Trabajar mejor con IA va más allá de hacerle preguntas sueltas a ChatGPT o Claude. Si quieres pasar de copiar y pegar respuestas a delegar tareas reales, necesitas entender qué hay detrás del prompt y cómo darle al modelo el contexto, las herramientas y los ejemplos que necesita para responder como tú esperas.

La diferencia entre un output genérico y uno útil casi siempre está en cómo planteas la conversación, no en el modelo que usas.

¿Qué hay realmente detrás de ChatGPT, Claude o Gemini?

Detrás de cada respuesta hay un modelo entrenado con libros, artículos, documentación y código. Aprende patrones y responde por probabilidad, pero tiene límites claros: no sabe lo que pasó después de su fecha de corte y a veces se equivoca con total seguridad [2:00].

Un ejemplo clásico: al preguntarle a Claude Sonnet 4.6 cuántas erres tiene la palabra ferrocarril, respondió tres con la misma confianza con la que acertaría. Son cuatro. Y aquí viene lo interesante: cuando el modelo sabe que no sabe, te lo dice y pide permiso para buscar en la web [3:10].

¿Qué es un agente de IA? Es un modelo conectado a herramientas externas como internet, tu terminal, archivos locales o APIs. El modelo sigue siendo el mismo, pero ahora puede ejecutar acciones, no solo contestar.

Herramientas como Claude Code, Cursor o Codex son agentes. El modelo no cambió, pero tener herramientas conectadas lo vuelve mucho más poderoso.

¿Cómo darle mejor contexto a un agente para que responda como tú quieres?

Los primeros cuatro tips se centran en cómo le hablas al agente y qué ejemplos le pasas.

Sé específico y muestra ejemplos cuando puedas

Si le pides a un agente créame un sitio web de portafolio, vas a recibir un fondo blanco con botones azules genéricos. Si agregas que eres desarrolladora back-end, que quieres mostrar contribuciones open source y una sección de proyectos, el resultado mejora muchísimo con apenas dos frases más [6:20].

Hay cosas más fáciles de mostrar que de explicar. Para crear una página 404, pasarle un screenshot con un estilo glitch hizo que Claude generara una versión con personalidad VHS, en lugar del degradado azul violeta que sale por defecto [8:30]. Esto funciona porque los modelos actuales son multimodales: procesan texto, imágenes y audio. También aplica para outputs: si esperas un JSON con ciertos campos, dale un ejemplo del formato exacto.

Cuestiona al modelo aunque suene seguro

Los modelos alucinan, asumen cosas y además son complacientes: aceptan rápido lo que les dices aunque estés equivocada. En una función de JavaScript que sumaba dos números, faltaba la validación de inputs. Al preguntarle si no debería validarlos, lo agregó de inmediato [10:40].

Un truco útil: pídele explícitamente piénsalo bien, yo no tengo la razón, necesito una respuesta más correcta. Tu criterio sigue siendo parte del proceso.

Dale contexto persistente con archivos

Cada conversación nueva arranca desde cero. Si te toca escribir correos en inglés y odias el resultado robótico que genera la IA por defecto, crea un archivo con tus reglas: qué hacer, qué no hacer, tu tono. El agente lo lee al inicio de cada sesión sin que lo pidas [13:20].

¿Qué es agents.md? Es el estándar abierto para archivos de contexto persistente que ya soportan Claude, Cursor, Copilot y otras herramientas modernas. Antes cada herramienta tenía su propio nombre como cloud.md o copilot instructions.

Esto convierte tareas que evitabas delegar en cosas que el agente hace sonando como tú.

¿Cómo conectar tu agente a documentación, herramientas y datos privados?

Los siguientes tres tips usan MCP o Model Context Protocol, un estándar abierto para conectar agentes a fuentes externas: bases de datos, correo, la nube, repos, lo que sea.

Conecta documentación actualizada

Al preguntarle cómo conectarse al CLI de AWS, el modelo sugirió configurar access keys en la máquina, una práctica antigua e insegura. Conectando el knowledge MCP de AWS con apenas cuatro líneas de configuración, el agente buscó la documentación, la leyó y devolvió el método nuevo de noviembre del año pasado: simplemente aws login abre el browser [16:40]. GitHub, MongoDB y Stripe también publican servidores MCP de sus docs.

Permite que el agente tome acciones

MCP no solo trae información, también ejecuta acciones. Algunos ejemplos prácticos:

• GitHub MCP para abrir pull requests, leer issues y modificar repos.
• Figma MCP para leer diseños y traerlos al código.
• Slack MCP para revisar mensajes pendientes y priorizar respuestas.

No es solo para devs. Si trabajas con datos, diseños o clientes, hay un servidor MCP que te puede ayudar.

Crea tus propios servidores MCP para datos privados

El protocolo es abierto, así que puedes conectar tu intranet, databases internos o sistemas de incidentes. Imagina que son las tres de la mañana, cae el checkout y le preguntas al agente ¿qué hicieron la última vez que pasó esto?. El agente busca el postmortem en tu sistema interno y arrancan desde ahí [19:50].

¿Cómo enseñarle tareas repetitivas con skills?

El último tip es empaquetar instrucciones recurrentes en skills. Si tu equipo prefiere archivos de Word pero los agentes generan Markdown, puedes crear un archivo de skill con el comando de Pandocs y, lo más importante, una descripción al inicio que le diga al agente cuándo usar esa habilidad [22:10].

¿Por qué importa la descripción de una skill? Porque la skill no se carga todo el tiempo en el contexto del agente. Solo se activa cuando detecta una tarea relevante, lo que mantiene el contexto limpio y mejora el output.

Así, al pedir convertir el outline de una charla a Word, el agente carga la skill, ejecuta el comando documentado y entrega el archivo listo para compartir.

¿Por qué tu criterio sigue siendo lo más importante?

Las técnicas ayudan, pero el output del agente es tan bueno como tú. La IA amplifica lo que ya sabes: si dominas tu craft, la usas para ir más rápido; si no, también amplifica los errores. Nadie debería pedirle a Claude un paper médico para publicarlo sin saber medicina.

Sigue estos tips, conecta herramientas y documentación, pero desarrolla tu sentido crítico y tu capacidad de juzgar lo que sale del modelo. ¿Cuál de estos ocho tips vas a probar primero en tu flujo de trabajo?