Casos de uso
"Un prompt vago produce una respuesta vaga. La calidad de la pregunta es el techo de la respuesta."
Qué vas a aprender en este capítulo
Este es el capítulo de taller: cinco familias de casos de uso reales, cada una con prompts completos para copiar, qué esperar de la respuesta, y cómo iterar cuando lo primero que sale no sirve. Al terminar vas a saber:
- La anatomía de un buen prompt — la plantilla que sostiene todo lo demás.
- Usar IA para estudiar de verdad: explicaciones a medida, exámenes de práctica, feedback de ensayos.
- Usarla para programar: explicar, depurar y generar código (aunque no sepás programar todavía).
- Escribir y comunicar: correos, informes y tu CV.
- Analizar documentos y datos: resúmenes con criterio, extracción, tablas.
- Automatizar las tareas repetitivas de texto que te comen horas.
Y el proyecto-hilo da su paso más grande: tu biblioteca personal de prompts de estudio.
Una instrucción para todo el capítulo: leelo con un chat abierto. Cada prompt está para ejecutarse, no para admirarse.
3.1 Anatomía de un buen prompt
💡 Intuición
Pensá en pedir comida a domicilio. "Mandame comida" es un prompt malo: algo va a llegar, y casi seguro no es lo que querías. "Dos pupusas revueltas y una de queso con loroco, curtido aparte, para las 12:30, a la entrada B de la UNIMO" es un prompt excelente: especifica qué, cómo, cuándo y dónde.
Con los LLMs es idéntico, y el capítulo 1 te explicó por qué: el modelo predice la continuación más probable de tu texto. Un pedido vago tiene mil continuaciones plausibles y el modelo elige una genérica. Un pedido específico estrecha las continuaciones posibles hasta que la más probable es justo la que necesitás.
📐 Fundamento
Los cinco componentes de un prompt de trabajo (no todos son obligatorios siempre, pero conocelos todos):
| Componente | Qué hace | Ejemplo |
|---|---|---|
| Rol | Define desde qué "personaje" responde | "Actuá como un profesor de estadística con 20 años de experiencia" |
| Contexto | Lo que el modelo necesita saber de tu situación | "Estoy en primer año, mañana tengo parcial, esto es lo que ya entiendo: ..." |
| Tarea | El verbo concreto: explicá, resumí, corregí, generá, compará | "Generá 10 preguntas de opción múltiple sobre el capítulo adjunto" |
| Formato | La forma exacta de la salida | "En tabla de 3 columnas", "máximo 200 palabras", "una pregunta a la vez" |
| Restricciones | Lo que NO debe hacer | "No me des la respuesta directamente", "no uses tecnicismos sin definirlos" |
Y la regla que vale más que la plantilla: iterar es el método, no el plan B. La primera respuesta es un borrador que vos dirigís:
- "Más corto y más directo."
- "El punto 2 está flojo: desarrollalo con un ejemplo numérico."
- "Eso no es lo que pedí — releé mi instrucción sobre el formato."
- "Ahora hacelo de nuevo asumiendo que no sé nada de estadística."
Cada corrección queda en la ventana de contexto y condiciona todo lo que sigue. Una conversación de 4 turnos bien dirigida le gana siempre a un prompt único "perfecto".
3.2 Estudiar: tu caso de uso número uno
💡 Intuición
La peor forma de estudiar con IA es pedirle resúmenes y leerlos: eso es estudio pasivo con pasos extra. La ciencia del aprendizaje es clara desde hace décadas: lo que fija conocimiento es el esfuerzo de recuperación — intentar responder, fallar, corregirse (retrieval practice). La IA es la primera herramienta de la historia que te da práctica de recuperación ilimitada, personalizada y con feedback inmediato, a cualquier hora. Usala para que te pregunte a vos, no solo para preguntarle vos a ella.
🛠️ En la práctica — los tres prompts de estudio
Caso A — Explicación a tu medida. Cuando un concepto no te entra:
Actuá como tutor de [MATERIA]. Explicame [CONCEPTO] en tres niveles:
1. Como a alguien de 12 años (una analogía cotidiana).
2. Como a un estudiante universitario de primer año (la definición
correcta, con un ejemplo trabajado paso a paso).
3. El error conceptual más común sobre este tema y por qué es error.
Contexto: ya entiendo [LO QUE YA SABÉS], me confunde específicamente
[TU CONFUSIÓN PUNTUAL].
Qué esperar: una explicación en escalera, donde el nivel 1 te da el gancho intuitivo y el 3 te vacuna contra el error típico. Cómo iterar: si el nivel 2 sigue oscuro, respondé "el ejemplo del nivel 2 no me cerró: hacelo con números concretos y mostrá cada paso aritmético". La parte de "me confunde específicamente" es la más valiosa del prompt — obliga a la explicación a apuntarle a TU confusión y no a la genérica.
Caso B — Examen de práctica. La joya de la corona:
Adjunto mis apuntes de [TEMA]. Actuá como mi profesor y tomame un
examen de práctica:
- 10 preguntas BASADAS SOLO en estos apuntes: 4 de opción múltiple,
3 de respuesta corta, 3 de aplicación a casos nuevos.
- Una pregunta a la vez. Esperá mi respuesta antes de seguir.
- Cuando responda: decime si está bien, qué le faltó, y dónde de mis
apuntes está la respuesta.
- Al final: nota estimada, mis 3 puntos más débiles, y qué repasar
primero.
Qué esperar: un simulacro interactivo. Las preguntas "de aplicación" son las importantes: miden si entendés o solo memorizaste. Cómo iterar: "las preguntas están muy fáciles; subí la dificultad al nivel de un parcial universitario" o "concentrá las siguientes 5 en [el tema que fallaste]". Con la app adecuada, hacé esto dentro de tu Proyecto (capítulo 2) y los apuntes ya están cargados.
Caso C — Feedback de ensayo. Antes de entregar cualquier escrito:
Actuá como el profesor que va a calificar este ensayo. La consigna
era: [CONSIGNA TEXTUAL]. Los criterios de evaluación: [RÚBRICA, SI
LA TENÉS].
1. Calificalo del 1 al 10 según la consigna, justificando.
2. Listá los 3 problemas más graves en orden de gravedad (argumento,
estructura, evidencia — no ortografía todavía).
3. Para cada problema, mostrame UN pasaje concreto donde ocurre.
4. NO lo reescribas. Quiero arreglarlo yo.
[PEGÁS TU ENSAYO]
Qué esperar: crítica estructurada con ubicaciones concretas. La restricción 4 es crucial — el objetivo es que mejorés vos, no que el modelo escriba por vos (además de las razones de integridad del capítulo 5). Cómo iterar: después de corregir, mandá la versión nueva: "misma rúbrica: ¿subió la nota? ¿qué problema persiste?". Dos o tres rondas de esto antes de entregar es una rutina que cambia notas.
⚠️ Trampa común
Pedir el resumen y sentir que estudiaste. El error: "resumime el capítulo 4" → leés el resumen → sensación de dominio → el parcial te destruye. Falla por dos lados: la sensación de fluidez al leer algo claro NO es aprendizaje (es la "ilusión de competencia" que describe la psicología cognitiva), y el resumen pudo omitir justo lo que el profesor considera central.
Cómo se ve lo correcto: invertí la dirección. Primero intentá VOS recordar o resolver; usá el modelo para verificar, corregir y volver a preguntarte (casos A y B). El resumen tiene su lugar — como mapa antes de estudiar o repaso después — nunca como sustituto del esfuerzo de recuperación.
3.3 Programar: explicar, depurar, generar
💡 Intuición
No necesitás ser programador para sacarle jugo a esta sección — al contrario: la IA es hoy la mejor puerta de entrada a la programación que ha existido. Es como tener al lado a alguien que ya programó de todo y tiene paciencia infinita: le mostrás código ajeno y te lo traduce a humano, le mostrás tu error y te dice dónde está, le describís lo que querés y te arma el primer borrador. Si estudiás sistemas, esto es tu día a día; si no, igual te toca tarde o temprano una fórmula de hoja de cálculo o un trámite digital que se traba.
🛠️ En la práctica — los tres prompts de código
Caso A — Explicar código ajeno (el profesor pasó algo y no entendés ni la primera línea):
Explicame este código línea por línea como si yo nunca hubiera
programado. Para cada línea: qué hace y POR QUÉ está ahí. Al final,
resumí en una frase qué hace el programa completo y dame una analogía
cotidiana del proceso.
[PEGÁS EL CÓDIGO]
Qué esperar: una traducción a lenguaje natural más la lógica detrás. Cómo iterar: "no entendí qué es un 'bucle'; explicámelo aparte con una analogía y volvé al código". Podés bajar tan abajo como necesités — el modelo no se impacienta jamás, y esa es una ventaja pedagógica real sobre preguntar en clase.
Caso B — Depurar (debugging): algo no funciona y el mensaje de error parece otro idioma:
Este código debería [LO QUE DEBERÍA HACER] pero en su lugar
[LO QUE HACE: error exacto, resultado incorrecto, no hace nada].
Código:
[CÓDIGO]
Error completo (si hay):
[MENSAJE DE ERROR, COPIADO ENTERO]
1. Explicame qué significa el error en lenguaje humano.
2. Decime la causa más probable y en qué línea.
3. Dame la corrección mínima, y explicá por qué funciona.
Qué esperar: diagnóstico + parche + explicación. El detalle que separa a quien le funciona de quien no: pegá el error completo, no "me da error". El mensaje de error es la mitad de la información. Cómo iterar: si el parche no funciona, pegá el error nuevo — depurar es un diálogo, y a veces toma 3-4 rondas. Truco multimodal del capítulo 2: una captura de pantalla del error también sirve.
Caso C — Generar desde cero (querés una herramientita y no sabés programar):
No sé programar. Quiero [DESCRIPCIÓN: ej. "una página simple que me
calcule cuánto le toca pagar a cada uno cuando salimos en grupo,
repartiendo desigual si alguien consumió más"].
1. Hacela en un solo archivo HTML que pueda abrir en mi navegador.
2. Decime paso a paso cómo guardarla y abrirla.
3. Avisame qué limitaciones tiene.
Qué esperar: en una app como claude.ai, el resultado aparece como artefacto — una mini-aplicación funcionando que podés ver y probar ahí mismo. Cómo iterar: como si hablaras con un desarrollador: "agregale un botón para reiniciar", "los montos deben aceptar centavos", "hacela más legible en el teléfono". No tocás código: describís el cambio.
⚠️ Trampa común
Aceptar código generado sin probarlo. El error: el código se ve profesional — nombres prolijos, comentarios, estructura — y lo entregás o lo usás directo. Pero "se ve bien" es exactamente lo que un predictor de texto plausible garantiza; "funciona" no. El código generado puede tener errores sutiles, casos no contemplados, o inventar funciones que no existen.
Cómo se ve lo correcto: todo código generado se ejecuta y se prueba con casos donde vos conocés la respuesta correcta (¿la calculadora de la salida en grupo da bien con números fáciles: 3 personas, $30, partes iguales = $10?). Si es para una materia, además tenés que poder explicarlo — regla del capítulo 5: si no podés explicar tu entrega, no es tu entrega.
3.4 Escribir y comunicar: correos, informes, CV
💡 Intuición
Acá está el malentendido más caro de la escritura con IA: la gente le pide al modelo que escriba en lugar de ellos, y el resultado se nota a kilómetros — ese texto inflado, genérico, lleno de "en el dinámico mundo actual". El uso correcto es al revés: vos ponés la sustancia (qué querés decir, a quién, con qué datos) y el modelo pone la forma (estructura, tono, pulido). Pensalo como un sastre: no inventa tu cuerpo, ajusta la tela a tu medida. Sin sustancia tuya, el sastre cose un traje para un fantasma.
🛠️ En la práctica — los tres prompts de escritura
Caso A — El correo difícil (pedir prórroga, reclamar una nota, contactar a alguien importante):
Ayudame a escribir un correo difícil.
- Destinatario: [QUIÉN y qué relación tenés: "el profesor de cálculo,
solo lo conozco de clase"].
- Objetivo: [QUÉ QUERÉS LOGRAR: "que me deje entregar 2 días tarde"].
- Mis razones reales: [HONESTAS: "se me enfermó mi mamá y perdí 3 días"].
- Tono: respetuoso y directo, SIN sonar servil ni dramático.
- Máximo 120 palabras. En español formal de El Salvador ("usted").
Dame 2 versiones: una más formal y una más cercana.
Qué esperar: dos borradores cortos y decentes. Cómo iterar: "la versión 1, pero la primera oración va al grano: pedí la prórroga ahí, las razones después". Y la regla de oro: leé el correo final en voz alta; si hay una frase que vos jamás dirías, cambiala por como la dirías. El correo sale de tu cuenta, es tu voz.
Caso B — Estructura de informe (sabés del tema, no sabés cómo organizarlo):
Tengo que escribir [TIPO: informe de laboratorio / monografía /
propuesta] sobre [TEMA] para [MATERIA/DESTINATARIO]. Extensión:
[N páginas]. Esto es lo que tengo en bruto: [VOLCÁ TODO: ideas
sueltas, datos, hallazgos, sin orden].
NO lo escribas. Dame:
1. Un esquema de secciones con 2-3 viñetas de contenido cada una.
2. Qué información me falta conseguir, como lista de pendientes.
3. El orden en que conviene redactarlas (no siempre es el orden final).
Qué esperar: el andamio del documento — que es donde la mayoría se traba — dejándote a vos la redacción. Cómo iterar: escribí una sección y volvé: "esta es mi sección de metodología; ¿qué le falta según el esquema?". Escribir por secciones con feedback inmediato es radicalmente menos doloroso que enfrentar la página en blanco completa.
Caso C — El CV dirigido:
Este es mi CV actual: [PEGALO].
Esta es la vacante a la que aplico: [PEGÁ EL ANUNCIO COMPLETO].
1. ¿Qué pide la vacante que mi CV ya tiene pero no resalta?
2. ¿Qué pide que NO tengo? (sé honesto: no inventes experiencia).
3. Reescribí mis descripciones de experiencia para que respondan a
esta vacante: verbos de acción y resultados concretos, sin mentir.
4. Tres preguntas que probablemente me hagan en la entrevista por
los huecos entre mi perfil y la vacante.
Qué esperar: un análisis de brecha más reescritura dirigida — un CV por vacante, no uno genérico para todas. La restricción "sin mentir" no es decorativa: el modelo, queriendo ayudarte (RLHF, capítulo 1), puede embellecer de más; revisá que cada afirmación del CV final siga siendo verdad. El punto 4 convierte el ejercicio en preparación de entrevista gratis.
3.5 Analizar datos y documentos
📐 Fundamento
Acá los modelos pasan de "saber cosas" a trabajar sobre lo que vos les das — y eso cambia el perfil de confiabilidad. Cuando el modelo opera sobre un documento presente en su ventana de contexto, no depende de la memoria difusa del entrenamiento: tiene el texto enfrente. Sigue sin ser infalible (puede leer mal, mezclar secciones, o rellenar huecos con suposiciones), pero el nivel de confianza sube un escalón y, mejor aún, podés verificar contra el documento mismo.
Tres operaciones cubren casi todo:
- Resumen con criterio. No "resumí esto", sino resumir para algo: una decisión, un examen, una reunión. El criterio cambia qué se queda y qué se va.
- Extracción estructurada. Convertir texto desordenado (un PDF, correos, actas) en estructura: tabla, lista, campos fijos. Es la operación más subestimada y la que más horas ahorra.
- Interrogación del documento. Preguntarle al documento — con la regla de que toda respuesta cite dónde dice eso.
Para datos numéricos (hojas de cálculo), recordá el capítulo 2: las apps de frontera ejecutan código por detrás para calcular de verdad. Si tu app no lo hace, desconfiá de cualquier aritmética sobre muchas filas — el modelo "a pelo" estima, no calcula.
🛠️ En la práctica — los tres prompts de análisis
Caso A — Resumen con criterio (un paper o capítulo largo, poco tiempo):
Adjunto [DOCUMENTO]. Lo necesito para [TU PROPÓSITO REAL: "decidir si
lo cito en mi tesis sobre X" / "el parcial del viernes"].
1. Resumen de 5 viñetas ORIENTADO a ese propósito.
2. Las 3 afirmaciones más importantes del documento, con la sección
o página donde están.
3. ¿Qué pregunta deja sin responder el documento?
4. Si menciona cifras clave, listalas aparte, textuales.
Qué esperar: un resumen utilizable, con anclas (punto 2) para verificar en segundos que no te están inventando el documento. Cómo iterar: "profundizá en la viñeta 3: ¿qué evidencia da el autor?".
Caso B — Extracción a tabla (el clásico que ahorra una tarde):
Adjunto [N documentos / el texto de abajo]. Extraé en una tabla:
| Fecha | Persona/Entidad | Monto | Compromiso | Estado |
Reglas:
- SOLO información que esté textualmente en los documentos.
- Si un campo no aparece, escribí "no consta" — NO lo deduzcas.
- Al final, listá los datos ambiguos donde no estuviste seguro.
Qué esperar: la tabla, más una lista de ambigüedades — esa lista es tu mapa de qué verificar a mano. Las dos reglas del medio son la diferencia entre una herramienta seria y una fábrica de datos inventados. Cómo iterar: revisá 2-3 filas al azar contra el documento original antes de confiar en las cien restantes (muestreo: el hábito estrella del capítulo 4).
Caso C — Interrogar un documento largo (contrato, reglamento, bases de una beca):
Adjunto [EL REGLAMENTO/CONTRATO]. Respondé SOLO con base en este
documento; si no lo dice, respondé "el documento no lo especifica".
Cada respuesta debe citar el artículo o sección exacta.
Pregunta 1: [ej. "¿puedo perder la beca por reprobar UNA materia?"]
Qué esperar: respuestas con cita, que vos verificás yendo a la sección citada — en un documento de 40 páginas, esto convierte una hora de lectura legal en cinco minutos de verificación dirigida. Para decisiones importantes (firmar algo, plazos legales), esto orienta pero no sustituye leer la cláusula vos o consultar a quien sabe.
3.6 Automatizar lo repetitivo
💡 Intuición
Hacé memoria de tu última semana: ¿cuánto tiempo se te fue en tareas de texto repetitivas? Pasar apuntes en limpio, dar formato a referencias bibliográficas, escribir diez mensajes casi iguales, convertir una lista desordenada en tabla. Ninguna requiere pensar; todas consumen tiempo de pensar. La heurística para detectarlas: si podés explicarle la tarea a otra persona en dos minutos y la haría sin preguntarte nada más, es automatizable con un prompt. Y si la hacés cada semana, ese prompt vale oro guardado.
🛠️ En la práctica — patrones de automatización
Patrón A — Transformar formato (la familia entera: de lista a tabla, de párrafo a viñetas, de desorden a APA):
Convertí estas referencias desordenadas a formato APA 7, ordenadas
alfabéticamente. Si a alguna le falta un dato obligatorio (año,
editorial), marcala con ⚠️ y decime qué falta:
[PEGÁS EL DESORDEN]
Patrón B — Mensajes en serie con plantilla:
Necesito enviar el mismo mensaje, personalizado, a estas personas:
[LISTA: nombre — contexto puntual de cada una]
Plantilla del mensaje: [LO QUE QUERÉS DECIR EN GENERAL]
Generá cada versión personalizada según el contexto de cada persona.
Tono: [cercano/formal]. Máximo 80 palabras cada uno.
Patrón C — El procesador semanal reutilizable. La automatización de verdad no es un prompt usado una vez: es un prompt guardado que corrés cada semana con insumos nuevos:
[TU PROMPT GUARDADO, ej.:] Te paso mis apuntes crudos de las clases
de esta semana. Como siempre: (1) pasalos en limpio manteniendo MIS
palabras donde se entiendan, (2) marcá con ❓ lo que quedó confuso
o incompleto, (3) generá 5 tarjetas pregunta/respuesta de lo más
importante para mi repaso. [PEGÁS LOS APUNTES DE LA SEMANA]
Qué esperar y cómo iterar — para los tres patrones: la primera corrida siempre necesita ajustes ("las tarjetas, más difíciles"; "no resumas tanto el limpiado"). Incorporá cada ajuste al prompt guardado, no solo al chat: estás depurando una herramienta tuya. A la tercera semana, el prompt corre fino y el límite es claro: la salida se revisa con muestreo (unas filas, un mensaje, una tarjeta) antes de usarse. Automatizar la tarea sí; automatizar la confianza, jamás.
Resumen visual
| Caso de uso | Prompt estrella | La clave | El riesgo a vigilar |
|---|---|---|---|
| Estudiar | Examen de práctica sobre TUS apuntes | Que te pregunte a vos (recuperación activa) | Resumir ≠ estudiar |
| Programar | Depurar con el error completo pegado | Dar contexto: qué debería pasar vs qué pasa | Código que "se ve bien" sin probar |
| Escribir | Crítica de ensayo sin reescritura | Vos la sustancia, el modelo la forma | Voz genérica que no es tuya |
| Analizar | Extracción a tabla con "no consta" | Operar sobre TUS documentos, con citas | Datos rellenados; verificar por muestreo |
| Automatizar | Procesador semanal guardado | Prompt reutilizable que se mejora con uso | Confianza ciega en la corrida N |
Y la estructura que sostiene todo:
Mermaid
flowchart LR
A["ROL
¿quién responde?"] --> B["CONTEXTO
¿qué necesita saber?"]
B --> C["TAREA
verbo concreto"]
C --> D["FORMATO
forma de la salida"]
D --> E["RESTRICCIONES
qué NO hacer"]
E --> F["Respuesta v1"]
F --> G{"¿Sirve?"}
G -- "No del todo" --> H["Iterá: corregí,
pedí más, redirigí"]
H --> F
G -- "Sí" --> I["Verificá y usá
(cap. 4)"]
Ejercicios
✏️ Ejercicio 1 — Del prompt vago al prompt de trabajo
Tomá este prompt vago: "ayudame con mi presentación". Reescribilo usando los cinco componentes de la sección 3.1 para una situación real tuya (inventá los detalles si hace falta, pero que sean concretos). Después ejecutá ambos en chats separados y anotá tres diferencias entre las respuestas.
✅ Solución
Una reescritura tipo: "Actuá como asesor de presentaciones académicas [rol]. El viernes presento 10 minutos sobre energías renovables en El Salvador ante mi clase de física, soy de primer año y me pongo nervioso hablando en público [contexto]. Armame la estructura: cuántas diapositivas, qué va en cada una, y cómo abro y cierro [tarea]. Formato: lista numerada, una línea por diapositiva [formato]. No escribas el texto completo de las diapositivas: solo títulos e ideas, el contenido lo redacto yo [restricciones]". Diferencias típicas: la versión vaga da consejos genéricos de presentaciones; la específica da un plan ejecutable, dimensionado a 10 minutos, y respeta que el contenido sea tuyo. La lección medible: la especificidad del prompt es el techo de la utilidad de la respuesta.
✏️ Ejercicio 2 — El examen que te examina
Usá el prompt del Caso B de la sección 3.2 con apuntes reales de una materia que cursás. Completá el examen entero (sin trampa: respondé antes de ver la corrección). Reportá: ¿qué nota te estimó? ¿Cuáles fueron tus 3 puntos débiles? ¿Las preguntas "de aplicación" te costaron más que las de memoria?
✅ Solución
No hay solución única; criterios de que lo hiciste bien: (1) respondiste las 10 preguntas escribiendo, no asintiendo mentalmente — el esfuerzo de recuperación es el ingrediente activo; (2) las de aplicación casi siempre cuestan más, y eso es información valiosa: significa que memorizaste más de lo que entendiste; (3) cerraste pidiendo el plan de repaso y lo anotaste. Si el examen estuvo regalado, la iteración correcta era "subí la dificultad a nivel parcial universitario" — los modelos tienden a ser suaves por defecto (RLHF, capítulo 1).
✏️ Ejercicio 3 — Extracción con trampa
Escribí (o pedile al modelo en otro chat que genere) un texto de 10 líneas estilo acta de reunión que mencione 4 personas, 3 fechas y 2 montos en dólares — pero dejá UN dato ambiguo a propósito (ej. "se acordó pagar lo convenido"). Pasale el prompt de extracción del Caso B de la sección 3.5. ¿El modelo marcó la ambigüedad o inventó el dato?
✅ Solución
Con el prompt completo (incluyendo "si no aparece, escribí 'no consta'" y "listá los datos ambiguos"), los modelos de frontera suelen marcar la ambigüedad correctamente. Si omitís esas dos reglas — probalo — la probabilidad de que rellene "lo convenido" con un monto plausible sube notablemente: el modelo está entrenado para completar, y completar es justo lo que NO querés en extracción. Moraleja doble: (1) las restricciones anti-invención van SIEMPRE en prompts de extracción; (2) aun con ellas, el muestreo de verificación no se negocia.
✏️ Ejercicio 4 — Tu primera automatización real (retador)
Identificá UNA tarea de texto que hagás todas las semanas y te tome más de 20 minutos. Diseñá un prompt reutilizable estilo "procesador semanal" (sección 3.6), usalo dos semanas seguidas, y mejoralo entre corridas. Entregable: el prompt v1, el prompt v2 con los cambios marcados, y una estimación honesta del tiempo ahorrado.
✅ Solución
Evaluá tu entrega contra esto: (1) ¿la tarea era de verdad repetitiva y de bajo juicio? (si requería decisiones importantes, mala candidata); (2) ¿tu v2 incorpora correcciones específicas surgidas de la corrida 1 — no "mejoralo" sino "las tarjetas salieron triviales: pedí aplicación, no definiciones"?; (3) ¿incluís el paso de verificación por muestreo dentro del flujo, con su tiempo contado? Un resultado típico honesto: de 25 minutos a 8 (5 de corrida y ajuste + 3 de verificación). Si el ahorro fue cero, también es un resultado válido: no toda tarea conviene automatizarla, y descubrirlo con datos es exactamente el criterio del capítulo 5.
Para profundizar
- Guía de prompting de Anthropic (docs.anthropic.com) — la documentación oficial de técnicas de prompt para Claude: rol, ejemplos, estructura; aplica casi todo a cualquier modelo.
- OpenAI Cookbook (cookbook.openai.com) — recetario de patrones de uso; orientado a API pero las ideas de prompting se trasladan directo al chat.
- Brown, Roediger & McDaniel, Make It Stick (2014) — el libro de referencia sobre la ciencia del aprendizaje; el capítulo sobre práctica de recuperación explica por qué el "examen de práctica" funciona y el resumen pasivo no.
- Ethan Mollick, Co-Intelligence (2024) — el libro más citado sobre trabajar y estudiar con IA; práctico, escéptico donde hay que serlo, y lleno de casos reales.
- One Useful Thing (oneusefulthing.org) — el boletín de Mollick; experimentos frescos de casos de uso, mes a mes, gratis.
Definiciones nuevas: rol, contexto, tarea, formato, restricciones, iteración, práctica de recuperación, examen de práctica, depuración (debugging), extracción estructurada, interrogación de documentos, verificación por muestreo, prompt reutilizable.