Últimamente me interesa mucho ver cómo distinta gente está estructurando la forma en que trabaja con AI. No tanto qué herramienta usan, sino cómo organizan el proceso alrededor de ella. Qué hacen primero cuando una tarea es compleja. Cómo dividen el problema. Cómo verifican lo que produce el modelo. Cómo incorporan los errores para mejorar.
La semana pasada vi un ejemplo interesante que compartió el director de Claude Code, donde explicaba su workflow. Lo que me llamó la atención fue que no hablaba de prompts "mágicos" ni de trucos para sacarle más jugo al modelo. Hablaba de algo mucho más parecido a un sistema de trabajo real.
Planificá antes de hacer cualquier cosa
La idea arranca antes de escribir una sola línea de código o de prompt. Cuando el problema es complejo, el primer paso es planificar: entender de verdad qué estás tratando de resolver y de qué partes se compone. Suena obvio, pero no lo es. La tentación de abrir el chat y empezar a preguntar es enorme (y suele ser lo primero que hacemos). Y esa planificación inicial es justamente lo que evita que el modelo genere soluciones sin un framework claro.
Dividilo en partes chicas
Después viene algo que me pareció interesante: dividir el trabajo en piezas más chicas y asignárselas a sub-agentes. En lugar de pedirle a un solo modelo que resuelva todo de una vez, creás unidades pequeñas que trabajan en subtareas específicas. Cada una produce una parte del resultado final, y eso hace que el proceso sea mucho más manejable y más fácil de revisar.
Verificá todo
Una vez que esas piezas producen resultados, entra otra fase que me parece clave: la verificación. No asumís que lo que generó el modelo está correcto. Lo revisás, lo cruzás con otras fuentes, lo volvés a correr si hace falta. Es un proceso que se parece más a revisar el trabajo de alguien de tu equipo que a "usar una herramienta".
Aprendé de lo que no funciona
Y por último, algo que me gustó mucho: un sistema de mejora continua basado en los errores. Cada falla o resultado inesperado se convierte en información para ajustar el proceso. Con el tiempo, el workflow mejora porque sigue aprendiendo de lo que no funcionó antes.
Leyéndolo, me quedé con una sensación que vengo masticando hace un tiempo: trabajar bien con AI se parece cada vez menos a "hacerle preguntas a un modelo" y cada vez más a diseñar un sistema de trabajo a su alrededor.
Un ejemplo concreto
Supongamos que quiero entender el mercado de herramientas de reservas para restaurantes. En lugar de abrir ChatGPT y preguntar "¿cuáles son las mejores herramientas?", el approach se vería más o menos así.
Primero, la planificación. Antes de preguntarle nada al modelo, defino qué necesito entender: qué empresas existen, cuál es su modelo de negocio, cuánto cobran, qué problemas están tratando de resolver. Ese framework inicial evita que la investigación sea caótica.
Después, la división. En lugar de pedirle todo a un solo modelo, dividí el trabajo en tareas más específicas. Un agente puede investigar competidores. Otro puede analizar precios. Otro puede revisar el feedback de usuarios. Cada uno produce una pieza más chica del análisis general.
Después viene la verificación. Los resultados que generan los modelos no se dan por buenos automáticamente. Se revisan, se comparan entre sí, se cruzan con fuentes externas si hace falta.
Y por último, el aprendizaje. Si el modelo se equivoca, si la información no sirve, o si falta algo importante, ese feedback se usa para ajustar el proceso. Con el tiempo, sabés qué pedir, cómo dividir el trabajo y cómo validar lo que vuelve.
| Paso | Cómo se ve |
|---|---|
| 1. Planificar | Definir el problema y sus partes antes de abrir el chat |
| 2. Dividir | Dividir el trabajo en sub-tareas específicas para agentes separados |
| 3. Verificar | Revisar, cruzar y volver a correr — nunca asumir que el output está correcto |
| 4. Aprender | Usar los errores como feedback para que la próxima ronda sea mejor que la anterior |
No se trata de hacer mejores preguntas. Se trata de diseñar mejores procesos.
Lo que más me interesa de todo esto es que cambia la forma en que pensás el trabajo con AI. Y ahí es donde creo que está la conversación más valiosa: ver cómo distinta gente está empezando a estructurar su trabajo alrededor de estas herramientas, no solo a usarlas.