Obtener mejores resultados

Módulo 1 · Conoce a Claude · Lección 3 de 13

Objetivos

Al finalizar, podrás:

• Reconocer los desafíos comunes al comenzar a usar la IA y usar técnicas de resolución de problemas para superarlos.
• Definir la Fluidez en IA y saber dónde acudir para aprender más sobre cómo trabajar con la IA de manera fluida.
• Explicar cómo podrías configurar evaluaciones (evals) para comprender mejor cómo podría desempeñarse Claude con tus flujos de trabajo únicos.

Desafíos comunes y cómo solucionarlos

A medida que comienzas a trabajar con Claude, es probable que encuentres momentos en los que la respuesta no sea exactamente lo que esperabas. Esto es normal, y es una oportunidad para refinar tu enfoque. Aquí tienes algunos de los desafíos más comunes y cómo abordarlos.

Desafío	Qué está pasando	Prueba esto
La respuesta de Claude es demasiado genérica	Tu prompt no incluía suficiente contexto sobre tu situación específica	Agrega detalles sobre tu audiencia, rol o restricciones. En lugar de “Escribe un correo sobre el retraso del proyecto”, prueba “Escribe un correo a nuestro cliente empresarial explicando que la integración del software se retrasará dos semanas. Han sido pacientes hasta ahora, pero este es el segundo retraso. Mantén un tono profesional pero de disculpa.”
La respuesta es demasiado larga (o demasiado corta)	Claude está adivinando la extensión adecuada	Sé explícito: “Dame un resumen de dos párrafos” o “Mantén esto por debajo de 100 palabras” o “Necesito un análisis exhaustivo: la extensión no es un problema.”
Claude no siguió mi formato	Claude entendió qué querías, pero no cómo querías que se presentara	Muestra, no solo digas. Proporciona un ejemplo del formato o describe la estructura explícitamente: “Usa viñetas con encabezados en negrita para cada sección.”
Obtuve información que sonaba segura pero resultó ser incorrecta	Claude ocasionalmente genera información plausible pero incorrecta, especialmente con datos específicos o temas de nicho	Para trabajos de alto riesgo, verifica los datos clave de forma independiente. Pídele a Claude que cite fuentes o indique su nivel de confianza. Activa la búsqueda web para fundamentar las respuestas en información actual.
El tono no es el correcto	Claude recurre por defecto a un tono útil y profesional, que puede no coincidir con tus necesidades	Describe el tono en lenguaje sencillo: “Haz esto más conversacional” o “Esto debería sonar autoritario y formal.” Proporciona un ejemplo de escritura en el estilo que deseas.

La mentalidad de iteración

Uno de los cambios más importantes al trabajar con Claude es reconocer que tu primer prompt rara vez produce un resultado perfecto, y eso está bien. Piensa en tu prompt inicial como el comienzo de una conversación, no como una solicitud de una sola vez.

Los usuarios efectivos de Claude:

• Tratan los primeros borradores como puntos de partida. Revisan lo que produce Claude, identifican qué funciona y qué no, y luego refinan.
• Dan retroalimentación específica. “Hazlo más corto” está bien, pero “Corta los primeros dos párrafos y haz que la conclusión esté más orientada a la acción” es mejor.
• Saben cuándo empezar de nuevo. Si una conversación se ha desviado, a veces es más rápido abrir un nuevo chat con un prompt más claro que intentar redirigirla.

¿Qué es la Fluidez en IA?

La Fluidez en IA es la capacidad de colaborar eficazmente con herramientas de IA, no solo saber qué botones presionar, sino desarrollar el criterio para usar la IA de manera efectiva en diferentes situaciones.

El Marco 4D para la Fluidez en IA, desarrollado mediante una colaboración de investigación entre el profesor Rick Dakan (Ringling College of Art and Design) y el profesor Joseph Feller (University College Cork), identifica cuatro competencias fundamentales que, combinadas, pueden ayudarte a aprovechar al máximo tus interacciones con la IA:

• Delegación: Decidir qué trabajo debe realizar un humano, qué trabajo debe realizar la IA y cómo distribuir las tareas entre ambos. Incluye comprender tus objetivos, las capacidades de la IA y tomar decisiones estratégicas sobre la colaboración.
• Descripción: Comunicarse eficazmente con los sistemas de IA. Incluye definir claramente los resultados, guiar los procesos de la IA y especificar los comportamientos e interacciones deseados de la IA.
• Discernimiento: Evaluar de manera reflexiva y crítica los resultados, procesos, comportamientos e interacciones de la IA. Incluye evaluar la calidad, la precisión, la idoneidad y determinar áreas de mejora.
• Diligencia: Usar la IA de manera responsable y ética. Incluye tomar decisiones reflexivas sobre los sistemas e interacciones de IA, mantener la transparencia y asumir la responsabilidad del trabajo asistido por IA.

Ya has estado practicando estas habilidades a lo largo de este curso. El marco de prompts de la Lección 2 (establecer el contexto, definir la tarea, especificar reglas) tiene sus raíces en la Descripción. Las técnicas de resolución de problemas anteriores se basan en el Discernimiento y la Diligencia.

Para obtener más información, consulta nuestro curso gratuito de Fluidez en IA que explora las cuatro competencias en profundidad, con ejercicios prácticos y aplicaciones del mundo real.

Evaluar a Claude para tus flujos de trabajo

A medida que comienzas a integrar Claude en más partes de tu trabajo, podrías preguntarte: ¿cómo sé si Claude realmente es bueno en esta tarea en particular?

Aquí es donde el Discernimiento se vuelve esencial. Las evaluaciones (evals) son una forma de desarrollar intuición para evaluar los resultados de Claude en las tareas que te importan. Son formas sistemáticas de probar qué tan bien se desempeña Claude en tipos específicos de tareas que te importan.

Por qué importan las evaluaciones

Tu trabajo es único. Claude podría destacar redactando textos de marketing, pero necesitar más orientación para la documentación técnica en tu dominio específico. Ejecutar evaluaciones simples te ayuda a:

• Comprender dónde Claude aporta más valor en tu flujo de trabajo
• Identificar tareas en las que necesitarás proporcionar más contexto o ejemplos
• Generar confianza en los resultados de Claude para tareas recurrentes

Un enfoque simple de evaluación

No necesitas una infraestructura compleja para evaluar a Claude. Aquí tienes un enfoque práctico:

1. Reúne ejemplos. Recopila de 5 a 10 ejemplos de una tarea que realizas regularmente: correos que has escrito, informes que has creado, análisis que has hecho.
2. Crea prompts de prueba. Escribe prompts que generarían resultados similares. Incluye el contexto que naturalmente tendrías al realizar este trabajo.
3. Compara los resultados. Ejecuta tus prompts y compara las respuestas de Claude con tus ejemplos. Pregúntate:
   • ¿Claude capta la información clave?
   • ¿El tono y el estilo son apropiados?
   • ¿Qué falta o podría mejorarse?
4. Refina tu enfoque. Según lo que aprendas, ajusta tus prompts, agrega ejemplos para mostrarle a Claude cómo se ve un buen resultado, o identifica dónde es esencial la revisión humana.

flowchart LR
    A["Reúne de 5 a 10 ejemplos de una tarea recurrente"] --> B["Crea prompts de prueba con el contexto que tendrías"]
    B --> C["Compara la respuesta de Claude con tus ejemplos"]
    C --> D["Refina: ajusta el prompt, agrega ejemplos o define dónde va la revisión humana"]
    D -->|"Repetir la prueba"| B

Ejemplo: usar Claude para el análisis de datos

En nuestra última lección, abordamos la privacidad y seguridad de los datos: qué debes proteger absolutamente y cómo hacerlo. Así que ahora, hablemos de la pregunta que probablemente te ha impedido usar la IA para el análisis de datos en primer lugar: ¿Cómo puedo confiar en los resultados?

La lección de hoy trata sobre el ciclo de diligencia de delegación, específicamente sobre cómo generar confianza en las capacidades analíticas de la IA para tu trabajo específico, probándola sistemáticamente con datos que ya comprendes. Al hacer esto, puedes entender mejor cómo la IA apoyará tus circunstancias específicas.

El proceso comienza con la delegación. Así es como funciona. Primero, identifica una tarea analítica específica que realizas regularmente y que quieres delegar a la IA. Encuentra datos pasados donde ya completaste el análisis, y luego trabaja con la IA para reproducir lo que hiciste, evaluando qué funciona y qué no. Refina tu enfoque y prueba de nuevo. Si la IA puede igualar tus resultados conocidos, sabrás cómo usarla y confiar en ella para tareas futuras similares. Y si no, habrás aprendido que esta es una tarea que no deberías delegar.

Así que déjame mostrarte cómo se ve esto en la práctica, y luego hablaremos sobre qué hacer si no eres tan hábil con los datos para empezar.

Conoce a Rio, el director de programa en Valley Veterans Services. Cada trimestre, analiza la asistencia al programa junto con los resultados de empleo, calculando las tasas de participación, rastreando los cambios mensuales y determinando si la asistencia se correlaciona con el éxito en la colocación laboral. Este análisis le toma consistentemente horas.

Al considerar la delegación, Rio sabe que quiere seguir usando los resultados de este análisis para mejorar su programa. Quiere interpretar los resultados él mismo, pero podría prescindir de la limpieza de datos y el caos de fórmulas en el que normalmente se encuentra para hacer el análisis real. Así que, para probar si la IA es apropiada en este escenario, va a evaluarla usando los datos del trimestre pasado. Sabe exactamente qué mostraron estos datos después de analizarlos sin IA, y tiene los datos desordenados en bruto de antes de empezar. Este es su caso de prueba.

Rio sube los datos y comienza a trabajar con la IA, usando descripción y discernimiento para realizar su análisis. Solo que cada vez que la IA responde, Rio va a verificar los resultados contra lo que sabe que es cierto y anotar posibles brechas en el razonamiento de la IA. A veces, una descripción adicional ayuda a la IA a obtener el resultado que busca. En estos casos, Rio sabe que tiene que incluir ese tipo de información para futuras tareas de análisis de datos. Otras veces, Rio podría encontrar brechas de capacidad legítimas. Este es el ciclo de diligencia de delegación en acción. La diligencia de Rio para evaluar las capacidades del modelo puede cambiar lo que elige delegar a la IA en el futuro.

Su primer intento podría verse así: “Estoy compartiendo datos de asistencia y datos de resultados de empleo de nuestro programa de capacitación laboral del trimestre pasado. Por favor, analiza los patrones de participación a lo largo de los tres meses y grafica las correlaciones entre los niveles de asistencia y el éxito en el empleo. Me interesa particularmente entender si la asistencia constante predice mejores resultados de colocación laboral”.

La IA responde con un resumen. Pero en lugar de asumir que esto es un hecho, Rio lo verifica contra sus registros y anota qué está bien y qué no. La IA identificó correctamente la correlación entre la asistencia al programa y la colocación laboral, pero pasó por alto una idea crítica sobre el programa combinado de asistencia de vivienda y colocación laboral. Así que Rio refina su descripción, pidiéndole a la IA que lo intente de nuevo pero prestando especial atención al tipo de programa. Esta vez la IA detecta su error. Así que Rio anota que, para los próximos trimestres, necesitará pedirle específicamente a la IA que considere el tipo de programa al realizar su análisis.

Luego hace algo más difícil: “¿Puedes también analizar esto según cuándo se inscribieron los participantes?” La IA responde mientras Rio observa que, a pesar de no conocer los datos de inscripción, la IA pudo ayudar a extraerlos. Toma nota para cotejar estos resultados más adelante.

Al pasar por este proceso, Rio ha validado sistemáticamente qué puede y qué no puede hacer la IA para sus informes trimestrales. Ha aprendido que, con la descripción correcta, la IA puede reproducir con precisión el análisis que solía hacer manualmente. Pero también ha identificado limitaciones claras y áreas de seguimiento. La IA necesita las fechas de inscripción en los datos para hacer un análisis de cohortes; de lo contrario, intentará inferirlas, lo cual él no quiere. Y lo más importante, Rio ahora tiene un enfoque probado que puede usar con confianza con los datos de este trimestre y notas claras sobre qué información necesita incluir y qué contexto todavía necesita agregar él mismo.

Cuando Rio usa este enfoque validado con datos nuevos, su diligencia continúa. Verificará si los números tienen sentido según lo que sabe sobre sus programas. Asumirá la responsabilidad del informe final, y será transparente sobre el papel de la IA si se le pregunta. Pero ahora está trabajando desde una confianza validada, no desde conjeturas.

Así que aquí está el marco de trabajo. Identifica una tarea analítica específica que quieras delegar. Sé preciso sobre lo que necesitas. Luego encuentra datos pasados donde ya completaste ese análisis. Necesitas las respuestas correctas para evaluar si la IA puede llegar a ellas. Trabaja con la IA para reproducir tu análisis pasado y evalúa sistemáticamente los resultados. ¿Qué produjo la IA? ¿Cómo abordó la tarea? ¿Cómo comunicó los hallazgos? Identifica las brechas, refina tu delegación y luego prueba de nuevo. Si puedes validar que la IA produce resultados correctos, has construido un enfoque que puedes usar con confianza en datos nuevos. Pero si no puedes llegar a eso después de varios refinamientos, has aprendido que esta no es una tarea que debas delegar.

Así que todo esto está muy bien, pero ¿qué pasa si no te sientes muy cómodo con los datos para empezar y no podrías detectar esas brechas en el proceso por ti mismo? La IA también puede ser una herramienta útil para generar ideas e implementar soluciones que quizás no se te hubieran ocurrido por tu cuenta. Debido a que los modelos de IA son particularmente buenos en programación, pueden ayudar con cosas como escribir fórmulas de Excel, reformatear datos desordenados y más. En estos casos, simplemente puedes llevar tu pregunta o idea a la IA y pedir específicamente ayuda para entender cómo podría verse una solución, tal como trabajarías con un analista de datos en tu equipo. Mientras trabajas con la IA, sigue pidiendo aclaraciones y explicaciones para poder seguir el proceso y entender el resultado final.

Solo recuerda, la validación genera confianza, pero no elimina la responsabilidad. Sigues siendo responsable de verificar que estos resultados tengan sentido y de ser transparente sobre el papel de la IA en tu proceso de análisis.

Esta prueba funciona para cualquier tarea analítica que estés considerando: análisis de donantes, previsión presupuestaria, síntesis de encuestas, seguimiento de resultados. Prueba primero, valida lo que funciona, y luego aplícalo con más confianza, o aprende qué no deberías delegar en absoluto.

En nuestra próxima lección, veremos la aumentación del flujo de trabajo y cómo aplicar estos mismos principios cuando la IA maneja tareas rutinarias en tu nombre.

Ver el video en YouTube

El video anterior proviene de nuestro curso de Fluidez en IA para organizaciones sin fines de lucro, pero el ejemplo es relevante para cualquier persona que trabaje con datos en IA. Las referencias a “nuestra última lección” y “nuestra próxima lección” corresponden a ese curso.

Actividad práctica

Para evaluar cómo podría funcionar Claude con tus datos:

• Encuentra un conjunto de datos que hayas analizado manualmente.
• Crea prompts que le pidan a Claude que realice el análisis en tu nombre.
• Compara los resultados de Claude con tus originales.
• Observa patrones y refina tu prompt en consecuencia: tal vez Claude obtiene los números correctos pero no capta los patrones generales.

Este tipo de evaluación ligera te ayuda a desarrollar intuición sobre cómo trabajar con Claude en las tareas que te importan, y dónde enfocar tu energía de revisión y refinamiento.

Reflexión de la lección

Antes de continuar, considera:

• ¿Cuáles de los desafíos comunes ya has encontrado? ¿Qué técnicas podrías probar la próxima vez?
• ¿En qué parte de tu trabajo te ayudaría una evaluación simple a entender si Claude es adecuado para una tarea recurrente?
• ¿Cómo podría el Marco 4D ayudarte a pensar en tu colaboración con Claude?

Ideas clave

• Tu primer prompt rara vez da un resultado perfecto: trátalo como el inicio de una conversación, da retroalimentación específica y empieza de nuevo cuando la conversación se haya desviado.
• La Fluidez en IA es la capacidad de colaborar eficazmente con herramientas de IA. El Marco 4D la describe con cuatro competencias: Delegación, Descripción, Discernimiento y Diligencia.
• Las evaluaciones (evals) te muestran dónde Claude aporta más valor en tu trabajo: reúne de 5 a 10 ejemplos, crea prompts de prueba, compara resultados y refina.
• Validar a Claude con datos que ya conoces genera confianza, pero no elimina tu responsabilidad sobre el resultado final.

En la próxima lección, explorarás la aplicación de escritorio de Claude y las tres formas en que trabajarás con Claude allí: turno por turno (Chat), delegando trabajo (Cowork) y creando software (Claude Code).

Siguiente: Cómo trabajarás con Claude en tu escritorio