El 93% dice que la IA funciona. El 86% no sabe usarla bien.

El dato circula desde hace meses por LinkedIn y por papers de Microsoft y MIT con pequeñas variaciones, pero la idea es siempre la misma. La inmensa mayoría de profesionales que dicen usar IA generativa en su trabajo declaran que les funciona. Y en paralelo, la inmensa mayoría reconoce — al ser preguntada con detalle — que probablemente no la está aprovechando ni a un tercio de su capacidad.

Es la paradoja característica de las herramientas potentes: hacen el listón mínimo tan accesible que la gente piensa que ya está usándolas bien. Como si hubieras comprado un coche de carreras y lo estuvieras usando para ir a la panadería en segunda. Te lleva a la panadería, sí. Pero el coche está esperando otra cosa.

El error fundacional: prompts de medio kilo

El primer y más universal error es el prompt corto y vago. "Escríbeme un post de LinkedIn sobre marketing digital." "Resume este texto." "Dame ideas para mi negocio." Y lo que viene a cambio es exactamente lo que se ha pedido: una respuesta correcta, neutra, intercambiable, plana.

El problema no es la IA. La IA está respondiendo a la información que le has dado, que era ninguna. Si le pides a un consultor que entrara hoy a tu negocio sin contexto que te escriba un post sobre marketing, te haría un texto igual de plano. Lo que diferencia un consultor útil no es su inteligencia, es lo que ha entendido del problema antes de empezar a opinar.

El prompt corto no aprovecha lo que la IA puede hacer. Y lo que puede hacer es bastante más sofisticado de lo que la mayoría está pidiendo.

Cómo se construye un prompt que sí rinde

No hay magia, hay método. Un prompt útil tiene cinco capas, en este orden:

Una. Rol y experiencia. Defines a la IA quién está hablando. No "Hola IA", sino "Eres un copy senior con quince años en sectores premium, especializado en gastronomía y servicios profesionales en España". Esa frase, sola, ya filtra y orienta el modelo.

Dos. Contexto del problema. Le das toda la información que un humano necesitaría para hacer el trabajo. Marca, sector, audiencia, momento del año, antecedentes, restricciones. Si le das tres líneas, espera respuesta de tres líneas. Si le das una página, te puede dar un trabajo.

Tres. Tarea concreta. Qué quieres exactamente. No "haz un post". Sí "redacta tres versiones de un post de LinkedIn de entre 700 y 1 200 caracteres, primera persona, tono X, con un gancho de pregunta retórica al inicio y un cierre con CTA implícito".

Cuatro. Restricciones y prohibiciones. Lo que no debe aparecer. Sin emojis. Sin clichés tipo "en el dinámico panorama actual". Sin promesas genéricas. Sin estructura de listado. Cada prohibición ahorra una iteración.

Cinco. Formato de salida. Cómo debe entregar la respuesta. Texto plano, tabla, JSON, esquema. Si quieres que te lo dé en un formato concreto, dilo. Si no lo dices, te lo dará en el formato que considere y luego perderás tiempo reformateando.

Esos cinco bloques convierten un prompt de cuatro líneas en uno de quince. Suena más trabajo, y lo es las primeras semanas. Después se convierte en músculo y se hace en automático.

El segundo gran error: una sola pasada

El uso medio de la IA generativa hoy es: prompt → respuesta → "vale, gracias" → copia y pega. Eso es desperdiciar el 70 % del valor de la herramienta.

La IA no rinde a su máximo en la primera respuesta. Rinde en la conversación. Lo que de verdad la separa de un buscador es que puedes corregirla, matizarla, criticarla, pedirle que vaya por otro camino, retarla, hacerla pelearse con sus propias respuestas.

El flujo correcto, simplificado:

Iteración 1: primera respuesta. Casi siempre es genérica.
Iteración 2: "Vuelve a hacerlo, pero esta vez evita X y Y, y mete más concreto sobre Z".
Iteración 3: "Ahora dame tres versiones distintas de la mejor de las tres, una más arriesgada que las otras".
Iteración 4: "Critica este resultado como lo haría un editor exigente. Después reescríbelo aceptando esa crítica".

Cuatro iteraciones bien hechas separan un trabajo medianamente útil de uno realmente bueno. Una sola iteración produce, casi siempre, contenido que se nota a la legua que no ha sido pensado.

El tercer error: usarla sin contexto propio

Aquí entra otra dimensión que casi nadie aprovecha. Las versiones modernas de los principales modelos (Claude, ChatGPT, Gemini) permiten cargar documentos, datos, archivos, instrucciones persistentes. Y la mayoría de profesionales sigue usándolas como si fuera una caja de chat genérica.

Si trabajas regularmente con una marca, deberías tener cargado en la conversación: el manual de marca, ejemplos de textos que sí te gustan, ejemplos de textos que rechazaste y por qué, datos del último trimestre, audiencia objetivo, calendario editorial. Si nada de eso está en el contexto, la IA tiene que adivinar todo el rato. Y adivinar mal.

Las plataformas con instrucciones persistentes, proyectos, archivos compartidos y memoria entre sesiones ya están disponibles. Que no las uses es decisión tuya, no limitación de la herramienta.

El mismo modelo, con o sin tu contexto cargado, da resultados de calidad incomparable. La diferencia es entre tener un asistente que ya conoce tu negocio o un becario que entra cada mañana sin saber dónde está.

El cuarto error: pedir y no verificar

Las IAs alucinan. Es un hecho técnico, no un defecto que vaya a desaparecer en la próxima versión: forma parte de cómo funcionan los modelos de lenguaje. Generan respuestas plausibles, no necesariamente verdaderas. Y eso es especialmente peligroso cuando dan datos, cifras, fechas, nombres y citas.

El usuario medio asume que si la IA lo dice, es correcto. Y luego pasa que se publica un artículo con una estadística inventada, o un email con una cita atribuida a alguien que nunca dijo eso, o un informe con una métrica que no existe. La IA no avisa de cuándo está inventando. Hay que verificar.

La regla operativa simple: todo dato concreto que vaya a salir publicado se contrasta con una fuente externa. Cifras, fechas, citas, normativa. La IA es excelente para estructurar pensamiento y redactar; mediocre para ser fuente de verdad. Tratarla como las dos cosas a la vez es lo que produce los desastres más caros.

El quinto error: no medir el tiempo real ahorrado

La gente que dice "uso IA todo el día y me funciona genial" rara vez ha medido cuánto tiempo le ahorra realmente. Y cuando uno mide, descubre cosas incómodas.

Hay tareas en las que la IA ahorra el 70-80 % del tiempo: primeros borradores, traducciones, resúmenes largos, transcripciones, código repetitivo, formateo de textos. Ahí no hay duda.

Hay tareas en las que la IA ahorra el 30-40 %: redacción de comunicaciones complejas con muchos matices, análisis con datos propios, propuestas de cliente, briefings creativos. Útil pero no transformador.

Y hay tareas en las que la IA no ahorra tiempo, o incluso lo añade: decisiones estratégicas con poca información objetiva, conversaciones con stakeholders, intuición de mercado, juicios sobre marca. Forzar la herramienta ahí no produce ahorros, produce frustraciones.

Conocer el mapa de en qué tareas la IA es útil y en cuáles no, en tu trabajo concreto, es lo que separa un usuario maduro de uno entusiasta. Y solo se aprende midiendo.

Cuándo usar Claude, cuándo ChatGPT, cuándo Gemini

Una de las decisiones que más rinde y casi nadie toma con conocimiento es la elección del modelo. La gente tiene "su" IA por costumbre y la usa para todo, perdiéndose lo que cada una hace mejor.

Claude (Anthropic). Mi opción habitual para texto largo, redacción con voz cuidada, análisis matizado y trabajo con contextos extensos. Mantiene mejor el tono entre iteraciones, escribe con menos clichés y acepta crítica con menos defensividad. Para copy de marca, redacción de propuestas, análisis cualitativo y todo lo que implique mantener una voz, va por delante. Si trabajas con documentos largos, su capacidad de contexto es de las más amplias del mercado.

ChatGPT (OpenAI). Más estable en automatizaciones, tiene la mejor integración con plugins y herramientas externas, y su versión con razonamiento profundo es muy útil para problemas complejos. Para tareas operativas con muchas integraciones, automatizaciones y APIs, es la apuesta más segura. También sigue siendo el más conocido por equipos no técnicos, lo que facilita la adopción.

Gemini (Google). Su fuerte es la integración nativa con todo el ecosistema Google: Drive, Gmail, Docs, Sheets, Calendar. Si tu trabajo está dentro de ese ecosistema, Gemini te ahorra fricción. También está bien posicionado para tareas multimodales (imagen, video, audio).

La estrategia útil no es elegir uno y casarse, sino tenerlos los tres y usar cada uno donde rinde más. La diferencia de calidad entre el modelo correcto y el incorrecto, en una tarea concreta, puede ser del 30-40 %. No usar el adecuado por pereza es regalar margen sin motivo.

Los hábitos de quien la usa bien

Resumiendo, la diferencia entre el 86 % que la usa mal y el 14 % que la usa bien se reduce a unos hábitos concretos:

1. Prompts largos, con rol, contexto, tarea, restricciones y formato.
2. Iteraciones, no respuestas únicas. Mínimo tres pasadas en cualquier trabajo serio.
3. Contexto persistente cargado: documentos, manuales, ejemplos, instrucciones permanentes.
4. Verificación humana de cualquier dato concreto antes de publicar.
5. Saber qué tareas merecen IA y cuáles no.
6. Combinar varios modelos: cada uno tiene fortalezas distintas. Probarlos.
7. Anonimizar datos sensibles antes de meterlos en herramientas que no son de plan empresarial.

Nada de esto es esotérico, ninguna de estas prácticas requiere conocimientos técnicos. Solo requiere disciplina y voluntad de tratar la herramienta como lo que es: una capacidad nueva que merece aprendizaje, no un juguete que se domina con dos vídeos de YouTube.

El balance honesto

El 93 % que dice que la IA le funciona tiene razón. La IA hoy mejora prácticamente cualquier flujo de trabajo donde se aplique con un mínimo de oficio. Pero la diferencia entre "me funciona" y "me cambia el negocio" sigue siendo enorme. Y esa diferencia es prácticamente toda metodología.

Si llevas un año usando IA y no has visto un salto cualitativo en lo que produces, no es la IA. Eres tú usándola en tercera marcha. La quinta marcha está disponible. Solo hay que cambiarla.

Lo que hace el 14%

Investigan con IA. Generan opciones. Testean hipótesis. Producen contenido a escala. Optimizan copy. Analizan competidores. Automatizan lo repetitivo. Y mantienen el criterio humano en cada paso.

No usan "la IA". Tienen un sistema donde la IA es la estructura.

La pregunta incómoda

¿En qué grupo estás tú? ¿En el del 93% que "sabe que funciona" o en el del 14% que realmente la usa?

Porque la diferencia no es de presupuesto. Es de saber cómo integrarla. Y eso es exactamente lo que hago.