La IA no hace magia. Así la utilizo para acelerar mi trabajo día a día.

...para empezar, utilicé GenAI para generar todos los borradores de este artículo.

Tomo una pausa mientras algunos lectores piensan "uf, más basura generada por IA", considerando cerrar la pestaña.

¿Sigues aquí? Gracias; por favor sigue leyendo, ya que ésta es la reacción que precisamente busca abordar este artículo, o mejor aún, a lo que busco agregar matices.

La versión que lees ahora está escrita con mi propia voz humana, y ha sido editada, cuestionada, reescrita y, en ocasiones, sí, hasta peleada. Las herramientas GenAI (o Generative AI, como los chatbots ChatGPT, Claude o Grok), me dieron una base redactada muy valiosa que ayudó a enfocarme en que el texto final 1. representara mi voz escrita, 2. reflejara mi experiencia personal y profesional y 3. fuese útil para otros profesionales en sus propios ámbitos de trabajo.

En mi experiencia actual, la IA se asemeja más a un “compañero de trabajo” que a una herramienta a secas: es muy colaborador unas veces, se la embarra en otras y hasta causa frustraciones, sin dejar de ser un excelente complemento a mi raciocinio y productividad. Este tipo de dinámica es muy humana. Los humanos nos especializamos, entre otras cosas, para interactuar y armonizar con sistemas altamente complejos como idiomas, religiones o gobiernos, siendo la IA el más reciente e íntimo de estos sistemas. Como herramienta de trabajo, la IA actúa como un espejo que refleja nuestras fortalezas, amplifica nuestras metodologías y nos recuerda que el mejor aporte humano no es la resolución de cada problema, sino en entender cuál debe ser el primer problema a resolver.

En mi día a día, así veo a la IA: como ese espejo amplificador que impulsa las áreas de mi trabajo que requieren velocidad y procesos bien definidos, mientras que deja el juicio, la síntesis y la responsabilidad del producto final exclusivamente a mí como autor. A continuación, incluyo algunos mis propios usos prácticos.

GenAI: el "asistente de investigación"

o de cómo aprender más rápido sin saltarse el detalle

Con frecuencia, necesito investigar conceptos técnicos combinando múltiples disciplinas académicas o profesionales para, por ejemplo, diseñar un currículo técnico, un plan de contenidos o un simple video instructivo. Para este objetivo, las herramientas GenAI me han ayudado a explorar temas nuevos, conectar ideas entre disciplinas y cuestionar mi propio entendimiento. Como metodología general, busco entender las bases del tema objetivo con mi primera instrucción (o prompt), y profundizar y orientar la investigación a la práctica con las siguientes.

Por ejemplo, para investigar las plataformas SASE, ésta sería mi primera instrucción (abra la pestaña para ver el resultado):

Explica los fundamentos de SASE (Secure Access Service Edge) a un profesional con experiencia en observability (monitoreo y diagnóstico) de redes y en programas de capacitación a clientes. Luego, describe cómo los programas de capacitación típicos pueden simplificar demasiado los métodos de adopción de tecnología SASE en empresas realistas. Incluye fuentes fiables para todas tus explicaciones, y referencias que ayuden a investigar más los temas expuestos.

Con esta instrucción, busco conectar mi propia experiencia profesional con temáticas nuevas, algo que no podría esperar de ningún artículo fuente singular. La ventajas mayores al usar GenAI de esta manera es que se personaliza el aprendizaje del tema nuevo tomando en cuenta mi perfil y conocimiento previos, y aparte me da diferentes rutas para profundizar la investigación con referencias establecidas.

GenAI / Agente IA: el "gerente de proyecto"

o de cómo pasar de una visión a un plan de resultados

Los proyectos de consultoría (especialmente en su inicio) tienden a incluir objetivos a medio definir, limitaciones cambiantes y prioridades en conflicto. La GenAI —y, cada vez más, los agentes IA—me ayuda a transformar esta ambigüedad en una agenda de trabajo aterrizada.

Por ejemplo, usaría esta instrucción al inicio de un proyecto propio:

Asume múltiples funciones para responder a esta instrucción: gerente de proyectos senior, experto en comunicaciones de marketing y desarrollador principal en Python.
Objetivo: en 60 días, diseñar e implementar una automatización simple en Python para asistir en el desarrollo de contenidos web atractivos, relacionados a servicios de consultoría. El sistema deberá:
- recibir material fuente (por ejemplo, notas personales, archivos PDF, posts de redes sociales)
- extraer temáticas centrales e ideas reutilizables
- sugerir el contenido a publicar en diferentes formatos (apartes para artículos, posts para LinkedIn, reseñas breves)
- incluir fases de revisión y aprobación humana explícitamente dentro del proceso
- dividir este proyecto en etapas, identificar riesgos mayores, sugerir un alcance realista para un consultor independiente y señalar dónde debo evitar invertir demasiado esfuerzo inicial.

Este ejemplo representa un objetivo actual en mi negocio de consultoría: el adoptar disciplina de contenido, es decir, publicar regularmente sobre temas relevante a mi experiencia y oferta de servicios para expandir mi portafolio, mi red profesional y clientes potenciales.

Más allá de esta instrucción, con la ayuda de un agente IA, podemos implementar un asistente de proyecto virtual encargado de automatizar tareas repetitivas, tomar decisiones simples y en general, ser mucho más que una simple guía en la etapa de planeación. En este caso, planeo desarrollar un agente “planeador de contenido”, al que yo envíe continuamente fuentes a usar (por ejemplo, whitepapers, noticias o podcasts interesantes), y que prepare un resumen semanal enviado a mi email, incluyendo buenas ideas de artículos a trabajar, temáticas a explorar y fuentes de referencia adicionales. Esto me ayuda de pasar de la idea "requiero disciplina de contenido" a implementar un proceso claro que da soporte a mi objetivo, ajustado a mi horario. Pienso publicar avances de este desarrollo en mi blog, así que si te interesa conocer más, ¡síguelo!

GenAI: el "desarrollador de software"

o de cómo optimizar la ‘prueba y error’

Como metodología, me encanta programar mis propias apps y automatizaciones para hacerme la vida más fácil. Para esto, la IA resulta ser una ayuda indispensable, ya que además de generar bastante código inicial directamente, me impulsa como desarrollador en dos áreas clave: como optimizador de código dentro del editor y como funcionalidad integrada de las herramientas que desarrollo.

a. Optimizando en el editor: refactorización, debugging, extensión

Como parte de un suite de edición de código (por ejemplo, la función “Chat” de Virtual Studio Code), muchos modelos GenAI son excelentes para actualizar módulos, bloques o hasta líneas individuales de código, aplicando objetivos y contexto puntuales. En mi caso, uso GenAI principalmente para limpiar/refactorizar módulos o secciones de código desorganizadas, eliminar errores (debugging) o extender funcionalidad existente.

Por ejemplo, enviaría esta instrucción en inglés para auditar un módulo (expande la pestaña para ver el resultado):

This is a Python module that has grown organically and is becoming hard to maintain.
Refactor it for clarity and testability, keeping behavior unchanged.
Add inline logging in updated code blocks to facilitate debugging later.
Call out any assumptions you’re making and flag edge cases I should review manually.

En mayor o menor grado, todo desarrollador tiene que lidiar con la acumulación del “código basura”, o sin un objetivo claro (“¿Para qué fue que escribí esta función si nadie la llama??”), y refactorizar manualmente puede tomar demasiado tiempo en los procesos de revisión, edición y pruebas requeridos para evitar problemas nuevos. Usando diferentes versiones de esta instrucción, he recortado considerablemente este (aburrido y riesgoso) proceso, lo cual me permite planear mejor la arquitectura de mis proyectos y la implementación de sus objetivos.

b. Integrando LLM APIs dentro de mis apps

El integrar funciones GenAI ya no es algo exclusivo de los suites de software. Con la ayuda de las API LLM (más una mínima inversión en tokens), se ha hecho muy viable el reducir o eliminar módulos extremadamente complejos con lógica difusa o condicionalidad excesiva—imagine, por ejemplo, tener que programar las respuestas de su app a cientos de posibles interacciones con sus usuarios, usando solo bloques “if…then”. Las API LLM comerciales como OpenAI y Claude permiten usar instrucciones en lenguaje natural en cualquier proyecto para simplificar funciones de resumen, clasificación de textos largos o transformación de datos.

Por ejemplo, esta instrucción a un API LLM podría reemplazar cientos de líneas de código (en inglés):

Convert the referenced PDF chunks into a structured JSON object with:
- title
- main topics
- intended audience
- key takeaways (max 5)

If the content is ambiguous or low-confidence, indicate that explicitly.

Gen AI: el "pasante de comunicaciones"

o de cómo vencer a la tenebrosa ‘página en blanco’

La redacción es una parte central en mi trabajo diario, y lo es mucho más ahora que antes. Cuando era ingeniero de implementación, mi trabajo escrito era, en su mayoría, de naturaleza técnica y explicativa. Al entrar en roles de educación tecnológica, se añadió el lenguaje instructivo y editorial. Como consultor independiente, ahora cruzo una nueva frontera: el lenguaje comercial, administrativo y de marketing en redes sociales han pasado a ser una necesidad básica y constante en mi trabajo escrito. Aquí, la GenAI se convierte en el pasante de redacción ideal, con el que genero los borradores de mis propuestas comerciales, emails de preventa, posts de LinkedIn y muchos otros tipos de textos en los que aún me considero novato. Con primera versión en mano, procedo a afinar el texto e integrar mi voz al producto final.

Como ejemplo, usaría las siguientes instrucciones:

Redacta la primera versión de una propuesta de consultoría para un proyecto de producción de videos instructivos.
Dirigido a: Cargos directivos en soporte técnico.
Enfoque: resultados esperados, alcance definido del proyecto y metodologías de trabajo.
Tono: pragmático, no comercial, no ambiguo.
Palabras: ~400.
Resultado a entregar: tres videos instructivos acorde a las especificaciones del cliente, con instructivos de uso y publicación.
Asume que revisaré esta propuesta detalladamente.

Redacta un email de presentación profesional para un cliente potencial de mi negocio de consultoría.
Dirigido a: líderes profesionales en áreas técnicas que están considerando contratar soporte externo en áreas educativas.
Enfoque: credibilidad, claridad de la propuesta de valor e invitación a una breve conversación.
Tono: profesional, humano, sin presionar.
Largo: 2-3 párrafos cortos.

Redacta un post para LinkedIn acerca de cómo implementar IA como impulsador de consultorías.
Dirigido a: líderes en áreas técnicas y de capacitación.
Temáticas: IA como colega integral del día a día, el valor del aporte humano al implementar IA, usos prácticos y realistas de IA.
Enfoque: reflexivo, generador de ideas, basado en la experiencia.
Palabras: ~250.

En estos ejemplos, mi “pasante” GenAI me da un aporte similar: ahorrarme el enfrentar la intimidante ‘página en blanco’, y acelerar todos mis procesos de redacción.

Recomendaciones generales (y una aclaración)

Aunque la mayoría de los ejemplos aquí incluidos se aplican al diseño educativo, al Customer Success o a la producción de contenido, también son aplicables a muchos otros campos. Ciertamente planeo explorar más el tema de generación IA en diseño y producción educativa en futuros artículos, pero la intención de éste ha sido presentar metodologías que sean adaptables a cualquier función profesional.

A continuación incluyo algunas recomendaciones prácticas al usar IA de acuerdo a mi experiencia:

1. Guarda tus mejores instrucciones: tus mejores instrucciones deben considerarse activos valiosos. Guarda una biblioteca con tus instrucciones más útiles y que hayan producido resultados repetibles, anotando para qué las usas y la versión de LLM. Con el tiempo, tu biblioteca de instrucciones IA te ahorrará mucha ‘prueba y error’.

2. Familiarízate con los lenguajes estructurados: considera los lenguajes estructurados (como JSON,  XML o markdown) como un “idioma intermedio” entre humanos e IA; son mucho más fáciles de procesar y producen resultados más consistentes. Para consultas más complejas o con muchas variables, envía tu instrucción con secciones claramente definidas (ejemplos: objetivo general, formato, tono, restricciones, dirigido a).

3. Utiliza más de un modelo GenAI: todos los LLM tienen sus fortalezas y debilidades. Cada usuario encuentra su ‘modelo por defecto’ de acuerdo a usos y resultados individuales, pero también es muy recomendable probar otros modelos con regularidad (OpenAI, Claude, Grok, etc) para estar al día con las capacidades de cada uno y descubrir ‘especialistas’ para ciertas tareas.

4. Planea tu trabajo de manera incremental, no definitiva: tus metodologías de trabajo con herramientas IA resultarán más eficaces asumiendo que la primera respuesta será incorrecta, o al menos incompleta. Planea cómo revisar cada respuesta, incluir chequeos humanos y adaptar tu proceso con el tiempo. Aplicar este principio producirá mucho más éxito que la búsqueda de la ‘instrucción perfecta’.

Conclusion

Si estás interesado en descubrir cómo aplicar herramientas IA para concretar estrategias educativas, acelerar la producción de contenidos o fortalecer la colaboración conjunta en tus equipos de trabajo, hablemos. Yo me especializo en ayudar a las organizaciones profesionales a entender e implementar herramientas impulsadoras de resultados en ámbitos educativos y de Customer Success. Si este artículo te ha generado ideas o curiosidad por cómo implementar metodologías IA de impacto y orientadas a tus objetivos de negocio, programemos una conversación exploratoria y hagámoslo realidad.