente y que tenga un rol muy nítidamente delimitado para que el equipo sepa como usarlo y cuándo acudir a él, consiguiendo mejoras rápidas en productividad.​

En resumen, pensar en agentes ayuda a pasar de “jugar con IA en una pestaña” a tenerla integrada en el flujo de trabajo. Pero hay otra razón de peso para pensar en agentes si aún no lo has hecho. Los mayores desarrolladores de modelos ya han avisado -hace un par de meses, que a día de hoy es un siglo atrás- de que las mejoras que están implementando no tienen que ver con dar más potencia bruta a los modelos sino con afinarlos para trabajar de manera más natural y potente con agentes. Y nos avisan de que con los cambios que va a haber lo más apropiado no es definir agentes monolíticos, sino lo más labiles posible para adaptarse a cambios.

3. Define especificaciones, NO ACTÚES COMO UN MICROMANAGER

Si ya has pasado de pensar en prompts sueltos a pensar en contexto y agentes, lo siguiente cae por su propio peso: lo importante no es dar instrucciones hiperconcretas paso a paso, sino definir buenas especificaciones. No se trata de decirle a la IA el cómo en detalle y el cuándo o guiar cada paso de un proceso con mis prompts. La idea es dejar claro qué quieres conseguir y cómo quieres que se vea el resultado, y que el agente se “busque la vida” dentro de ese marco. Es como trabajar con un junior espabilado: le explicas qué quieres y cómo lo quieres, y esperas que llegue ahí sin tener que vigilar cada paso. De otro modo ¿Dónde está la ganancia?

En lugar de gastar tiempo en vigilar todos los pasos –odioso micromanagement hasta con la IA– te puedes centrar en definir el objetivo, ya que lo que te interesa es el resultado: qué criterios o checklists debe usar el agente para decidir si algo está “listo” o si tiene que iterar una vez más. Se pueden añadir algunas instrucciones, claro: macro‑pasos orientativos, buenas prácticas, lugares donde buscar información primero… Así, el agente decide –dentro de las posibilidades que le has dejado– qué enfoque y qué herramientas usar para lograr el objetivo, y comprueba si el resultado cumple con las expectativas; si no, vuelve a iterar hasta que lo consiga.

¿Y cuando no obtengo exactamente lo que quiero? No me arremango y hago yo lo que debería hacer el agente. No corrijo el output concreto ni doy instrucciones hiperdetalladas solo para conseguir “esa” respuesta. Mi objetivo no está en arreglar ese output puntual, sino en mejorar el sistema. Y aquí es donde entran los ejemplos: Capturo buenas y malas prácticas y las convierto en parte de las especificaciones. Cada vez que el agente responda con algo que no encaja, puedo usarlo como ejemplo, ajustar el contexto y las especificaciones para evitar ese patrón en el futuro y relanzar el proceso. Y, ¿Por qué no? Lo mismo cuando la respuesta supera las expectativas.

Cuando tratas las especificaciones como algo vivo (las revisas, añades ejemplos, ajustas criterios), tu sistema de IA evoluciona con el negocio y deja de ser una caja negra intocable para convertirse en una pieza más de tu forma de trabajar.