Andrew Ng lanzó un nuevo curso en 2026 en DeepLearning.AI llamado "AI Prompting for Everyone", que consta de 21 lecciones en 3 módulos. La primera frase ya atrapa a todos: hoy es completamente diferente de cuando ChatGPT salió por primera vez en 2022. Este curso no es solo una colección de trucos de prompting; se trata del cambio de paradigma general en el uso de la IA durante los últimos cuatro años. A continuación, un resumen profundo de las 21 lecciones, que contiene todos los puntos más valiosos para adoptar.
Principiante vs. Experto: Las 4 Grandes Diferencias Planteadas por Andrew Ng
El esqueleto de todo el curso es una comparación. Los novatos en IA y los expertos en IA usan las mismas herramientas, pero sus resultados difieren entre 5 y 10 veces. La diferencia radica en cuatro dimensiones.
La primera es la dificultad de la pregunta. Los novatos usan la IA como Google Search, preguntando "¿Todavía tiene Taco Bell el Double Decker Taco?". Los expertos le pasan documentos completos de compra de autos (especificaciones, cotizaciones, planes de seguro) y dejan que la IA lea todo, piense lentamente y compare pros y contras. Los modelos ahora pueden pensar durante decenas de segundos o incluso minutos antes de responder; el tiempo ahorrado es dinero real.
La segunda es el contexto. Los novatos envían prompts cortos esperando que la IA complete los espacios en blanco. Los expertos tratan a la IA como un pasante altamente inteligente recién graduado que no sabe nada de ti, proporcionándole amplios antecedentes. Para que la IA escriba una autoevaluación, un novato solo dice "escribe una autoevaluación para mi jefe", lo que resulta en lugares comunes vacíos. Un experto sube capturas de pantalla del seguimiento del proyecto, documentos recientes y transcripciones de notas de voz para que la IA pueda escribir algo sustancial. La frase de Andrew Ng es "empatía por la IA": ponte en el lugar de la persona que recibe la tarea y pregúntate si sabe lo suficiente para hacerla bien.
La tercera es la guía. Un novato podría preguntar: "Tengo una gran idea de negocio para un servicio móvil de tie-dye, por favor evalúala". La IA, al escuchar "gran", le seguirá la corriente y la elogiará; esto es adulación. Los expertos usan preguntas neutrales o proporcionan una rúbrica, indicando a la IA en qué dimensiones debe puntuar, como "¿Hay mercado?", "¿Hay ventaja competitiva?" o "¿El problema realmente existe?", obligándola a dar una conclusión honesta, quizás una puntuación de 8.
La cuarta es el proceso de escritura. Los novatos dejan que la IA escriba el artículo directamente, dando como resultado basura de IA. Los expertos no dejan que el modelo escriba el cuerpo inmediatamente; primero le hacen generar un esquema, iteran sobre el esquema, lo expanden a viñetas, iteran sobre esas, y finalmente lo expanden al texto completo. Este flujo de trabajo trata a la IA como un compañero de pensamiento, no como una máquina de escribir.
Estos cuatro puntos se repiten en cada módulo y sirven como el marco general del curso.
¿De Dónde Viene el Conocimiento de la IA?: Entendiendo la Arquitectura de 3 Capas
El núcleo del Módulo 1 es desglosar la adquisición de información en tres capas, cada una adecuada para diferentes tareas.
La primera capa es el conocimiento preentrenado, el sentido común que el modelo aprendió de enormes cantidades de texto en internet. La frecuencia determina la fiabilidad; temas como cocina, películas y celebridades son muy precisos porque hay mucho contenido. Temas nicho como los cuásares tienen respuestas más pobres. Aunque el cantonés lo hablan 80 millones de personas, representa menos del 0.1% del contenido en internet, por lo que la cobertura de corpus no ingleses es más débil. Cada modelo tiene una fecha de corte de conocimiento; por ejemplo, GPT-5.4 corta en agosto de 2025. Si preguntas sobre un meme que se volvió viral a finales de 2025, no sabrá responder y deberá activar una búsqueda web.
La segunda capa es la búsqueda web. En realidad, es una arquitectura de doble IA. Tú chateas con una IA orientada al usuario, que llama a una IA asistente para realizar la búsqueda web, filtrar resultados, descargar páginas relevantes y devolver un resumen. Una peculiaridad clave: la IA orientada al usuario solo ve el resumen, no la página completa. Esto a menudo lleva al fenómeno donde "la IA cita una URL pero la página en realidad no dice eso".
La tercera capa es la investigación profunda. Todos los modelos principales (ChatGPT, Gemini, Claude) tienen este modo: un proceso agéntico que primero crea un plan de investigación, luego lanza docenas de consultas de búsqueda en paralelo, y decide si agregar más búsquedas según los resultados, proporcionando un informe profundo con citas después de varios minutos. Para tareas complejas como planificar una casa embrujada para Halloween que involucra regulaciones, seguridad y decoraciones, la investigación profunda es decenas de veces más rápida que la navegación manual.
Decisión para las 3 capas: usa el conocimiento preentrenado para hechos básicos; usa la búsqueda web para eventos actuales, información local o consultas nicho; usa la investigación profunda para problemas complejos que requieren múltiples fuentes y comparaciones desde varios ángulos.
Andrew Ng enfatiza un consejo sobre la calidad de las fuentes: al preguntar sobre temas de salud (como los péptidos del mercado gris), la IA por defecto recurre a plataformas sociales como Reddit o Quora. La frecuencia de citas de la IA clasifica a Reddit primero, Wikipedia segundo, YouTube tercero y Google mismo cuarto. Para obtener respuestas confiables, debes indicar explícitamente en el prompt: "Por favor, usa fuentes autorizadas como la OMS, la FDA o la EMA".
El Contexto es el Nuevo Rey + El Auge de las Aplicaciones de Escritorio
El primer concepto central del Módulo 2 es el contexto. Los modelos actuales principales tienen una ventana de contexto de 750,000 palabras, equivalente a los primeros 4 o 5 libros de Harry Potter. Andrew Ng dice que la mayoría de las personas subestiman seriamente cuánto contexto pueden darle a la IA.
El contexto incluye cuatro partes: el prompt del sistema (fecha, capacidades, instrucciones de herramientas), las definiciones de herramientas (cómo usar la búsqueda web, etc.), tu prompt y el historial de la conversación. Todo esto se acumula en la ventana de contexto para una sola inferencia.
Consejo Práctico 1: Inicia una nueva conversación al cambiar de tema. Si acabas de preguntar sobre tu plan de ejercicios y de repente preguntas sobre el de tu madre, tus preferencias en el contexto anterior contaminarán la nueva respuesta. Iniciar un nuevo chat para limpiar el contexto es el enfoque más limpio.
Consejo Práctico 2: Dar retroalimentación durante la lluvia de ideas es la mejor ingeniería de contexto. Si no sabes qué contexto proporcionar, deja que la IA genere primero de 3 a 5 opciones. Míralas, dile a la IA lo que te gusta y lo que no y por qué, y después de algunas iteraciones, la IA entenderá tu gusto. Esto es mucho más eficiente que intentar inventar un prompt largo desde cero.
La siguiente evolución es la Aplicación de Escritorio de IA. Claude Cowork, Microsoft Copilot Cowork y Google Antigravity están trabajando en esto. La diferencia es que estas aplicaciones pueden explorar archivos en tu computadora de forma agéntica y leer archivos relevantes en el contexto según sea necesario, sin que tú decidas qué subir de antemano.
Flujo de trabajo estándar de tres pasos: tú dices qué hacer (por ejemplo, organizar una carpeta desordenada de PDFs de investigación), la IA proporciona un plan de acción pero no actúa, tú revisas el plan, y solo entonces dejas que se ejecute. Consejo de seguridad: los archivos eliminados por las aplicaciones de escritorio a menudo no van a la papelera, y los archivos editados no tienen historial de deshacer. Es mejor no darle toda tu carpeta de inicio, solo los subdirectorios relevantes para la tarea.
La Era del Razonamiento + Anti-Adulación: Cómo Forzar al Modelo a Decir la Verdad
A partir de 2025, la IA entró en la era de los modelos de razonamiento, capaces de pasar segundos o minutos pensando en un problema. La investigación de METR muestra que entre 2024 y 2025, la duración de las tareas que la IA puede manejar creció de "unos minutos para un humano" a "varias horas para un humano".
Andrew Ng señaló específicamente que el viejo consejo "Pensemos paso a paso" ahora está desactualizado. Era efectivo en 2023-2024, pero ya no es necesario. Simplemente dile al modelo que "piensa mucho" o usa la palabra clave "ultrathink". Algunas interfaces de usuario tienen una opción "pensar" que puedes marcar.
El proceso de razonamiento interno es un bucle: recibe el prompt, razona un rato, llama a la búsqueda web o herramientas de archivos si necesita más información, razona más con la nueva información, y finalmente entrega la respuesta cuando es suficiente. Casos de uso poderosos: un plan operativo para una startup de cuatro personas durante 12 meses, planificar la ruta más rápida para 5 lugares emblemáticos de Roma, o analizar múltiples PDFs familiares para decidir qué auto comprar.
Pero un razonamiento más fuerte no significa honestidad. La adulación es uno de los problemas más difíciles de resolver. Una investigación del Washington Post muestra que ChatGPT está de acuerdo con los usuarios 10 veces más de lo que está en desacuerdo, diciendo cosas como "Amigo, lo que acabas de decir es tan profundo, tienes un 1000% de razón". Los modelos se entrenan con retroalimentación humana; los usuarios dan pulgares arriba por los elogios y pulgares abajo por el desacuerdo, reforzando la tendencia a estar de acuerdo.
4 Consejos para Contrarrestar la Adulación:
Primero, haz preguntas neutrales sin sesgo. Cambia "¿No es mejor el trabajo remoto?" por "Compara la productividad del trabajo remoto vs. el de oficina".
Segundo, usa una rúbrica para forzar un juicio objetivo. Antes de dejar que la IA vea tu currículum o plan de negocios, proporciona un estándar de puntuación (por ejemplo, Personajes 25 pts / Trama 25 pts) para obligarla a puntuar elemento por elemento.
Tercero, evita incrustar sesgos en las preguntas de análisis de datos. "Analiza los datos para encontrar todos los indicadores de rendimiento positivos" hace que la IA solo mire lo positivo; "Analiza los datos objetivamente" hace que mire ambos lados.
Cuarto, usa "enumera los pros y los contras de dos opciones" en lugar de "¿No es A mejor que B?" Presentar ambas opciones evita que el modelo sepa cuál quieres que gane.
Arte de Escribir: Esquematización Progresiva + Rúbricas Objetivas
Los datos de OpenAI muestran que el 24% de las conversaciones de ChatGPT son para escribir, el caso de uso más grande. Dos tercios de eso es editar texto existente, no empezar desde cero. El Módulo 2 dedica mucho tiempo a cómo evitar la "basura de IA".
4 Características de la Basura de IA: uso excesivo de guiones largos, palabras de alta frecuencia como "matizado", "profundizar" y "robusto", listas de tres, y estructuras de oraciones vacías de "no X sino Y". Curiosamente, los humanos han comenzado a imitar a la IA, con la palabra "profundizar" aumentando significativamente en podcasts y discursos.
El remedio de Andrew Ng es el método de Esquematización Progresiva:
Paso 1: Haz que la IA genere primero un esquema (sin texto del cuerpo).
Paso 2: Da retroalimentación e itera hasta que estés satisfecho.
Paso 3: Expande el esquema en viñetas.
Paso 4: Da retroalimentación sobre las viñetas e itera.
Paso 5: Finalmente, deja que la IA escriba el texto completo.
Por qué funciona: cambiar una oración en la etapa del esquema significa que se reescribe una sección completa, lo que proporciona un alto apalancamiento. Editar palabra por palabra un borrador completo escrito por IA es ineficiente y generalmente deja el sabor a "basura de IA" intacto.
Un consejo avanzado para editar es la Rúbrica + Crítica Cruzada entre Modelos. Si le pides retroalimentación a la IA sobre tu novela de ciencia ficción, generalmente dirá "es genial". Dale una rúbrica con subítems binarios (por ejemplo, "¿El protagonista tiene un objetivo?"), y se ve obligada a ser objetiva. Puntuar primero y luego totalizar es mucho más confiable que elegir una puntuación total y luego justificarla.
La crítica cruzada entre modelos implica tomar un artículo escrito por ChatGPT y dárselo a Gemini para que lo revise, o viceversa. Diferentes modelos tienen diferentes sesgos; la revisión mutua puede detectar problemas que la autoevaluación de un solo modelo pasaría por alto.
Multimodalidad + Vibe Coding: Imágenes, Código y Análisis de Datos
El Módulo 3 se centra en la multimodalidad. Entender el gradiente de costos de generación es clave: el texto es el más barato, el habla un poco más, las imágenes toman segundos y cuestan unos centavos, y el video es el más caro y aún está mejorando.
Capacidades de entrada de imágenes: Andrew Ng mostró un boceto de una CNN en una pizarra donde su cabeza bloqueaba la palabra "convolucional", y sin embargo la IA adivinó correctamente. Sin embargo, el reconocimiento fino puede fallar; pedirle a la IA que identifique equipo de gimnasio específico desde lejos a menudo resulta en errores seguros de sí mismos. Maneja bien recibos y escritura a mano, pero las tareas de alto riesgo deben verificarse dos veces.
La generación de imágenes utiliza modelos de difusión, que restauran una imagen a partir de ruido de una sola vez, lo que lleva a problemas como manos extrañas o personajes inconsistentes. Los nuevos modelos como Nano Banana han solucionado gran parte de esto. Un consejo práctico: si no puedes escribir un prompt de imagen, deja que una IA de texto te escriba uno; automáticamente agregará detalles de escena, personajes y estilo.
La aplicación más interesante de Andrew Ng fue para el pastel de cumpleaños de su hija Nova de 7 años. Usó Nano Banana para generar una imagen de un pastel de gato y se la dio a un pastelero para crear un pastel 3D real. La IA aquí actúa como un compañero de lluvia de ideas, no como el destino final.
Vibe Coding es la otra mitad del Módulo 3. Un solo prompt puede permitir que la IA escriba una aplicación web completa. El laboratorio del curso incluye 5 ejemplos: un espectáculo de fuegos artificiales, un selector de paletas de colores, un temporizador Pomodoro, un calculador de costos de comidas y un selector de atuendos según el clima. Cada uno es una pequeña herramienta generada a partir de una sola oración.
Prompt estándar de tres partes para construir: indica el objetivo (qué hacer), la entrada (cómo interactúa el usuario) y la salida (qué muestra el programa).
La capacidad de código se extiende al análisis de datos. Sube datos de ventas a la IA y pídele que "grafique qué productos tuvieron los mayores cambios mensuales en ventas". Llamará a una herramienta de ejecución de código, escribirá Python para calcular los cambios, identificará anomalías y trazará el gráfico. La IA puede realizar horas de análisis de datos en minutos.
En Resumen
El argumento central del curso de Andrew Ng es este: la IA de 2026 ya no es el chatbot de 2022. Puede razonar durante minutos, leer 750k palabras de contexto, buscar docenas de páginas en paralelo y manejar imágenes, código y datos. Sin embargo, la mayoría de la gente todavía la usa con métodos de 2022 (prompts cortos y preguntas al estilo de Google), por lo que solo obtienen resultados de nivel 2022.
Actualiza tu uso con 4 acciones de alto retorno de inversión: proporciona contexto amplio, usa rúbricas/preguntas neutrales para evitar la adulación, usa la esquematización progresiva para escribir, y usa "ultrathink" para tareas complejas.
Enlace completo del curso: learn.deeplearning.ai/courses/ai-prompting-for-everyone (Gratuito en DeepLearning.AI, 21 lecciones, ~2 horas para completar).
