La economía oculta del prompt
La literatura sobre productividad en IA se ha centrado en la velocidad de ejecución. Apenas existen estudios que midan lo que ocurre antes de que empiece la tarea.
En 2023, el McKinsey Global Institute estimó que las herramientas de IA generativa podían añadir entre 2,6 y 4,4 billones de dólares anuales a la economía global. La cifra se cita con frecuencia; la condición implícita, mucho menos: que esa productividad depende de que los equipos sepan qué pedirle al sistema. El prompt no es una formalidad técnica. Es la transferencia del pensamiento humano a la máquina — y cuando ese pensamiento no existe todavía, la transferencia no puede completarse.
El ciclo de iteración como coste invisible
Toda organización que trabaja con IA generativa ha desarrollado, sin nombrarlo, un proceso informal de ensayo y error: se formula un prompt, el output no satisface, se reformula, se itera. Lo que ese ciclo rara vez contabiliza son sus costes reales. No únicamente el tiempo de quien itera, sino la carga cognitiva acumulada, la degradación progresiva del criterio bajo la presión de encontrar algo usable — y, con frecuencia, la aceptación de un resultado mediocre por agotamiento, no por convicción.
Los datos que recoge el siguiente gráfico no son sorprendentes en su dirección — todos intuyen que un prompt más preciso requiere menos vueltas —, sino en su magnitud: la brecha entre un prompt vago y uno específico no es un ajuste marginal. Es una diferencia de escala que, multiplicada por el número de tareas de un equipo en un año, deja de ser un problema individual para convertirse en una variable de gestión.
Lo que el output mediocre le hace a las métricas que importan
Cuando el resultado de la IA se publica sin que nadie haya ejercido criterio editorial suficiente, las consecuencias rara vez son inmediatas. Son acumulativas. La investigación del Nielsen Norman Group sobre comportamiento en entornos digitales ha documentado que la coherencia percibida de una marca — su capacidad de mantener una voz y un punto de vista reconocibles a lo largo del tiempo — es uno de los factores más determinantes en la atención sostenida del lector y en la confianza. Un output genérico no destruye una marca; la diluye.
El segundo gráfico pone cifras a esta intuición. La diferencia entre el rendimiento del contenido generado con un prompt genérico y uno específico no es marginal en ninguna de las métricas consideradas. Y esa diferencia no puede atribuirse únicamente a la calidad del modelo: refleja, sobre todo, la calidad del encargo que el humano formuló.
El coste que la industria ha preferido no medir
En 2019, Emma Strubell y sus colegas de la Universidad de Massachusetts Amherst publicaron en ACL un estudio que cuantificó por primera vez el consumo energético de los grandes modelos de procesamiento del lenguaje. Sus hallazgos — que entrenar un modelo en las dimensiones de BERT podía equivaler en emisiones a más de 600 kg de CO₂ — generaron debate, pero también una tendencia a relegar la cuestión energética al ámbito del entrenamiento. La inferencia, el acto cotidiano de hacer una consulta, parecía negligible.
La investigación posterior ha matizado esa impresión. Luccioni et al. (2023) demostraron que, a escala de uso real, la inferencia acumula un impacto significativo: pequeño por llamada, pero multiplicado por millones de consultas diarias. Para un equipo de diez personas que itera nueve veces donde dos hubieran bastado, el desperdicio no es abstracto: equivale — según las estimaciones del tercer gráfico — al CO₂ de cientos de kilómetros en coche al año.
1.- Quién: el receptor exacto, no el segmento
Un brief bien construido no habla de ‘millennials interesados en sostenibilidad’. Identifica a una persona concreta: qué sabe ya, qué objeción sostiene, qué está leyendo esta semana. Sin ese nivel de especificidad, la IA produce el denominador común de Internet — que es, exactamente, lo que producen también todos los competidores.
2.- Qué: la tesis, no el tema
Hay una diferencia entre pedir ‘un artículo sobre liderazgo en tiempos de incertidumbre’ y pedir ‘un texto que argumente que la claridad comunicativa es la única forma de liderazgo que funciona cuando los datos son ambiguos’. El primero produce contenido. El segundo produce un punto de vista
3.- Cómo: los límites que liberan
Las restricciones editoriales — tono, extensión, lo que explícitamente no debe aparecer, las referencias de voz — no limitan la IA: la orientan. Un modelo sin instrucciones de restricción converge hacia lo seguro, lo equilibrado, lo que no ofende ni convence. Las restricciones son la forma de pedirle que tome partido.
Tres preguntas antes de abrir cualquier herramienta
La solución no requiere herramientas más sofisticadas ni modelos más potentes. Requiere, antes de abrir ninguna interfaz, dedicar tiempo a responder por escrito: ¿para quién es esto exactamente, y qué sabe ya esa persona? ¿Qué posición sostenemos, más allá de «dar información»? ¿Cuál es el único cambio que queremos producir en quien lo lea?
No son preguntas nuevas. Son las mismas que cualquier redactor, estratega o diseñador debería responder antes de iniciar cualquier trabajo. La novedad de la IA generativa no es hacer obsoleto ese proceso previo: es hacer visible, con una claridad que antes no existía, cuándo ese proceso no ha tenido lugar. El prompt no es el comienzo del proceso creativo. Es su resultado.
PARA ESTA SEMANA...
¿Cuántas iteraciones hiciste en tu última tarea con IA?
¿Quieres aplicar estas ideas a tu negocio?
Cuéntame qué estás haciendo y qué te gustaría mejorar. Podemos hablarlo en una llamada gratuita de 30 minutos o, si lo prefieres, puedes escribirme.
REFERENCIAS
International Energy Agency (IEA). (2023). CO₂ Emissions in 2022. Paris: IEA Publications.
Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2023). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. Journal of Machine Learning Research, 24(253), 1–15.
McKinsey Global Institute. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey & Company.
Nielsen Norman Group. (2022–2024). Research on content quality, readability, and digital trust. nngroup.com.
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019), 3645–3650.
Comentarios