Q&A #24: El valor se movió al principio del problema — elegir y definir bien antes de resolver con IA

Resumen

La semana pasada el foco estaba en resolver un problema complejo con once agentes trabajando en paralelo. Esta sesión da un paso atrás y ataca lo que viene antes: cómo asegurarse de que ese despliegue apunta al problema correcto. El encadenamiento es lograr → elegir → entender → resolver, y la IA volvió el último eslabón abundante y casi gratis mientras los tres anteriores siguen siendo escasos. La consecuencia es aritmética: el resultado se comporta como una multiplicación, no como una suma, así que una ejecución impecable sobre un problema mal elegido sigue dando cerca de cero. Sobre esa base se trabaja un caso reconocible —“mi equipo pierde tiempo en trabajo repetitivo, quiero automatizarlo con IA”— y se lo pasa por cinco filtros hasta descubrir que el problema no era el trabajo repetitivo sino el retrabajo, y que automatizarlo tal como venía enunciado habría industrializado el desperdicio. La sesión entrega tres herramientas concretas: el patrón de la frase única para enunciar un problema, tres prompts para poner a la IA a criticar el enunciado en vez de resolverlo, y la matriz de dependencia que reemplaza a la lista priorizada de doce cosas por la única ficha de dominó que vuelve innecesarias a las demás.

Temas cubiertos

El loop y su cierre — Lograr, elegir, entender, resolver, y volver a medir contra lo que se quería lograr. El cierre es el paso que más se salta, y cuando una entrega aporta cero casi nunca es porque la solución esté mal construida: el código corre, la funcionalidad funciona, lo que falló fue la elección o la comprensión
El resultado es una multiplicación — Elección × comprensión × ejecución. La ejecución impecable hoy es lo barato, y un factor cercano a cero arrastra todo el producto. Resolver diez problemas que valen cero sigue dando cero
El objetivo decide cuál es el problema — No es parte del contexto: es lo que determina qué hay que atacar. Los mismos datos —40% de retrabajo, 70% de encargos en la jefatura— dan tres problemas distintos según se quiera crecer sin dotación, salir de la operación o vender la empresa
El problema nunca llega desnudo — Llega como síntoma (“los despachos salen tarde”), como solución disfrazada (“necesitamos un CRM”) o como categoría (“mejor control de gestión”). La solución disfrazada es la más cara: compromete la respuesta antes de examinar la pregunta
Los cinco filtros — ¿Síntoma o causa? ¿Trae una solución escondida? ¿Qué decisión concreta destraba y quién la toma? ¿Cuánto vale resolverlo y qué pasa si no hago nada en 90 días? ¿Depende de mí y es ahora?
Industrializar el desperdicio — Automatizar el retrabajo lo abarata por unidad, y por eso se termina haciendo más. En los cuatro casos revisados la mejora se aplicaba sobre el tramo que ya funcionaba y el cuello de botella quedaba intacto
La frase única — Hoy [situación medible], quiero [estado deseado] antes de [fecha], esto me cuesta [consecuencias cuantificadas], la restricción real es [lo que no puedo cambiar]. La restricción real es la única parte que no sale de un prompt: sale del juicio propio
La IA como abogado del diablo — Para resolver necesita contexto que casi nunca está completo; para atacar un enunciado solo necesita el enunciado. Tres prompts: cinco formulaciones alternativas con al menos dos incómodas, qué solución estoy contrabandeando, y —el más potente— si estoy equivocado cuál es el problema real y qué evidencia lo descartaría en menos de una semana
El dominó y la matriz de dependencia — Una lista priorizada de doce cosas sigue siendo una lista de doce cosas, y el costo no es avanzar menos sino avanzar lo suficiente en todo como para no terminar nada. Se evalúan las iniciativas de a pares: ¿resolver A hace B más fácil, más difícil o innecesaria? No es Pareto, es causalidad
La cadena del propósito — El objetivo no viaja solo hasta la tarea: hay que transportarlo a mano con “¿y eso para qué?”. “Resume este informe en una página” y “resúmelo para que el directorio lo lea completo y apruebe los 200 millones” no producen resultados parecidos
La ausencia como contexto — El destinatario real de una propuesta puede ser quien no estuvo en la reunión. Ese dato no está en ninguna documentación: solo lo aporta quien estuvo ahí. Misión y visión se pueden dejar escritas en el contexto base; el detalle quirúrgico de cada caso no
El barco y el videojuego — Si tus instrucciones a la IA producen resultado genérico, tus instrucciones a tu equipo probablemente también. La diferencia es la latencia: el equipo devuelve el error en dos semanas, la IA en veinte segundos. Por eso ahora es más fácil aprender a delegar
Frenar al modelo antes de que construya — Media hora de contexto y aun así se puso a construir solo; hubo que detenerlo y exigirle preguntar. Salieron 25 preguntas, luego 16 más, y después construyó una sola vez. El contrapunto: los modelos son obedientes y habrían seguido preguntando una semana. El criterio de cuánto es suficiente es humano
Bibliotecas de artefactos separadas — Un artefacto creado en la pestaña de código no aparece en el chat, en Cowork ni en el móvil. La salida práctica fue pedirle al modelo las instrucciones para replicarlo y reconstruirlo desde el chat
Exploratorio vs. control — Para explorar un tema, la generación de una sola pasada rinde mejor; con el objetivo ya definido conviene el control fino, aunque cueste trabajo. Y sobre la confidencialidad: “se usa para entrenar” y “se filtra a terceros” no son lo mismo