Las 20 decisiones que debes tomar antes de escribir tu próximo prompt

Hace unos días me tocó revisar un prototipo generado con inteligencia artificial que simplemente no convenció a nadie en la sala. Estábamos en una videollamada con el equipo de producto de un corporativo regional. Visualmente, las pantallas eran impecables, los componentes encajaban perfecto sin embargo había una falla que vivía en un nivel más profundo: en una pregunta fundamental que nadie le hizo al prompt antes de darle “Enter”:

Alguien en el equipo pidió “un flujo de compra completo”. La IA, al carecer de un contexto riguroso, decidió por su cuenta qué debía pasar si el inventario se agotaba a la mitad del proceso. Tomó una ruta que sonaba lógica, pero promedio, porque eso es lo que está programada para hacer. El detalle es que esa decisión “razonable pero inventada” es imposible de defender frente a un director de finanzas o un responsable de compliance.

Como ya escribí en El Prototipo Empieza Mucho Antes de Escribir un Prompt, llevo semanas armando la estructura de documentación que le inyecta contexto duro a un modelo de lenguaje antes de pedirle que genere algo. Esta semana terminé de mapear con precisión quirúrgica todo lo que un prompt necesita traer amarrado para que el output de la máquina se pueda justificar en una mesa de trabajo. Son veinte variables distintas.

Las veinte variables de la intención

Aquí tienes la radiografía completa. Lo que le debes entregar a la IA antes de pedirle que te proponga algún componente de UI:

• Objetivo y contexto de Diseño.

• Fundación o restricciones ya confirmadas del proyecto (lo que es intocable).

• Escenario y modo específico que se va a prototipar (mobile, web, horizontal, etc).

• Información real de la industria o del cliente (cero datos genéricos).

• Comportamiento derivado de investigación con usuarios, voz de cliente, estudios.

• Principios de experiencia que el prototipo debe demostrar.

• El recorrido dividido en etapas.

• Pantallas y estados requeridos.

• Reglas de negocio del dominio que la IA no puede inventar.

• Qué información persiste a través del flujo.

• Qué pasa cuando algo cambia o falla.

• Definición o alcance de datos que van a ser simulados.

• Requerimientos de contenido.

• Requerimientos responsive.

• Requerimientos de accesibilidad.

• Restricciones del sistema de Diseño existente del cliente.

• Invenciones explícitamente prohibidas para el modelo de IA.

• Formato de output esperado.

• Criterios de evaluación.

• Instrucciones de iteración.

El espejismo de la lista rápida

Escrita de corrido, parece una checklist inofensiva que puedes palomear en media hora antes de irte a comer pero la realidad es que cada renglón es la salida de un proceso de pensamiento distinto. Vale la pena detenerse en algunos de los más tramposos para entender por qué delegarlos te cuesta credibilidad.

Hablemos del comportamiento derivado de investigación: Pegar capturas de pantalla de la competencia en un archivo compartido no basta. Cualquiera con conexión a internet junta diez referencias en una tarde. El trabajo real, el que justifica tu lugar en la nómina, radica en decidir cuáles de esas diez referencias son evidencia fuerte y cuáles son ruido estadístico. Un patrón de navegación que se repite en ocho competidores consolidados tiene un peso muy distinto a un experimento aislado que hizo una sola marca y nadie más copió. Sin esta clasificación rigurosa, tu prompt mete en la misma licuadora una corazonada y un hallazgo sólido.

Luego están los principios de experiencia. Este renglón se puede hacer obsoleto o genérico rapidísimo y termina convertido en simple decoración. Es facilísimo escribir “el contenido debe ayudar a decidir” y sentir que ya resolviste la estrategia. Un principio que no puede ser directamente aplicado al problema que se busca resolver no aporta absolutamente nada. La prueba ácida para saber si sirve es intentar convertirlo en una pregunta con respuesta de “sí o no” aplicable a cualquier pantalla que genere la herramienta. Si no puedes formular esa pregunta de manera tajante, todavía careces de un principio rector. Tienes, a lo mucho, una buena intención.

El costo oculto de la omisión

Hay un par de renglones que los equipos confunden de forma sistemática: qué información persiste a través del flujo, y qué pasa cuando algo cambia o falla. Transmiten una vibra similar porque ambos hablan de la continuidad del usuario pero son de niveles diferentes.

El primero aborda el estado del sistema: qué variables o datos del cliente siguen vivos cuando avanza del paso dos al paso tres de la transacción. El segundo atiende divirgencia de comportamiento: qué le muestras en la interfaz cuando algo sale mal porque la base de datos tardó demasiado en responder. Cuando metes los dos conceptos tropezando en el mismo párrafo del prompt, la IA suele resolver el segundo problema improvisando sobre el primero.

De ahí nacen esas pantallas de error genéricas que frustran al usuario y no resuelven nada, sencillamente porque nadie se sentó a definir qué debían decir. Cuando la IA inventa una regla de manejo de errores y tú la pasas directo a desarrollo sin validarla, el equipo de ingeniería la construye asumiendo que quien haya sido responsable de resolverlo, ya lo hizo. Y Semanas después arreglar eso en producción, moviendo equipos enteros distribuidos por toda la región es lo que eventualmente eleva los costos.

Estos veinte renglones representan veinte decisiones estratégicas ineludibles. Están muy lejos de ser un formulario burocrático para cumplir con el teatro corporativo y la simulación de la “adopción de IA”. Aquí reside la trampa definitiva: si decides saltarte alguna de estas variables por pereza, por prisa o por presión del calendario, la decisión no desaparece del mapa. Simplemente la toma el algoritmo por ti, a ciegas, sin que tengas la menor idea, hasta que un líder de negocio te arrincona en una revisión exigiendo respuestas operativas que no tienes cómo dar.

Revisa la lista otra vez. Mira esa iniciativa clave que tienes abierta en tus herramientas de Diseño generativo ahora mismo. ¿Cuántas de estas veinte variables podrías responder hoy con absoluta certeza sobre el proyecto en el que estás trabajando? Me encantaría leer en los comentarios cómo manejas tú estas lagunas de contexto antes de pedirle a la máquina que tire la primera línea de código o ensamble el primer componente.

Felices trazos.