Trash in, trash out: la calidad de la respuesta depende de la primera indicación
Las instrucciones imprecisas producen resultados imprecisos. No es culpa del modelo, sino de la entrada. El factor más subestimado en la productividad de la IA no es el modelo, sino la calidad de la pregunta. Qué cambia cuando la primera instrucción está bien redactada.
por Redazione AI Arena
Hay un principio antiguo en la ingeniería de software, tan antiguo que muchos programadores lo conocen por sus siglas: «garbage in, garbage out». Si la entrada es basura, la salida será basura. Era cierto para los mainframes de los años sesenta, es cierto para la hoja de cálculo que abres cada mañana y es cierto para los modelos de IA actuales. Solo que con la IA el principio se llama «trash in, trash out» (de muchas perspectivas, a una decisión, la tuya): para llegar a una decisión informada, el punto de partida importa tanto como el sistema que la procesa.
El principio fundamental
Un modelo generativo de IA produce respuestas basándose en una distribución estadística de completamientos plausibles. Cuando la indicación es clara, el modelo restringe la distribución a las completaciones pertinentes, y la respuesta que sale es útil. Cuando la indicación es vaga, la distribución sigue siendo amplia, y el modelo elige una completación genérica que parece una respuesta pero no resuelve tu pregunta.
Esto no es un defecto del modelo. Es una consecuencia directa de su funcionamiento. Un modelo generativo trabaja con lo que recibe. Si lo que recibe es impreciso, trabaja bien con algo impreciso. El resultado es una respuesta que parece autoritaria y bien formulada, pero que en realidad no se corresponde con tu pregunta porque tu pregunta no era realmente la que estaba escrita en la indicación.
La consecuencia práctica es contraintuitiva. La palanca más subestimada en la productividad con la IA no es «encontrar el mejor modelo». Es «redactar mejor el prompt inicial». Un modelo mediocre con un prompt excelente supera a un modelo excelente con un prompt mediocre en la gran mayoría de los casos de uso reales.
Las tres patologías
Tres patologías recurrentes explican por sí solas casi todo el problema de los prompts que no funcionan.
La primera es el prompt vago. «Ayúdame con el marketing». «Dame un consejo sobre esta decisión». «¿Qué debería hacer?». El modelo no tiene contexto, no tiene restricciones, no tiene una tarea definida. Tiene que rellenar los huecos inventando hipótesis sobre lo que pretendes. Sus hipótesis no son las tuyas. La respuesta sale genérica por definición, porque la pregunta nunca tenía suficiente estructura para generar una respuesta específica.
La segunda es la indicación ambigua. «Escríbeme algo breve pero completo sobre el tema X, en un tono profesional pero también un poco creativo, para un público generalista pero con experiencia». Cada cláusula contradice a la otra. El modelo debe elegir una única interpretación entre muchas posibles, y cualquier elección traicionará al menos la mitad de tus instrucciones. La respuesta no es incorrecta: es una de las posibles respuestas compatibles con las instrucciones, pero probablemente no la que tenías en mente.
La tercera es la solicitud sobrecargada. Una petición enorme que mezcla diez cosas a la vez, con páginas de contexto, restricciones dispersas y formatos mixtos. El modelo, incluso cuando tiene la capacidad técnica para gestionar una entrada larga, tiende a dispersar la atención. Las partes finales de la indicación reciben menos peso. Las instrucciones del medio se pierden. El resultado es una respuesta que lo abarca todo en superficie y nada en profundidad.
Estas tres patologías explican la gran mayoría de los «la IA no me ha dado lo que quería» que se cuentan en las reuniones. El problema, casi siempre, no era la respuesta. Era la pregunta.
La anatomía de una indicación que funciona
Una indicación bien construida no es una obra maestra de la escritura. Es un conjunto preciso de información mínima. Seis elementos, que hay que tener en cuenta como una lista de verificación.
El primer elemento es el rol de destino. ¿Quién debe responder? ¿Un analista? ¿Un consultor? ¿Un creativo? Especificar el rol no es una formalidad: cambia la forma en que el modelo lee la pregunta. La misma pregunta dirigida a «un analista financiero» o a «un estratega de marca» produce respuestas estructuralmente diferentes, porque los dos roles traen consigo contextos predeterminados distintos.
El segundo elemento es el contexto de uso. ¿Para quién es la respuesta? ¿En qué situación se lee? ¿Es un memorándum interno o una presentación externa? ¿Es una decisión personal o un tema que se va a llevar a un comité? El contexto de uso determina el registro, la profundidad y el tipo de pruebas que se necesitan.
El tercer elemento es la tarea específica. ¿Qué debe producir exactamente el modelo? «Escribir», «analizar», «enumerar», «evaluar», «criticar». Verbos diferentes activan comportamientos diferentes. «Escribir un memorándum» no es lo mismo que «analizar un problema». Ser preciso con el verbo inicial es una de las palancas más eficaces.
El cuarto elemento son las restricciones explícitas. Tiempo, extensión, tono, cosas que incluir, cosas que evitar. Las restricciones parecen limitantes, y en la escritura humana a menudo lo son. Para un modelo de IA son todo lo contrario: cuanto más explícitas son las restricciones, más útil es la respuesta. Una indicación sin restricciones es una invitación a la vaguedad.
El quinto elemento es el formato de la respuesta. ¿Lista? ¿Tabla? ¿Párrafos numerados? ¿Una sola línea de resumen? Especificar el formato de antemano evita el problema más frecuente: obtener una respuesta correcta en cuanto al contenido pero errónea en la forma, y tener que volver a enviar la solicitud para reformatearla.
El sexto elemento, opcional pero potente, es el criterio de éxito. ¿Cómo se mide una buena respuesta? «Una respuesta útil es aquella que me permite X». Declararlo orienta el modelo de forma mucho más eficaz que cualquier adjetivo cualitativo. «Sé preciso» no significa nada. «Una respuesta útil es aquella que mi director financiero puede usar en una reunión sin trabajo adicional» significa mucho.
No es necesario declarar siempre estos seis elementos. Deben mantenerse como una guía mental. Cuando una respuesta sale mal, el problema casi siempre está en uno de los seis puntos que se había dejado implícito.
Por qué persiste el problema
Si el diagnóstico es tan claro, ¿por qué no se ha resuelto ya el problema de las indicaciones mal construidas? Convergen tres razones.
La primera es que la formulación de una buena pregunta es un trabajo cognitivo, y los seres humanos tienden a evitarlo cuando pueden. Es más rápido lanzar una pregunta vaga y ver qué sale. Solo que lo que sale requiere diez rondas de refinamiento, y en total se gasta más tiempo del que se habría gastado en formular bien la pregunta desde el principio.
La segunda es que el «prompt engineering» no se enseña en la escuela, ni en la empresa, ni como práctica general. Se aprende a base de prueba y error, lentamente, y muchas personas siguen con una formulación ingenua incluso tras años de uso intensivo de la IA. El principio «trash in, trash out» es conocido como eslogan, pero raro como práctica.
La tercera, más interesante, es que muchos modelos de IA han aprendido a «remediar» las indicaciones vagas generando respuestas que parecen buenas incluso cuando no lo son. Has pedido poco, recibes algo plausible, quedas satisfecho a simple vista. El modelo se ha vuelto muy hábil para ocultar el problema sin resolverlo. Esto refuerza el hábito de formular mal.
La solución estructural
La solución individual es aprender a construir prompts mejores. La solución estructural es construir sistemas que trabajen la calidad del prompt antes de que este llegue al modelo que debe responder.
Esto cambia el punto de apoyo. En lugar de pedir a cada usuario que se convierta en un experto en prompt engineering, el sistema interpone un nivel de inteligencia entre el usuario y el modelo generativo. Ese nivel interroga al usuario para comprender qué es lo que realmente necesita, reconstruye la intención, el contexto y las restricciones, y produce el prompt estructurado que alimenta el flujo posterior.
En la práctica: en lugar de un campo de texto vacío que le pregunta al usuario «¿qué quieres?», un sistema estructurado pregunta «cuéntame qué estás intentando hacer», luego pregunta «¿en qué contexto te encuentras?», luego «¿cuál es la restricción más importante?», y luego «sobre qué necesitas certeza». El usuario no está escribiendo una indicación, está manteniendo una conversación natural. La indicación surge a partir de esa conversación, construida por un componente del producto, no improvisada por un usuario nervioso que tiene cinco minutos.
Esta solución estructural resuelve dos problemas a la vez. El primero es la calidad de la indicación: llega al modelo en un formato con el que el modelo puede trabajar bien. El segundo es la experiencia del usuario: el usuario no se ve obligado a convertirse en un experto en prompt engineering para obtener respuestas útiles. El sistema realiza el trabajo que exigía un esfuerzo cognitivo ajeno a su problema.
¿Qué cambia para quien toma las decisiones?
Si utilizas la IA para fundamentar decisiones importantes, el principio «trash in, trash out» deja de ser académico y pasa a ser operativo. Una decisión tomada basándose en una respuesta de la IA a una indicación imprecisa es una decisión frágil, porque la respuesta era una de las mil posibles y tú no has visto las demás. Trabajar la calidad de la solicitud no es una actividad de herramientas, es una actividad de rigor en la toma de decisiones.
Trabajar la solicitud no significa solo «formular mejor la pregunta». También significa declarar las restricciones que a menudo das por sentadas. De qué recursos dispones realmente. Cuál es el criterio de éxito no negociable. Cuál es el riesgo más importante que hay que evitar. Son cosas que a menudo no escribimos porque «las sabemos». El modelo de IA no las sabe. Escribirlas te obliga a explicitarlas también para ti mismo, y esto ya mejora la calidad de la decisión, independientemente de la respuesta que recibas.
Qué hace Arena
Arena aborda estructuralmente el problema «trash in, trash out» con un componente de producto específico. Al inicio del flujo, incluso antes de elegir el equipo, el usuario puede ser recibido por un agente entrevistador que reconstruye la intención, el contexto, las limitaciones y el criterio de éxito, y genera el primer prompt estructurado que alimentará el flujo. No es un asistente rígido con campos obligatorios: es una conversación natural.
A partir de ahí, la indicación bien construida es leída en paralelo por muchos especialistas complementarios, cada uno con un enfoque diferente. Las respuestas llegan juntas, el usuario selecciona las más útiles, el Orchestratora redacta el informe final y propone la siguiente indicación ya construida, modificable por el usuario. El ciclo de refinamiento hereda la calidad de la primera indicación y la amplifica.
Esto significa que la regla «trash in, trash out» ya no recae en el usuario individual. Se convierte en una propiedad estructural del flujo. Transparencia: todo permanece visible, nada es una caja negra; ves cómo se ha estructurado tu primera pregunta, puedes modificarla, puedes entender por qué una determinada formulación produce ciertas respuestas.
Cambia la forma
Cambia la forma en que utilizas la IA. Cambia la forma en que tomas decisiones informadas.
Entra en Arena porque la calidad de la respuesta comienza por la calidad de la pregunta, y la calidad de la pregunta no puede seguir siendo un problema del usuario: compara, elige, profundiza, decide, partiendo de un primer prompt bien construido junto con el sistema.
FAQ
¿Qué significa «trash in, trash out» aplicado a la IA?
Es el principio según el cual la calidad de la respuesta de un modelo de IA depende, en gran medida, de la calidad de la indicación que recibe. Una entrada imprecisa produce una salida imprecisa, una entrada ambigua produce una salida ambigua, una entrada sobrecargada produce una salida fragmentada. No es culpa del modelo, sino de la naturaleza estadística de su respuesta a preguntas mal formuladas.
¿Cuáles son las tres causas más comunes de un mensaje de error?
Prompt vago, prompt ambiguo, prompt sobrecargado. El vago carece de contexto y restricciones, por lo que el modelo tiene que adivinar qué quieres decir. El ambiguo contiene varias peticiones contradictorias, y el modelo elige una sola interpretación. El sobrecargado lo incluye todo a la vez, por lo que el modelo dispersa su atención y genera respuestas genéricas.
¿Cuáles son los elementos de una indicación bien elaborada?
Un rol objetivo claro, un contexto de uso explícito, una tarea específica, unas restricciones definidas, un formato de respuesta esperado y un criterio de éxito. Seis elementos básicos, no todos obligatorios en cada indicación, pero útiles como lista de verificación. La diferencia entre una buena indicación y una mediocre radica casi siempre en la precisión de estos seis puntos.
¿Por qué un sistema de entrada conversacional reduce el problema del «trash-in»?
Porque aborda el problema desde la raíz. En lugar de pedir al usuario que formule directamente una consulta perfecta, un sistema de entrada entrevista al usuario, identifica la intención, el contexto y las limitaciones, y construye la consulta en lugar del usuario. El esfuerzo de la formulación recae en el sistema, y el usuario llega al flujo de la IA con una pregunta ya bien estructurada.
¿Cómo aborda Arena, desde un punto de vista estructural, el problema de la calidad del prompt?
Arena cuenta con un agente de entrada, Virgilio, que interroga al usuario para reconstruir la intención y el contexto, y genera la primera indicación estructurada que alimenta el flujo. De este modo, los especialistas complementarios reciben una pregunta ya bien formulada, no una solicitud improvisada. La calidad de la primera indicación no es un complemento, sino un componente del producto.