Andrej Karpathy dice que el 99% de los usuarios de IA pasan por alto 7 aspectos básicos. Aquí los analizo todos.

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

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

Imagina esto.

Son las 11 de la noche. Llevas dos horas mirando la misma ventana de chat de IA. Has reformulado la misma solicitud de seis maneras diferentes. Has intentado ser educado, ser directo, ser específico, ser vago. Has copiado y pegado 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 equivocado con total seguridad 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 sea el modelo. Y definitivamente no es el prompt.

Mientras la mayoría de la gente retoca incansablemente sus palabras, buscando la instrucción perfecta, o comprando otro "curso de productividad con IA" – un pequeño grupo de personas ha descubierto en silencio que el problema nunca fue el prompt.

El problema era todo lo que rodea 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 mundo de la IA, tiene credenciales: cofundador de OpenAI, exdirector de IA en Tesla, profesor en Stanford, uno de los ingenieros que realmente construyó los sistemas que todos los demás intentan "hackear" con prompts ingeniosos.

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. Construye infraestructura.

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

Esto es 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 espacio en la 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
• Cuál es 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? También necesitas esto. Configura una nota fijada. 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 en bruto, 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 al 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 por defecto: 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 revisa tus notas periódicamente en busca de duplicados, conflictos e información desactualizada.

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

CONSEJO 5: Para cualquier proyecto que dure más de una semana – añade 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 programas al estilo "vibe" 1 o 2 horas al día, en dos semanas realmente no recordarás lo que construiste el tercer día. Estos dos archivos son tu capa de memoria.

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

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

Su bucle de trabajo real:

• Carga el contexto completo
• Pide 2 o 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 un desastre imposible de depurar.

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

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

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

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

Esto es lo extraño de todo esto.

Ninguno de estos consejos es secreto. Ninguno requiere una suscripción de pago, 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 deberías guardar lo que funciona. Por supuesto que un proyecto necesita un mapa y un registro.

Y sin embargo – ve a mirar 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 que hace cosas impresionantes – pero en sus propias manos sigue rindiendo por debajo de lo esperado. Así que asumen que la brecha está en el modelo, o en el prompt, o en algún conocimiento interno que aún no han encontrado. Pasan horas buscando el truco en lugar de pasar veinte minutos construyendo los cimientos.

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 los 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 de la noche, frustrada, cerrando la pestaña – esa no es una historia sobre una mala IA. Es una historia sobre un flujo de trabajo sin memoria, sin estructura y sin un 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 de verdad. La ventaja no es un secreto. Es un sistema. Y se tarda aproximadamente una tarde en configurarlo.

Si esto te fue útil – márcalo como favorito. Querrás volver a consultarlo.

Sigue a @ScottyBeamIO para más análisis como este.

Sin rodeos, solo lo que realmente funciona.