Deja de dar prompts a la IA y empieza a dirigirla

Google News ha destacado un argumento de MIT Sloan Management Review con un desafío directo: deja de tratar los prompts de IA como el centro del trabajo eficaz. El titular, “Deja de dar prompts a la IA. Empieza a dirigirla”, señala un cambio: pasar de redactar instrucciones aisladas a gestionar un sistema de producción continuo.

Esta distinción importa porque la IA empresarial está avanzando más allá del chat. Los modelos ya pueden buscar archivos, utilizar herramientas, escribir código, revisar documentos y continuar el trabajo a lo largo de varios pasos. Un prompt bien elaborado puede iniciar ese proceso, pero no puede definir cada decisión a la que se enfrentará el sistema.

Por tanto, la competencia emergente no es entre humanos e IA. Es entre el prompting puntual y la dirección estructurada. El primer enfoque pide a un modelo una respuesta. El segundo le proporciona un objetivo, contexto relevante, límites operativos, puntos de revisión y una definición medible del éxito.

Por eso el titular de MIT Sloan es más que otra lección sobre cómo redactar prompts. Reformula el papel humano. La habilidad escasa pasa a ser el criterio: decidir qué debe ocurrir, qué pruebas cuentan, dónde debe detenerse la autonomía y si el resultado merece aprobación.

Lo que realmente cambia con el titular de Google News

El cambio importante no es una nueva fórmula de prompt. Es una nueva unidad de trabajo.

La publicación de Google News dirige a los lectores hacia una cuestión de gestión que se oculta tras años de consejos sobre prompts. Si la IA participa en trabajo real, ¿deberían las personas gestionar respuestas individuales o dirigir todo el proceso?

El prompting suele tratar cada interacción como una pequeña transacción. Un usuario plantea una solicitud, el modelo genera algo y el usuario lo acepta o vuelve a intentarlo. El contexto suele desaparecer entre sesiones, mientras que los estándares permanecen enterrados en la memoria de alguien.

Dirigir trata la tarea como un flujo de trabajo gestionado. El usuario define el resultado, proporciona pruebas, identifica restricciones, asigna herramientas y establece puntos de control. El modelo sigue recibiendo prompts, pero estos pasan a formar parte de un diseño operativo más amplio.

Pensemos en una solicitud de análisis de mercado. Un usuario centrado en prompts podría pedir a un asistente de IA que resuma un mercado y recomiende una estrategia. El modelo tendría que inferir la audiencia, la geografía, el horizonte temporal, el umbral de evidencia y el nivel aceptable de incertidumbre.

Un director definiría primero la decisión que debe respaldar el análisis. La IA podría recibir entonces fuentes aprobadas, notas de clientes, investigaciones anteriores y un intervalo de fechas obligatorio. También recibiría instrucciones explícitas para manejar pruebas contradictorias.

El director podría exigir al sistema que separe los hechos verificados de las estimaciones. El flujo de trabajo podría detenerse antes de formular recomendaciones, permitiendo a una persona inspeccionar las pruebas. La aprobación final seguiría en manos de alguien responsable de la decisión empresarial.

Este enfoque cambia la forma en que los equipos evalúan el rendimiento de la IA. Una respuesta fluida ya no basta. Los equipos deben preguntarse si el sistema utilizó la información correcta, siguió el proceso previsto, expuso la incertidumbre y produjo un resultado útil.

La distinción también cambia el diagnóstico de fallos. Cuando una respuesta débil sigue a una solicitud vaga, reescribir el prompt puede ayudar. Sin embargo, los fallos repetidos suelen revelar falta de contexto, responsabilidades poco claras, mala selección de fuentes o la ausencia de un estándar de revisión.

Estos son problemas de gestión y diseño de sistemas. Tratarlos como problemas de redacción lleva a los equipos a un ajuste interminable de prompts. Modifican adjetivos e instrucciones de formato mientras dejan sin definir la tarea subyacente.

La expresión “empieza a dirigir” cuestiona, por tanto, la idea de que la experiencia reside dentro de un bloque de texto perfecto. La dirección se distribuye entre el diseño de tareas, la selección de fuentes, los permisos, la memoria, las herramientas, la evaluación y la intervención humana.

Eso no vuelve irrelevante al prompting. Todo flujo de trabajo dirigido sigue necesitando una comunicación clara. La inversión consiste en que el prompting se convierte en una superficie de control entre varias, en lugar de ser el método completo para obtener trabajo fiable.

Este marco también ofrece a los directivos una forma más realista de hablar sobre la adopción. Los empleados no necesitan convertirse en especialistas literarios que descubren frases mágicas. Deben aprender a delegar trabajo preservando el contexto, los estándares y la responsabilidad.

El mismo principio ya rige a los equipos humanos eficaces. Un directivo no asignaría un proyecto sensible con una sola frase y luego desaparecería. Explicaría el objetivo, compartiría antecedentes, definiría límites, programaría revisiones y examinaría el resultado.

Los sistemas de IA requieren una estructura similar, aunque sus modos de fallo difieren. Pueden generar errores convincentes, seguir instrucciones maliciosas incrustadas o perseguir un objetivo incompleto con una persistencia sorprendente. Por ello, la dirección debe incluir controles técnicos junto con el criterio directivo habitual.

Ese es el cambio práctico detrás del titular de Google News. La conversación está pasando de “¿Qué debería escribir?” a “¿Qué sistema debería gobernar este trabajo?”.

Por qué el prompting puntual está llegando a su límite

Un solo prompt no puede contener de forma fiable el contexto, los controles y los criterios de evaluación que exige un trabajo relevante.

La ingeniería de prompts se popularizó por razones comprensibles. Los primeros productos de IA generativa presentaban un cuadro de texto en blanco, por lo que los usuarios se centraban naturalmente en lo que escribían dentro de él. Pequeños cambios de redacción podían producir respuestas visiblemente diferentes.

Ese modelo sigue funcionando para tareas acotadas y reversibles. Un usuario puede pedir titulares alternativos, un borrador de agenda para una reunión o una primera revisión. El coste de inspeccionar y corregir el resultado sigue siendo bajo.

Los problemas aumentan cuando la tarea abarca múltiples fuentes o acciones. Un modelo que prepara un informe de investigación debe decidir dónde buscar, en qué pruebas confiar y cuándo ha reunido suficiente información. Un modelo que edita software debe inspeccionar archivos, ejecutar pruebas, interpretar fallos y evitar cambios no relacionados.

Ningún prompt inicial puede anticipar cada estado que se encuentre durante ese trabajo. El sistema necesita retroalimentación de las herramientas y la capacidad de ajustar su siguiente acción. También necesita límites que impidan que una interpretación errónea se propague por todo el proceso.

Aquí es donde entra en escena la IA agéntica. Un agente es un sistema basado en modelos que puede seleccionar acciones y utilizar herramientas mientras persigue un objetivo. En lugar de producir una sola respuesta, opera mediante un ciclo repetido de planificación, acción, observación y revisión.

Anthropic establece una distinción útil entre flujos de trabajo y agentes en su guía sobre agentes de IA eficaces. Los flujos de trabajo siguen rutas de código predefinidas, mientras que los agentes eligen dinámicamente partes de su proceso y el uso de herramientas.

Esta distinción evita que “dirigir” se convierta en un eslogan de autonomía máxima. Un flujo de trabajo predecible suele adaptarse mejor a tareas estables. Un agente resulta útil cuando la ruta no puede especificarse por completo de antemano y el sistema debe responder a información cambiante.

Por ello, los equipos deben seleccionar un patrón operativo antes de redactar prompts. Un proceso fijo de extracción podría utilizar un flujo de trabajo con reglas de validación. Una investigación abierta podría utilizar un agente que busque, compare fuentes y solicite aclaraciones.

Esta elección afecta al coste, la velocidad y el riesgo. Una mayor autonomía puede abordar tareas más amplias, pero también puede crear rutas de ejecución más largas y un comportamiento menos predecible. Un director debe decidir si esa compensación sirve a la tarea.

Las limitaciones del prompting aislado también aparecen en el trabajo cotidiano del conocimiento. Los empleados necesitan con frecuencia información distribuida entre correos electrónicos, documentos, reuniones y notas personales. Un modelo sin ese contexto debe adivinar o solicitar explicaciones repetidas.

El contexto persistente cambia la interacción. En lugar de pegar los mismos antecedentes en cada conversación, los trabajadores pueden mantener un cuerpo de información aprobado para que el sistema lo recupere. La calidad de esa información pasa entonces a ser una cuestión de gestión.

Una base de conocimientos personal puede respaldar este enfoque al mantener disponible el material fuente para su recuperación. Sin embargo, el almacenamiento por sí solo no garantiza la precisión. Los usuarios deben decidir qué pertenece al contexto de trabajo y qué debe permanecer excluido.

La evaluación presenta otro límite. Un prompt puede describir el resultado deseado, pero las tareas complejas necesitan pruebas que funcionen fuera de la prosa del modelo. El código debe ejecutarse. Las citas deben resolverse. Los cálculos deben reproducirse. Las afirmaciones deben coincidir con los documentos subyacentes.

Sin esas comprobaciones, al usuario le resulta más fácil evaluar el estilo que el contenido. Una respuesta segura puede parecer completa antes de que alguien pruebe su fundamento factual. Dirigir desplaza la atención de la presentación a la verificación.

Microsoft Research encontró beneficios medibles de la IA en el lugar de trabajo, pero los resultados también muestran por qué importa el diseño de la implementación. Un experimento de campo aleatorizado de seis meses involucró a 6.000 trabajadores, y la mitad recibió una herramienta de IA generativa integrada en el correo electrónico, los documentos y las reuniones.

Los trabajadores que utilizaron la herramienta dedicaron tres horas menos al correo electrónico cada semana y parecían completar documentos moderadamente más rápido. Sin embargo, el tiempo de reunión no cambió de forma significativa, según el estudio sobre patrones de trabajo.

Ese patrón sugiere que la IA puede mejorar actividades que las personas controlan más directamente que el trabajo que requiere una coordinación más amplia. Un mejor generador de respuestas no rediseña automáticamente las aprobaciones, las reuniones, las dependencias de equipo ni los derechos de decisión.

La dirección aborda esa brecha. Los directivos deben decidir cómo circula el trabajo generado por IA dentro de la organización. Deben especificar quién lo revisa, dónde entra en los sistemas existentes y si los colegas pueden rastrear sus pruebas.

Un prompt puede solicitar un resumen. No puede, por sí solo, establecer quién es responsable de la decisión resultante. No puede determinar si un equipo debe conservar el material fuente o revelar la participación de la IA.

Esas decisiones circundantes determinan si la IA se convierte en un componente útil o en otra capa de resultados sin seguimiento. El prompting puntual alcanza su límite precisamente donde empieza el trabajo organizativo.

La nueva habilidad es dirigir la IA, no rendir con prompts

La dirección eficaz de la IA combina delegación, gestión del contexto, verificación e intervención oportuna.

Dirigir comienza con un objetivo más claro. “Analiza estas entrevistas con clientes” sigue siendo demasiado abierto porque no identifica la decisión. Un objetivo útil podría pedir al sistema que identifique obstáculos de incorporación que deberían influir en la próxima versión del producto.

El objetivo debe ir acompañado de criterios de finalización. El sistema podría tener que identificar temas recurrentes, preservar comentarios contradictorios, citar las entrevistas subyacentes y distinguir las observaciones de las acciones propuestas.

Este enfoque convierte la calidad en algo observable. Los revisores pueden determinar si la IA cumplió la tarea en lugar de debatir si el resultado simplemente suena perspicaz.

El contexto viene después. Los equipos deben proporcionar el conjunto de pruebas relevante más pequeño posible, en lugar de volcar todos los documentos disponibles en un modelo. Las grandes colecciones pueden contener políticas obsoletas, notas duplicadas, conversaciones no relacionadas y terminología contradictoria.

La ingeniería de contexto consiste en seleccionar y organizar la información disponible para un modelo durante una tarea. El objetivo no es alcanzar el máximo volumen, sino proporcionar información fiable suficiente para que el modelo tome correctamente la siguiente decisión.

Las personas siguen siendo responsables de los límites de ese contexto. La información sensible puede requerir exclusión o un procesamiento restringido. Los documentos antiguos pueden necesitar etiquetas, mientras que las afirmaciones inciertas deben seguir siendo visiblemente inciertas.

Un director también divide el trabajo en etapas. La investigación, la síntesis, la recomendación y la publicación no deberían condensarse en una sola acción opaca. Cada etapa genera un artefacto que una persona o una comprobación automatizada puede inspeccionar.

Por ejemplo, un flujo de trabajo dirigido para un artículo podría comenzar recopilando fuentes. Una segunda etapa podría extraer afirmaciones y adjuntar evidencias. Una tercera podría eliminar duplicados, mientras que una cuarta redactaría únicamente a partir del material verificado.

La etapa de publicación permanecería bloqueada hasta que las comprobaciones de citas y la revisión editorial tuvieran éxito. Cada punto de control contiene los errores antes de que se hagan públicos.

Los permisos de las herramientas aportan otra capa de dirección. Leer un calendario implica un riesgo inmediato menor que enviar invitaciones. Redactar un correo electrónico no es lo mismo que enviarlo. Consultar una base de datos no es lo mismo que modificar registros.

Anthropic describe opciones de permisos que incluyen permitir siempre una acción, exigir aprobación o bloquearla. Su análisis de los agentes fiables también explica por qué revisar un plan global puede ser más significativo que aprobar decenas de acciones individuales.

Las solicitudes repetidas de aprobación para acciones de bajo nivel crean su propio peligro. Los usuarios pueden fatigarse y aprobar acciones sin examinarlas. La dirección debería centrar la atención humana en las decisiones donde el criterio cambia el resultado.

Eso significa que los humanos no necesitan inspeccionar cada token o llamada a una herramienta. Deberían revisar la estrategia, las acciones irreversibles, la evidencia incierta y el resultado final. Los pasos intermedios de bajo riesgo pueden avanzar dentro de límites definidos.

El nivel de control necesario depende de las consecuencias. Un asistente para generar ideas puede operar con amplia libertad porque rechazar sus resultados es fácil. Un sistema que maneja registros de clientes, material legal o decisiones financieras necesita permisos más restringidos y evidencias más sólidas.

Los directores también deben saber cuándo interrumpir. Un modelo que revisa repetidamente el artefacto equivocado no necesita un mensaje de seguimiento más ingenioso. Necesita que se corrijan el objetivo, el contexto o el flujo de trabajo.

Las señales útiles de intervención incluyen conclusiones sin respaldo, conflictos entre fuentes sin explicación, fallos de herramientas y cambios fuera del alcance declarado. Los equipos pueden codificar algunas señales como comprobaciones automatizadas, reservando los casos ambiguos para la revisión humana.

La memoria añade otra decisión de gestión. Las instrucciones persistentes pueden reducir la repetición de indicaciones, pero también pueden conservar supuestos erróneos. Los equipos necesitan una forma de inspeccionar, actualizar y retirar las instrucciones que moldean el trabajo futuro.

Aquí es donde un segundo cerebro de IA se vuelve relevante para la dirección. Su valor no reside solo en recordar información, sino en proporcionar a los usuarios un contexto revisable para futuras asignaciones.

La dirección también exige claridad de roles. La IA puede investigar y redactar, mientras una persona valida la evidencia y asume la responsabilidad. Otra persona podría aprobar la publicación o autorizar una acción externa.

Estos roles no deberían difuminarse simplemente porque la salida del modelo parezca pulida. Un sistema puede producir lenguaje ejecutivo sin poseer autoridad ejecutiva. La fluidez no concede responsabilidad.

Los equipos deberían documentar estas decisiones operativas en instrucciones reutilizables, plantillas y reglas de evaluación. Eso hace que el buen desempeño dependa menos de que un empleado recuerde la frase adecuada.

También hace que la mejora sea medible. Si un resultado falla, el equipo puede localizar el problema en la recopilación de fuentes, la definición de la tarea, la ejecución, la revisión o la aprobación. La redacción del prompt sigue siendo una posible causa, pero deja de ser la explicación predeterminada.

Por tanto, dirigir la IA se parece más a la edición, la gestión de producto y las operaciones que a descubrir comandos secretos. Exige que las personas traduzcan la intención en un proceso controlado y reconozcan cuándo la realidad se aleja del plan.

Esa responsabilidad se vuelve más importante a medida que los sistemas realizan asignaciones más largas. Cuanto menos frecuente sea la intervención humana, más cuidadosamente deberán diseñarse de antemano el objetivo y los límites.

La dirección no elimina el problema de fiabilidad de la IA

La dirección humana mejora el control, pero no vuelve fiables por decreto a modelos inciertos.

La metáfora de la gestión tiene una simplicidad atractiva. Asigne a la IA una misión clara, inspeccione su plan y evalúe el resultado. Sin embargo, los sistemas de IA no son empleados, y tratarlos como personas puede ocultar diferencias técnicas importantes.

Un modelo no posee un criterio estable simplemente porque un usuario le asigne un rol. Predice y selecciona resultados a partir de patrones aprendidos, el contexto actual, las reglas del sistema y la retroalimentación de las herramientas. Su comportamiento puede cambiar cuando cambia cualquiera de esas entradas.

El sistema también puede generar afirmaciones falsas con una redacción segura. En un flujo de trabajo agéntico, un supuesto falso puede afectar búsquedas, cálculos, cambios de código o recomendaciones posteriores. Una ejecución más larga crea más oportunidades para que los errores se acumulen.

El perfil de IA generativa de NIST identifica la confabulación, la seguridad de la información, la privacidad, el sesgo perjudicial y la configuración humano-IA entre las preocupaciones que las organizaciones deberían gestionar.

NIST recomienda políticas que definan roles y responsabilidades para la supervisión humana. También pide pruebas y evaluaciones proporcionales a los riesgos identificados. Estas salvaguardas deben rodear el flujo de trabajo, no estar dentro de un prompt final optimista.

La inyección de prompts presenta otro desafío. Instrucciones maliciosas o irrelevantes pueden aparecer dentro de sitios web, correos electrónicos o documentos que lee un agente. Si el sistema trata ese contenido como autoritativo, podría divulgar información o realizar una acción no prevista.

Por ello, un director debe separar las instrucciones operativas de confianza del material fuente no confiable. Las herramientas deberían imponer permisos independientemente de lo que lea el modelo. Las acciones sensibles deberían requerir aprobación explícita o permanecer no disponibles.

La dirección también puede fallar debido al sesgo de automatización, la tendencia a aceptar con demasiada facilidad las salidas informáticas. Mejores interfaces pueden facilitar la supervisión del trabajo de IA, pero los planes y las citas pulidos aún pueden generar una falsa confianza.

Una encuesta de Microsoft Research a 319 trabajadores del conocimiento recopiló 936 ejemplos de uso de IA generativa. Una mayor confianza en la IA se asoció con menos pensamiento crítico, mientras que una mayor confianza en la propia experiencia se asoció con más pensamiento crítico.

El estudio sobre pensamiento crítico concluyó que la IA desplazó el trabajo crítico hacia la verificación, la integración y la supervisión de tareas. Ese hallazgo respalda el modelo de dirección, al tiempo que expone su debilidad central.

Las personas deben conservar suficiente conocimiento del dominio para reconocer un mal resultado. Si las organizaciones automatizan el trabajo de nivel inicial sin preservar oportunidades de aprendizaje, pueden reducir la futura disponibilidad de revisores con experiencia.

El riesgo resulta especialmente visible cuando la IA produce primeros borradores plausibles. Los empleados junior pueden completar asignaciones más rápido, pero podrían involucrarse menos profundamente con la evidencia. Los revisores sénior heredan entonces más trabajo de comprobación en un volumen mayor de resultados.

Las métricas de productividad pueden pasar por alto esa transferencia. Un equipo puede contar documentos completados e ignorar el tiempo de revisión, la corrección de errores o la confusión posterior. La dirección debe incluir métricas del rendimiento total del proceso, no solo de la velocidad de generación.

Las organizaciones deberían hacer seguimiento de las tasas de aceptación, las tasas de corrección, las afirmaciones sin respaldo, los incidentes de seguridad y el esfuerzo de los revisores. También deberían comparar los resultados con una referencia sin IA cuando sea práctico.

La medida adecuada depende de la tarea. Los equipos de software pueden usar pruebas, defectos y hallazgos de revisión. Los equipos de investigación pueden medir la precisión de las citas y la cobertura de las afirmaciones. Las operaciones de atención al cliente pueden seguir la calidad de resolución y las tasas de escalamiento.

Otra incertidumbre se refiere a la autonomía. Los usuarios más experimentados pueden permitir que los agentes operen durante más tiempo porque comprenden las herramientas. También pueden sentirse lo bastante cómodos como para aprobar comportamientos riesgosos con demasiada rapidez.

El análisis de Anthropic de 2026 sobre la autonomía de los agentes concluyó que los usuarios experimentados de Claude Code activaban con más frecuencia la aprobación automática total, pero también interrumpían el sistema con mayor frecuencia. Esa combinación se parece a una supervisión activa más que a una confianza total.

La misma investigación informó de que la ingeniería de software representaba casi la mitad de la actividad agéntica observada. La mayoría de las acciones registradas eran de bajo riesgo y reversibles, mientras que los usos de mayor impacto seguían siendo una categoría emergente.

Estos hallazgos deberían moderar las afirmaciones amplias sobre compañeros de trabajo digitales autónomos. La evidencia más sólida sigue proviniendo de tareas con artefactos inspeccionables, cambios reversibles y métodos de evaluación claros.

Los líderes empresariales deberían evitar trasladar directamente el éxito en programación o redacción de documentos a la confianza en decisiones de contratación, médicas, legales o crediticias. Consecuencias distintas requieren estructuras de control distintas.

La dirección también introduce costes adicionales. Diseñar contexto, permisos, pruebas y puntos de control requiere tiempo. Para una asignación pequeña y reversible, ese esfuerzo puede superar el valor de la automatización.

El principio sensato es el control proporcional. Use prompts simples cuando la tarea sea de bajo riesgo y fácil de comprobar. Use flujos de trabajo predefinidos cuando la consistencia sea importante. Reserve una mayor autonomía para asignaciones en las que el razonamiento flexible justifique la incertidumbre adicional.

Por tanto, el enfoque de MIT Sloan debería interpretarse como un cambio de responsabilidad, no como una garantía de fiabilidad. Dirigir la IA exige que los humanos construyan sistemas más sólidos alrededor de modelos imperfectos. No elimina las imperfecciones de los modelos.

Qué deberían vigilar a continuación los directivos y los trabajadores del conocimiento

La tesis de la dirección solo tendrá éxito si las organizaciones pueden demostrar mejores resultados sin ocultar más riesgo ni trabajo de revisión.

La primera señal que se debe vigilar es el paso de las interfaces de IA desde los cuadros de chat hacia espacios de trabajo persistentes. Los productos mantienen cada vez más archivos, instrucciones, historial de proyectos y conexiones con herramientas entre sesiones.

Ese cambio refuerza el argumento a favor de la dirección porque los usuarios pueden dar forma a un entorno operativo en lugar de reconstruir el contexto repetidamente. La cuestión importante es si esos entornos siguen siendo transparentes y editables.

Los trabajadores deberían poder ver qué instrucciones influyeron en un resultado. Deberían saber a qué fuentes accedió el sistema, qué herramientas utilizó y qué supuestos persistieron de sesiones anteriores.

Si los productos exponen esa información con claridad, la dirección se vuelve más fácil de auditar. Si el contexto permanece oculto, la memoria persistente puede convertir errores antiguos en valores predeterminados invisibles.

La segunda señal es la evidencia procedente de flujos de trabajo desplegados, en lugar de demostraciones. Los proveedores pueden mostrar a un agente completando una tarea impresionante en condiciones cuidadosamente seleccionadas. Las empresas necesitan resultados en el trabajo ordinario, con usuarios diversos y datos imperfectos.

Preste atención a estudios controlados que informen del tiempo total de la tarea, la calidad de la salida, la carga de revisión y las tasas de error. Las cifras de productividad sin medidas de calidad ofrecen una imagen incompleta.

El experimento laboral de Microsoft ofrece un modelo útil porque comparó comportamientos durante seis meses y separó las actividades individuales del trabajo con alta carga de coordinación. Las futuras investigaciones deberían examinar si la IA dirigida cambia las decisiones, las aprobaciones y los procesos de equipo.

La evidencia también debería distinguir entre flujos de trabajo y agentes. Una empresa puede describir cualquier función automatizada de IA como agéntica, incluso cuando sigue una secuencia fija. Los compradores necesitan saber dónde el modelo elige acciones y dónde el software impone la ruta.

Esa arquitectura afecta a la previsibilidad. Un flujo de trabajo fijo puede ofrecer consistencia, mientras que un agente dinámico puede adaptarse cuando surgen condiciones inesperadas. Ninguno de los dos enfoques es universalmente superior.

La tercera señal es si la supervisión pasa de una aprobación repetitiva a un control basado en riesgos. Pedir a un usuario que apruebe cada pequeña acción genera fricción sin garantizar atención. Otorgar acceso sin restricciones crea el problema opuesto.

Los mejores sistemas clasificarán las acciones según sus consecuencias y reversibilidad. Leer una carpeta aprobada podría realizarse automáticamente, mientras que modificar el registro de un cliente requiere revisión. La publicación externa debe seguir siendo distinta de la redacción interna.

Las organizaciones deberían comprobar si estos controles funcionan bajo presión. Los empleados pueden eludir sistemas de revisión lentos cuando se acercan los plazos. Los directivos también pueden ampliar permisos tras los primeros éxitos sin actualizar la monitorización.

Los próximos uno a tres meses deberían mostrar cómo los proveedores empaquetan la revisión de planes, el contexto persistente, las capas de permisos y los registros posteriores a la ejecución. Los anuncios de productos importarán menos que la claridad de esos controles.

Los trabajadores del conocimiento deberían realizar ahora un experimento más pequeño. Elijan una tarea recurrente que tenga entradas claras, un resultado revisable y pocas consecuencias si el primer intento falla.

Definan el resultado antes de redactar el prompt. Identifiquen las fuentes aprobadas, los criterios de finalización y las acciones que la IA no puede realizar. Decidan dónde una persona debe revisar el trabajo y qué evidencia necesita el revisor.

Después, comparen el proceso con el prompting habitual. Cuenten las revisiones, las afirmaciones sin respaldo, el tiempo de revisión y el resultado utilizable. El objetivo no es demostrar que la IA funciona. Es descubrir qué diseño operativo produce resultados responsables.

Google News puede haber introducido la idea mediante un contundente titular de MIT Sloan, pero la pregunta duradera corresponde a todos los usuarios de IA. ¿Están pidiendo repetidamente respuestas a un modelo o están construyendo un proceso que preserve su criterio?

Elijan un flujo de trabajo real, definan sus límites y pongan a prueba esa diferencia. Si dirigir reduce el retrabajo y mantiene visibles los errores, el titular habrá identificado un cambio duradero en la gestión.