Andrej Karpathy dice que el 99% de los usuarios de IA ignoran 7 conceptos básicos. Aquí los analizo todos.

Co-fundador de OpenAI. Profesor de Stanford. Uno de los ingenieros más creíbles con vida. No usa prompts secretos. Usa un sistema.

Aquí están sus 7 consejos reales – sin exageraciones, sin rodeos.

Imagina esto.

Son las 11 p.m. Llevas dos horas mirando la misma ventana de chat de IA. Reformulaste la misma solicitud de seis maneras diferentes. Intentaste ser amable, directo, específico, vago. Copiaste y pegaste tres "prompts mágicos" diferentes de algún tipo en X que jura que su plantilla hace que Claude sea "10 veces más inteligente".

Nada funciona como esperabas. El resultado es demasiado genérico, estructuralmente incorrecto, o está confiadamente equivocado sobre algo que ya le dijiste hace veinte minutos – en esta misma conversación.

Cierras la pestaña. Lo intentarás de nuevo mañana. Quizás con un modelo diferente. Quizás con un prompt diferente. Quizás es que aún no eres bueno en esto.

Aquí está la verdad incómoda: probablemente no es el modelo. Y definitivamente no es el prompt.

Mientras la mayoría de la gente tweetea su redacción sin fin, buscando la instrucción perfecta, o comprando otro "curso de productividad con IA" – un pequeño grupo de personas descubrió silenciosamente que el problema nunca fue el prompt.

El problema era todo lo que rodeaba al prompt.

El contexto. La memoria. La estructura. El flujo de trabajo.

Andrej Karpathy es una de esas personas. Y a diferencia de la mayoría de las voces en el espacio de la IA, tiene credenciales: cofundador de OpenAI, exjefe de IA en Tesla, profesor de Stanford, uno de los ingenieros que realmente construyeron los sistemas que todos los demás intentan "hackear" con prompts astutos.

Ha estado pensando en esto más tiempo que casi nadie. Y lo que ha concluido es a la vez obvio en retrospectiva y casi completamente ignorado en la práctica.

No usa prompts mágicos. Él construye infraestructura.

Siete hábitos. Unos pocos archivos simples. Un ritmo de trabajo específico. Eso es todo.

Aquí está exactamente lo que hace – y por qué cada pieza importa.

CONSEJO 1: Olvídate de los prompts mágicos. El problema casi siempre es la falta de contexto.

Desde 2022, los "gurús de la ingeniería de prompts" han dominado X e Instagram.

El mensaje: aprende el hechizo correcto y el modelo obedece.

Karpathy no está de acuerdo. La verdadera razón por la que la mayoría itera 100 veces y aún obtiene malos resultados? Ignoran el contexto por completo.

Su fórmula real:

• Escribe una solicitud clara y estándar
• Incluye siempre un ejemplo concreto de cómo se ve un buen resultado
• Pega el mensaje de error completo o los antecedentes completos – nunca un fragmento recortado

No recortes tu código o texto para "ahorrar ventana de contexto". Cuando el modelo adivina lo que falta, se equivoca. Siempre.

Ninguna instrucción secreta teletransportará tus antecedentes a la cabeza del modelo. Tienes que escribirlos.

CONSEJO 2: Tu CLAUDE.md probablemente es basura. Ve a revisarlo ahora mismo.

¿Lo copiaste de la plantilla de alguien más? ¿Dejaste que Claude lo escribiera por sí mismo? Entonces ese archivo no está funcionando para ti.

Tu archivo de configuración principal debe explicar claramente cinco cosas:

• Quién eres
• De qué se trata el proyecto (solo marco general)
• Qué no tocar
• Convenciones de nomenclatura de archivos
• Cómo formatear las respuestas

Casi todo el mundo tiene el archivo. Casi nadie lo ha configurado correctamente.

Antes de culpar al modelo por ser "tonto" – ve a leer tus propias instrucciones para él.

¿Y si solo usas herramientas de IA basadas en navegador? Aún lo necesitas. Configura un resumen fijo. La misma lógica aplica.

CONSEJO 3: Construye un sistema de tres capas. Deja de empezar desde cero cada sesión.

El pipeline de Karpathy:

• /raw – tu material fuente sin procesar, volcado tal cual
• /wiki – páginas estructuradas que el modelo escribe y mantiene
• CLAUDE.md – tus principios operativos permanentes

Nueva fuente entra → colócala en /raw → dile al modelo que la procese.

Eso son 30 minutos ahorrados por día, que se acumulan.

Si tu proyecto dura más de un par de días y estás reexplicando todo en cada nueva sesión – eso no es un flujo de trabajo, es un bucle.

CONSEJO 4: Después de cada respuesta sólida – guárdala. Permanentemente.

El hábito predeterminado: obtener una gran respuesta, copiar el resultado, cerrar la pestaña, olvidarlo. Karpathy dice que esto está matando silenciosamente tu productividad a largo plazo. Los modelos necesitan referencias.

Después de cada respuesta valiosa:

"Guarda esto como una página permanente: wiki/tema/.md"

Luego audita tus notas periódicamente en busca de duplicados, conflictos e información desactualizada.

Si saltas esto, tus mejores resultados de IA se ahogan silenciosamente en el historial de chat. Pasarás horas en tareas que ya resolviste.

CONSEJO 5: Para cualquier proyecto que dure más de una semana – agrega index.md y log.md. Sin excepciones.

Dos archivos. Dos propósitos:

• index.md – un mapa de todo lo que existe
• log.md – un registro de cambios continuo: fecha | tipo | descripción

Ejemplo: 28-05-2026 | resumen | desglose de entrevista con cliente

Si haces vibe-code 1–2 horas al día, en dos semanas realmente no recordarás lo que construiste el día tres. Estos dos archivos son tu capa de memoria.

CONSEJO 6: La IA es un pasante brillante sin criterio. Trátala como tal.

El marco de Karpathy: los agentes de IA son "pasantes superpoderosos con un conocimiento masivo, que alucinan constantemente y no tienen criterio para el código". Necesitan una correa corta.

Su bucle de trabajo real:

• Carga el contexto completo
• Pide 2–3 opciones para el siguiente paso pequeño solamente
• Elige una
• Evalúa, prueba, confirma
• Repite

Nunca le pidas que haga todo en un solo prompt. Así es como obtienes 500 líneas de desastre imposible de depurar.

CONSEJO 7: Una oración que hace que cada prompt de investigación sea 10 veces más legible.

Agrega esto al final de cualquier prompt de análisis o investigación:

"Estructura tu respuesta final como un archivo HTML independiente."

Los modelos de IA renderizan cualquier cosa en HTML limpio y navegable en segundos. El tiempo de lectura se reduce drásticamente. Te cuesta una oración. Úsala cada vez.

Esto es lo extraño de todo esto.

Ninguno de estos consejos es secreto. Ninguno requiere una suscripción paga, una herramienta especial o un curso de 40 horas. Todos son, una vez que los ves, completamente obvios. Por supuesto que el modelo necesita contexto completo. Por supuesto que debes guardar lo que funciona. Por supuesto que un proyecto necesita un mapa y un registro.

Y sin embargo – ve a ver cómo usas realmente la IA ahora mismo. Sé honesto. ¿Cuántas de estas siete cosas están realmente implementadas en tu flujo de trabajo hoy?

La mayoría de la gente está en un lugar extraño con la IA. Creen que es poderosa – han visto hacer cosas impresionantes – pero en sus propias manos sigue rindiendo por debajo. Así que asumen que la brecha está en el modelo, o en el prompt, o en algún conocimiento privilegiado que aún no han encontrado. Pasan horas buscando el truco en lugar de invertir veinte minutos construyendo la base.

El mensaje completo de Karpathy es que la brecha no se trata de magia. Se trata de memoria, estructura y trabajo incremental. Dale al modelo tu panorama completo. Guarda lo que construye. Trabaja en pasos pequeños y comprometidos. El modelo no es el cuello de botella – tu flujo de trabajo lo es.

Las personas que obtendrán dramáticamente más de la IA en los próximos dos años no son las que encontraron los mejores prompts. Son las que construyeron los mejores sistemas alrededor del modelo – incluso simples. Una carpeta /raw, una /wiki, un CLAUDE.md adecuado, dos archivos markdown y un bucle de trabajo.

Esa es toda la ventaja. Es casi vergonzosamente pequeña. Pero casi nadie lo está haciendo.

Vuelve a la historia del principio. Esa persona a las 11 p.m., frustrada, cerrando la pestaña – no es una historia sobre una mala IA. Es una historia sobre un flujo de trabajo sin memoria, sin estructura y sin bucle incremental. El modelo estaba listo para ayudar. Simplemente no sabía lo suficiente sobre lo que estaba ayudando.

Ahora sabes qué construir. Empieza con un archivo. Una carpeta. Una respuesta guardada. El sistema se acumula rápido.

TL;DR

Deja de ajustar prompts. Empieza a construir infraestructura. Un archivo de configuración adecuado, una estructura /raw y /wiki, páginas de referencia permanentes, archivos index y log para proyectos largos, un bucle de trabajo de pasos pequeños y un truco de HTML. El modelo deja de adivinar – y empieza a ayudar realmente. La ventaja no es un secreto. Es un sistema. Y toma aproximadamente una tarde configurarlo.

Si esto fue útil – guarda el enlace. Querrás volver a consultarlo.

Sigue a @ScottyBeamIO para más desgloses como este.

Sin rodeos, solo lo que realmente funciona.