La mayoría de los usuarios nuevos de IA cometen el mismo error: envían un prompt, reciben una respuesta que no es exactamente lo que querían, y o bien la aceptan tal cual o bien empiezan de cero con un prompt completamente diferente. Los dos caminos son subóptimos.

Los modelos de lenguaje están diseñados para la conversación. El historial de la sesión es contexto: el modelo puede usarlo para refinar, corregir, expandir o redirigir su output anterior. Saber iterar eficazmente es lo que separa a quien usa la IA como herramienta de quien la usa como generador automático de texto mediocre.

El error de una sola oportunidad

En la escritura tradicional, o cuando trabajas con un colaborador humano, asumes que necesitarás varias rondas de revisión. Nadie espera que el primer borrador sea el final. Pero con la IA, muchos usuarios asumen inconscientemente que la primera respuesta es el resultado, y que si no es buena, el problema está en la herramienta.

No es así. La primera respuesta es el primer borrador. Es el punto de partida para una conversación, no el resultado de una consulta.

Tipos de iteración

Hay distintos tipos de refinamiento, cada uno con una instrucción diferente:

Corrección de errores o imprecisiones. “El tercer punto no es correcto: el IRPF en España tiene tramos progresivos, no una tasa fija. Corrígelo manteniendo el resto.”

El modelo puede corregir partes específicas sin reescribir todo. Señala exactamente qué está mal y qué debe quedar igual.

Ajuste de tono o estilo. “El texto es demasiado formal para la audiencia. Reescríbelo en un tono más conversacional, como si se lo explicaras a un amigo, manteniendo todos los puntos de contenido.”

Expansión de una sección. “El punto sobre la gestión del riesgo es demasiado breve. Desarrolla ese punto con dos o tres ejemplos concretos.”

Reducción y síntesis. “Esto es demasiado largo para el contexto. Reduce a la mitad, manteniendo solo los tres puntos más importantes.”

Cambio de perspectiva. “Ahora reescribe el mismo análisis desde la perspectiva del cliente, no del proveedor.”

Generación de alternativas. “Dame tres versiones diferentes del párrafo introductorio: una más directa y orientada a datos, una más narrativa, y una intermedia.”

Cómo pedir correcciones eficazmente

Las correcciones vagas producen mejoras vagas. “Mejora esto” no dice nada. “Haz el segundo párrafo más concreto” es mejor. “En el segundo párrafo, reemplaza las afirmaciones generales por datos específicos: incluye al menos una estadística y un ejemplo de empresa real” es lo mejor.

Principios para pedir correcciones eficazmente:

  • Referencia exacta. “El segundo párrafo”, “el punto 3”, “la frase que empieza con…”. No asumas que el modelo sabe a qué parte te refieres.

  • Describe el problema, no solo la solución. “Este párrafo asume que el lector ya conoce el concepto de ROI, pero nuestra audiencia no tiene formación financiera” es más útil que “simplifica el párrafo”.

  • Indica qué debe quedar igual. Si parte del output es buena, dilo. “Mantén el tono y la estructura, solo cambia el ejemplo del punto 2.”

  • Pide solo una corrección a la vez para cambios complejos. Si pides cinco cambios simultáneos, el modelo puede perder alguno o equilibrarlos de formas inesperadas.

Cuándo empezar de cero

Iterar no siempre es la mejor opción. A veces conviene empezar de cero con un prompt mejor:

  • Cuando la dirección general está equivocada. Si el modelo interpretó mal el objetivo y produjo algo en la dirección incorrecta, seguir iterando sobre esa respuesta puede llevarte más lejos de donde quieres. Un prompt mejor desde el principio es más eficiente.

  • Cuando el contexto es muy diferente. Si cambias fundamentalmente el destinatario, el objetivo o la premisa, el modelo llevará el peso del contexto anterior en su respuesta. A veces una página en blanco es más limpia.

  • Cuando el historial de correcciones es largo y confuso. Después de muchas iteraciones en múltiples direcciones, el modelo puede perder el hilo de cuál versión debe primar. Un resumen claro de todo lo aprendido en un nuevo prompt a veces produce mejor resultado que continuar la cadena.

El flujo de trabajo iterativo

Para tareas de alta calidad —textos importantes, análisis complejos, outputs que necesitan ser muy precisos— un flujo de trabajo iterativo típico tiene tres fases:

Fase 1: Borrador exploratorio. Prompt amplio que produce el primer borrador. El objetivo no es la perfección, sino tener material para trabajar. Lee críticamente y anota qué está bien y qué necesita ajuste.

Fase 2: Refinamiento dirigido. Rondas de corrección específicas, una dimensión a la vez. Tono, estructura, contenido, formato. Cada iteración mejora una cosa sin deshacer las anteriores.

Fase 3: Pulido final. Una última pasada con instrucciones de formato y longitud exactos. “El output final debe tener exactamente tres párrafos de máximo cinco frases cada uno. Revisa la coherencia y elimina cualquier repetición.”

Este proceso no es lento: suele tomar menos tiempo que empezar de cero repetidamente, y el resultado final es significativamente mejor que lo que produce el primer prompt.

La IA es más útil cuando se trata como un colaborador al que puedes dar feedback, no como una máquina que o entrega el producto correcto o no sirve.