Trabajar mejor con IA no se trata solo de hacerle preguntas a ChatGPT o Claude y copiar la respuesta. Si quieres resultados que realmente te sirvan como desarrollador o profesional, necesitas entender qué hay detrás del prompt y cómo darle contexto, herramientas y criterio al modelo. Aquí van ocho técnicas concretas que transforman la forma en que usas agentes de IA.
¿Qué hay detrás de un prompt y por qué importa entenderlo?
Cuando le escribes a ChatGPT, Claude o Gemini, del otro lado hay un modelo: un sistema entrenado con libros, artículos, documentación y código que aprendió patrones y responde con probabilidad [1:08].
El problema es que el modelo no lo sabe todo y, peor aún, cuando se equivoca suena igual de seguro que cuando acierta. Un ejemplo claro: al preguntarle a Claude Sonnet 4.6 cuántas erres tiene la palabra ferrocarril, respondió tres con total seguridad, cuando en realidad son cuatro [1:54].
¿Qué es un agente de IA? Es un modelo conectado a herramientas como acceso a internet, archivos locales, tu terminal o APIs. Cursor, Claude Code y Codex son agentes: el modelo no cambia, pero gana la capacidad de actuar [3:00].
Cuando le diste internet a Claude para preguntarle por Platzi Conf, dejó de ser un modelo aislado y se volvió algo más poderoso. Esa es la diferencia clave entre preguntar y trabajar con IA.
¿Cómo lograr mejores respuestas con prompts y ejemplos?
Aquí empiezan los primeros cuatro tips, todos enfocados en cómo le pides cosas al agente.
Sé específico y muestra ejemplos
Si le pides a un agente que te cree un portafolio sin más contexto, vas a recibir algo genérico: fondo blanco, botones azules, aburrido [4:30]. Si le agregas dos frases explicando que eres back-end developer, que quieres mostrar contribuciones open source y una sección de proyectos, el resultado mejora muchísimo [5:00].
Pero hay cosas más fáciles de mostrar que de explicar. Al pedir una página 404, la primera versión fue un degradado azul, violeta y rosa, muy genérico. Al compartir un screenshot con estilo glitch tipo VHS, el modelo generó algo con personalidad real [6:30]. Esto funciona porque los modelos modernos son multimodales: procesan texto, imágenes y audio.
Los ejemplos también sirven para definir el formato de salida. Si tu aplicación necesita un output en JSON con campos específicos, pásale un ejemplo de cómo lo quieres recibir.
Cuestiona al modelo, no aceptes la primera respuesta
Los modelos son inteligentes pero no infalibles. Alucinan, asumen cosas y a veces son demasiado complacientes [8:30]. Al pedir una función en JavaScript que sumara dos números, la primera versión no validaba los inputs. Al preguntar si no debería validarlos, el modelo aceptó de inmediato y agregó la validación [8:50].
El truco está en escribir prompts como: piénsalo bien, yo no tengo la razón, necesito una respuesta más correcta. Tú también eres experto en lo que haces.
¿Cómo darle contexto persistente al agente?
Cada vez que abres una conversación nueva, el agente empieza de cero. No se acuerda de cómo te gusta escribir correos ni de las convenciones de tu proyecto.
La solución es crear un archivo con instrucciones que el agente lea automáticamente al inicio de cada sesión. Por ejemplo, al pedir un correo en inglés sin contexto, el resultado fue largo, sonaba generado por IA y se notaba que nadie se tomó el trabajo de escribirlo [10:20]. Con un archivo de contexto que explica cómo te gusta escribir, el correo salió directo y natural [11:00].
¿Qué es agents.md? Es el estándar abierto para archivos de contexto persistente que ya adoptaron herramientas como Cursor, Copilot y Claude Code. Reemplaza nombres específicos como cloud.md o copilot-instructions [11:30].
¿Qué es MCP y cómo conecta agentes con el mundo exterior?
Hay cosas que no están en tus archivos locales ni en el entrenamiento del modelo: documentación que cambió ayer, repos en GitHub, sistemas internos de tu empresa. Todo eso se resuelve con MCP o Model Context Protocol, un estándar abierto para conectar agentes a fuentes externas [12:30].
Conecta el agente a la documentación actualizada
Al preguntar cómo conectarse al CLI de AWS, la primera respuesta fue configurar access keys, un método antiguo equivalente a guardar usuario y contraseña en un archivo de texto [13:30]. Con el knowledge MCP de AWS conectado, el agente buscó la documentación y respondió con el método nuevo de noviembre del año pasado: aws login abre el browser y listo.
GitHub, MongoDB y Stripe también publican servidores MCP de su documentación.
Permite que el agente tome acciones en tus herramientas
MCP no solo sirve para leer, también para ejecutar. Algunos ejemplos prácticos:
- Conectar GitHub para abrir pull requests, leer issues y hacer cambios en repos.
- Usar el MCP de Figma para traer diseños directo al código.
- Integrar Slack para revisar conversaciones pendientes y priorizar respuestas.
Crea servidores MCP privados para tu empresa
El protocolo es abierto, así que puedes crear tu propio servidor MCP para conectarte a la intranet, bases de datos internas o sistemas privados [16:00]. Imagina que son las tres de la mañana y se cae el checkout: con el sistema de incidentes conectado, le preguntas al agente qué se hizo la última vez que pasó esto y te lleva directo al postmortem.
¿Cómo enseñarle al agente tareas específicas con skills?
La última técnica son las skills: instrucciones empaquetadas para tareas que repites. Por ejemplo, convertir Markdown a Word usando Pandoc para compartir documentos con tu equipo [17:30].
La clave está en escribir una buena descripción al principio que le diga al agente cuándo activar esa skill. Así no se carga todo el tiempo en el contexto y solo se invoca cuando hace falta, lo que ayuda a gestionar el contexto y evitar que el output empeore por saturación.
¿Qué hace la diferencia entre un buen y un mal uso de IA?
La IA amplifica lo que sabes. Si eres bueno en algo, la puedes usar para multiplicar tu trabajo. Pero si no sabes lo que estás haciendo, también va a amplificar eso.
Sigue desarrollando tu sentido crítico, tu área de especialidad y tu capacidad de juzgar lo que sale del modelo. Eso es lo que te hace mejor dev con IA, o con lo que venga después. ¿Cuál de estos tips vas a aplicar primero en tu flujo de trabajo?
