El fin de los prompts: El comienzo de los bucles de IA

La mayoría de la gente todavía está intentando encontrar el prompt perfecto.

Ese ya no es el juego correcto.

Los mejores usuarios de IA no están mejorando porque encontraron una frase mágica. Están mejorando porque dejaron de tratar a la IA como un chat y empezaron a tratarla como un sistema que puede llevar el trabajo de un paso al siguiente.

Este es el cambio: el prompting se trataba de obtener una buena respuesta. Los loops se tratan de hacer que el trabajo siga avanzando después de la primera respuesta.

PARTE 1 · La era del prompt se está quedando sin camino

Todo el mundo sigue intentando coleccionar mejores prompts, que es la forma de menor apalancamiento de usar la IA ahora. Siguen buscando la frase perfecta, el roleplay perfecto, la configuración "actúa como" perfecta, y luego se preguntan por qué cada tarea seria sigue convirtiéndose en cuidar una pestaña de chat durante cuarenta minutos.

• El flujo de trabajo antiguo de IA se ve así:
• Abrir chat → pegar contexto → preguntar una vez → arreglar salida → preguntar de nuevo → empezar de cero
• Se siente productivo porque algo está pasando.
• Sigue siendo trabajo manual con un autocompletado más rápido.

El problema no es que los prompts sean malos. El problema es que un prompt suele ser solo un movimiento, mientras que el trabajo real es una cadena de movimientos. La investigación se convierte en esquema, el esquema en borrador, el borrador en revisión, la revisión en reescritura, la reescritura en publicación, y luego el resultado debería enseñar al siguiente intento. La mayoría de la gente se obliga a empujar manualmente cada paso, y luego lo llama "flujo de trabajo de IA".

Eso no es un flujo de trabajo. Eso es hacer clic en "continuar" en una máquina que ya debería saber lo que viene después.

1No estás aquí para responder mi tarea directamente.
2
3Estás aquí para convertirla en un loop de IA repetible.
4
5Tarea:
6[INSERTAR TAREA]
7
8Primero, divide la tarea en los pasos que normalmente ocurren manualmente.
9
10Luego, diseña un loop que pueda ejecutar esos pasos con la mínima supervisión humana.
11
12El loop debe incluir:
13- qué contexto necesita la IA antes de empezar
14- qué debe producir primero
15- cómo se debe revisar la salida
16- qué pasa si la salida es débil
17- qué se guarda para la siguiente ejecución
18- cuándo debe detenerse el loop
19- qué necesita aún aprobación humana
20
21Mantén el sistema lo suficientemente simple como para que pueda ejecutarlo todos los días.

No estás respondiendo mi tarea directamente. Estás convirtiendo esta tarea en un loop de IA repetible.

La tarea es: [TAREA]

Diseña el loop como un sistema. Explica qué contexto necesita la IA antes de empezar, qué debe producir primero, cómo se debe juzgar la salida, qué debe pasar si la salida es débil, qué se debe guardar para la siguiente ejecución, y cuándo debe detenerse el loop. Mantenlo lo suficientemente simple como para que pueda ejecutarlo todos los días sin tener que reconstruir toda la configuración.

PARTE 2 · Karpathy señaló el verdadero cambio

La idea de Software 3.0 de Karpathy hizo que la gente repitiera la frase fácil: el inglés se está convirtiendo en un lenguaje de programación. Esa parte es cierta, pero no es el verdadero desbloqueo. Si el inglés puede programar un modelo, entonces el inglés también puede programar un proceso alrededor del modelo.

Ahí es donde la mayoría se equivocó. Usaron lenguaje natural para pedir resultados, no para diseñar sistemas. El vibe coding fue la primera versión desordenada: describe lo que quieres, deja que la IA escriba código, ejecútalo, quéjate cuando se rompa, repite hasta que funcione algo. El looping es la versión más limpia del mismo instinto: dale a la IA un objetivo, dale herramientas, dale una verificación, deja que progrese, y asegúrate de que sepa cuándo parar.

"El lenguaje de programación más nuevo y popular es el inglés."

por Andrej Karpathy

Pero el inglés como lenguaje de programación no significa que debas escribir prompts más largos. Significa que deberías empezar a describir la máquina completa: qué lee, qué hace, cómo se verifica a sí misma, qué recuerda, y qué no se le permite tocar.

PARTE 3 · El loop es el producto

Un loop útil no es una fantasía gigante de múltiples agentes. Generalmente es aburrido de la mejor manera posible. La IA obtiene un objetivo, toma el contexto adecuado, realiza una acción, verifica el resultado contra un estándar, guarda lo que funcionó, y repite solo si el resultado aún no es lo suficientemente bueno.

Ese único cambio convierte a la IA de un generador de texto en un trabajador. No un trabajador perfecto, no un dios autónomo, no esa tontería de "despide a tu equipo". Solo un trabajador con un proceso, una lista de verificación, y un gerente que supervisa las partes arriesgadas.

• Este cambio ya es visible en:
• Karpathy → Software 3.0
• Anthropic → flujos de trabajo de agentes
• Meta/Llama → herramientas, evaluaciones, control de despliegue

Por eso los patrones de agentes de Anthropic importan. Los mejores sistemas de agentes no se construyen lanzando diez bots a un Discord y esperando que algo inteligente ocurra. Se construyen a partir de piezas simples: enrutamiento, herramientas, cadenas de prompts, bucles de evaluación, y configuraciones de orquestador-trabajador. La magia no es que el modelo actúe de forma inteligente una vez. La magia es que el modelo sea forzado a pasar por un proceso que detecta trabajo débil antes de que lo veas.

El ecosistema Llama de Meta apunta en la misma dirección desde el otro lado. Modelos abiertos, capas de seguridad, evaluaciones, despliegue local, enrutamiento más barato, diferentes modelos para diferentes trabajos. El futuro no es un modelo gigante que responda todo. El futuro son sistemas donde modelos baratos clasifican, modelos fuertes razonan, modelos locales manejan contexto privado, y pasadas de evaluación deciden qué sobrevive.

PARTE 4 · El loop de escritura

La mayoría de la escritura con IA es mala porque la gente pide un artículo terminado demasiado pronto. Saltan la parte donde la idea se pone a prueba de presión, el gancho se puntúa, las secciones débiles se atacan, y la prueba se verifica.

Un loop de escritura real no comienza con "escríbeme un post". Comienza con selección de ángulo. Luego prueba el ángulo contra curiosidad, especificidad, prueba y tensión emocional. Luego redacta. Luego juzga el borrador. Luego reescribe. Solo después de eso deberías leerlo.

Un loop de escritura real tiene capas:

Ángulo → Gancho → Borrador → Crítica → Reescritura → Ideas de imagen → Siguiente prueba

La mayoría de la gente solo pide el borrador.

Por eso el borrador suena como el de todos los demás.

1Eres mi loop de escritura.
2
3Tema:
4[INSERTAR TEMA]
5
6Audiencia:
7[INSERTAR AUDIENCIA]
8
9Estilo:
10[INSERTAR ESTILO]
11
12Objetivo:
13[INSERTAR OBJETIVO]
14
15No escribas el artículo de inmediato.
16
17Primero, crea 5 ángulos posibles para este tema.
18
19Para cada ángulo, juzga:
20- qué tan cliqueable es
21- qué tan específico es
22- qué tan útil es
23- qué tan diferente se siente del contenido genérico de IA
24
25Elige el ángulo más fuerte y explica por qué gana.
26
27Luego escribe el primer borrador.
28
29Después del borrador, cambia al modo editor y critícalo por:
30- apertura débil
31- afirmaciones genéricas
32- falta de pruebas
33- transiciones aburridas
34- beneficio poco claro
35- secciones que suenan a IA
36
37Luego reescribe el artículo usando esa crítica.
38
39Al final, dame:
401. artículo final
412. gancho más fuerte
423. sección más débil restante
434. 3 ideas de imagen
445. qué debería probar en la siguiente versión

Comienza creando cinco ángulos posibles para el artículo. Puntúa cada ángulo por curiosidad, especificidad, utilidad y probabilidad de que alguien haga clic. Elige el ángulo más fuerte y explica por qué gana.

Luego escribe el primer borrador. Después del borrador, conviértete en el evaluador y atácalo por afirmaciones genéricas, pruebas débiles, transiciones aburridas, beneficio poco claro y secciones que suenan a IA. Reescribe el artículo usando esa crítica. Al final, dame el borrador final, el gancho más fuerte, la sección más débil restante y tres ideas de imagen que harían que el artículo se sienta más creíble.

PARTE 5 · El loop de investigación

Lo mismo aplica para la investigación. La mayoría de la gente le pide a la IA que "investigue un tema", y luego obtiene un resumen blando que suena como cada publicación de blog en la segunda página de Google. Un loop de investigación no debería recolectar hechos al azar. Debería cazar tensión.

Los artículos más fuertes en este nicho todos hacen lo mismo: encuentran un comportamiento antiguo, muestran por qué ahora está roto, introducen una nueva categoría, y luego le dan al lector un sistema que pueden robar. Por eso "Loop Engineering" impacta más que "10 prompts de Claude". Uno suena como un nuevo modelo operativo. El otro suena como un imán de leads en PDF.

1
2Investiga este tema como si estuviera escribiendo un artículo de alto rendimiento en X, no una publicación de blog para SEO.
3
4Tema:
5[INSERTAR TEMA]
6
7No me des un resumen genérico.
8
9Encuentra la tensión detrás del tema.
10
11Quiero saber:
12- qué comportamiento antiguo sigue haciendo la gente
13- qué nuevo comportamiento lo está reemplazando
14- por qué el comportamiento antiguo se está rompiendo
15- qué pruebas o ejemplos muestran que el cambio es real
16- qué ángulo contrario haría que la gente dejara de hacer scroll
17- qué afirmaciones suenan sobrevaloradas y deberían evitarse
18
19Luego conviértelo en un brief para creador con:
20- título
21- tesis
22- gancho de apertura
23- estructura del artículo
24- ejemplos más fuertes
25- ideas de imagen
26- qué debería creer el lector al terminar

PARTE 6 · El loop de memoria

La parte que casi nadie construye es la memoria. Sin memoria, todo flujo de trabajo de IA tiene amnesia. Puede ayudarte hoy, pero mañana empieza de nuevo como un becario en su primer día.

Un loop de memoria cambia eso. Después de cada proyecto, la IA debería extraer qué funcionó, qué falló, qué estilo funcionó, qué ejemplos fueron más fuertes, qué afirmaciones se sintieron débiles, y qué debería reutilizarse la próxima vez. Así es como el sistema comienza a acumularse.

Tu segundo cerebro es inútil si solo almacena notas. El verdadero desbloqueo es cuando se mantiene solo, encuentra ideas repetidas, nota pensamientos inconclusos, y empuja el contexto correcto a la siguiente tarea incluso antes de que lo pidas.

1Después de que esta tarea esté terminada, extrae la lección reutilizable del trabajo.
2
3Guarda lo siguiente:
4
5Cuál fue la tarea.
6Qué enfoque funcionó.
7Qué sonó genérico.
8Qué ejemplos fueron más fuertes.
9Qué estructura funcionó mejor.
10Qué debería reutilizarse la próxima vez.
11Qué error no debería repetirse.
12
13Antes de comenzar la siguiente tarea relacionada, revisa esta memoria primero.
14
15Si estoy repitiendo un error antiguo, señálalo.
16
17Si un patrón antiguo aplica, reutilízalo.
18
19Si falta contexto importante, pídelo antes de producir la respuesta final.

Después de que esta tarea esté terminada, extrae la lección reutilizable del trabajo.

Guarda cuál fue la tarea, qué enfoque funcionó, qué sonó genérico, qué ejemplos fueron útiles, qué debería reutilizarse la próxima vez, y qué error debería evitar repetir. Antes de comenzar la siguiente tarea relacionada, revisa esta memoria primero y dime si estoy a punto de repetir un error antiguo o si me estoy perdiendo un patrón que ya funcionó.

PARTE 7 · La habilidad real ahora

El prompting fue la interfaz para principiantes. Enseñó a la gente que el lenguaje puede controlar modelos, pero también los entrenó para pensar demasiado pequeño. Todavía imaginan la IA como una caja que responde, cuando la oportunidad real es construir sistemas que muevan el trabajo hacia adelante.

El siguiente margen está en saber qué tareas merecen loops. No todo necesita uno. Una pregunta rápida puede seguir siendo una pregunta rápida. Pero cualquier cosa que hagas todos los días, todas las semanas, o cada vez que publiques, vendas, programes, investigues, intercambies, edites u organices conocimiento probablemente no debería vivir dentro de un solo chat.

Ese trabajo necesita un loop.

Un loop no hace inútil al humano. Mueve al humano a la parte que realmente importa: establecer el objetivo, definir el gusto, aprobar las decisiones arriesgadas, y mejorar el sistema después de cada ejecución.

La gente que todavía colecciona listas de prompts está optimizando la frase.

La gente que construye loops está optimizando la máquina.