«Perdón, Claude. Era mi error otra vez»: cuando el modelo falla, casi siempre le faltó la mitad de la historia

LA ESCENASusana pidió el número de clientes activos y llevó a la reunión una cifra inflada

Un jueves a las cuatro de la tarde, Susana le pide a Claude el número de clientes activos para una reunión que empieza en veinte minutos. El modelo le devuelve una cifra, redonda y con buena cara, y ella la lleva a la reunión.

El número estaba inflado. Claude había contado como cliente activo a todo el que alguna vez firmó, porque nadie le dijo nunca que en esa empresa un cliente activo es el que facturó en los últimos noventa días.

El primer impulso es echarle la culpa al modelo. Es el impulso cómodo y además es el que está de moda: la IA se equivocó, la IA alucinó.

Pero Claude hizo exactamente lo que le pidieron, con lo único que tenía. La que no le dio el resto fue la que preguntó de afán.

Y esto no es un problema de la IA. Es lo que pasa cada vez que pedimos algo con la mitad de la historia. Mandas «necesito el informe de la semana» por WhatsApp y te llega otra cosa. Le pides una cotización a un proveedor sin decirle para qué es y te cotiza lo que no era. El que recibió la mitad hizo lo que pudo con la mitad.

LA IDEALa mitad que no dijiste era justo la que importaba

La semana pasada hablamos del «déjame pensarlo»: de cómo ya no nos damos el tiempo de pensar antes de pedirle la respuesta a la IA. Hoy quiero hablar de algo más chiquito y más caro: lo que dejamos de decir cuando vamos de afán.

Hoy trabajamos a mil. Todo el día multitasking, con cincuenta ventanas abiertas al tiempo, un modelo corriendo mientras hacemos las otras cien tareas del día. ¿Quién no se vuelve loco con tantos estímulos?

Cuando saltas entre cincuenta cosas no escribes la pregunta completa. Escribes la mitad, porque la otra mitad la tienes clarísima en la cabeza: tú sí sabes qué es un cliente activo en tu empresa. Lo que no sabes es que eso no está escrito en ninguna parte. Y el que está al otro lado no lo puede adivinar.

Y eso cuesta: un cliente que espera, una reunión perdida, media hora del día convertida en frustración. No porque alguien fuera descuidado, sino porque la mitad que no se dijo era justo la que importaba.

Cuando un modelo se equivoca de verdad, todo el mundo dice que la IA es mala. Casi nunca es eso. El modelo se equivoca por lo mismo por lo que el informe llegó mal: está trabajando con la mitad del contexto. No sabe que en tu empresa «cliente activo» significa algo distinto de lo que significa en la empresa de al lado. No sabe cuál de las tres versiones del archivo es la buena. No sabe que ese proveedor está escrito de dos maneras distintas en dos sistemas distintos. Le pides una respuesta sobre tu operación, y te la da sin conocer tu operación.

Eso que le falta al modelo tiene nombre, y es más aburrido de lo que suena: se llama ontología. Es el mapa de qué significa cada cosa dentro de tu empresa. Qué cuenta como un caso cerrado, cuál de los dos nombres del proveedor es el bueno, desde cuándo un cliente deja de estar activo. Cuando ese mapa no existe en ninguna parte, y casi nunca existe, el modelo se lo inventa. Y ahí es cuando decimos que alucinó.

LA EVIDENCIA CON NÚMEROS88 % ya usa IA y la mayoría sigue atascada en el piloto: no es un problema de inteligencia, es de contexto

Los números de este año cuentan justo eso. McKinsey encontró que el 88 % de las organizaciones ya usa IA en por lo menos un área del negocio, frente al 78 % del año anterior, y que la gran mayoría sigue atascada en el piloto. Entre una cosa y la otra no hay un problema de inteligencia: hay un problema de contexto. Los proyectos no se caen porque el modelo piense mal, se caen porque nadie le explicó cómo funciona la empresa de verdad.

Y lo que más me gusta de esto es que la salida es la misma en los dos lados, y en los dos lados es igual de poco glamorosa. A una persona no se le arregla el malentendido pidiéndole que ponga más cuidado. A Claude no se le arregla el error pidiéndole que piense mejor. En los dos casos se arregla lo mismo: escribir una sola vez lo que en tu empresa se da por entendido.

Y sin embargo, si esta semana le echaste la culpa a la IA y era tuya, ahora tienes la excusa perfecta para parar un momento y mirar qué era exactamente lo que no le dijiste. Porque el error casi nunca es el problema. Es la señal de que hay algo que en tu empresa todo el mundo cree que está clarísimo y no está escrito en ninguna parte.

EL MAGNESIO DE ESTA EDICIÓNContemos entre todos las veces que le echamos la culpa a la IA

El magnesio no te duerme. Regula tu sistema nervioso para que puedas funcionar. Es esa «not-so-magic pill» con efecto de interés compuesto.

Esta semana el magnesio no lo haces solo. Lo hacemos entre todos.

La idea es simple: contemos las veces que le echamos la culpa a la IA. «Claude me lo hizo mal». «ChatGPT me inventó el dato». «Este modelo no entiende nada». Y después, cuando uno se sienta a mirar, resulta que el modelo contestó exactamente lo que le preguntamos.

Comenta la tuya en el post de esta edición. La que más rabia te dio en el momento y más risa te da ahora.

Porque el respiro no está en dejar de equivocarse. Está en ver que no eres el único que le habló al modelo como si el modelo trabajara en tu empresa desde hace tres años. Eso es lo que regula el sistema nervioso: saber que todos andamos igual de afán, dando por entendido lo mismo.

LA PREGUNTA«¿Qué entendiste que te pedí?»

La próxima vez que el modelo te dé algo raro, no se lo vuelvas a pedir. Pregúntale qué entendió. Literal: «¿qué entendiste que te pedí?».

Lo que sale ahí es la radiografía de la mitad que no dijiste. Y casi siempre es una sola palabra.

Hazlo esta semana y comenta qué te contestó. Los leo todos y los contesto yo. Entre todos armamos la lista.