Hay una escena que se repite millones de veces por día en todo el mundo. Alguien abre un chat con un agente conversacional -ChatGPT, Claude, Gemini, el que sea- y escribe algo así: “Buscame información sobre…”, o peor, no sabe qué ni cómo escribir.

Del otro lado hay un modelo capaz de procesar enormes volúmenes de información, entrenado con buena parte del conocimiento humano disponible y listo para responder. Sin embargo, no puede hacer demasiado si la instrucción -el prompt- es pobre. Y acá está el punto que pocas veces se dice: el problema no empieza en la herramienta, empieza antes de usarla.

Hoy empleamos agentes conversacionales para casi todo: redactar, resumir, buscar, traducir, idear. Pero ese escenario no va a durar mucho tiempo más en el mundo laboral. A medida que los ecosistemas tecnológicos se vuelvan más automatizados -con flujos agénticos, agentes autónomos e inteligencia artificial integrada en distintas capas de los procesos- muchas tareas rutinarias van a dejar de pasar por una ventana de chat y van a resolverse solas.

Cuando eso ocurra, la conversación directa con un agente no va a desaparecer, va a cambiar de lugar. Ya no será el entorno donde se pida cualquier tarea simple, sino el espacio donde se planteen problemas complejos, decisiones que requieren contexto, ideas que necesitan precisión o situaciones en las que haga falta orientar, corregir y validar una respuesta. Ahí saber conversar con estas tecnologías va a marcar la diferencia entre quienes las aprovechen y quienes queden al margen.

Cuando la inteligencia artificial automatice lo simple, el valor humano no estará en pedir cualquier cosa, sino en intervenir bien en los momentos claves.

Y esto no es solo teoría. Algunos estudios recientes vienen advirtiendo un riesgo concreto. Investigaciones del MIT y Microsoft, junto con trabajos difundidos en Harvard Business Review, muestran que el uso frecuente y acrítico de estas herramientas tiene un costo cognitivo: las personas están obviando pensar. Realizan menor actividad cerebral, disminuyen su capacidad de pensamiento crítico y generan una dependencia creciente con lo que el chat les devuelve. Hay quienes directamente copian y pegan sin leer. Otras personas ajustan apenas una palabra y dan por terminado el trabajo. El esfuerzo mental propio se va reemplazando, de a poco, por una delegación automática.

Este fenómeno tiene dos caras. Por un lado, está quien se agota intentando seguirle el ritmo a la máquina: revisa, corrige, compara, vuelve a pedir, se satura. Por el otro, quien se rinde y delega todo en el chat sin revisar lo que devuelve. Dos extremos que parecen opuestos, pero comparten algo fundamental: en ninguno de los dos casos hay un buen manejo de la interacción.

Ahí es donde el tema se vuelve incómodo, porque la narrativa dominante hoy dice “aprendé a usar IA” como si el desafío fuera principalmente técnico. Y claro que hay una dimensión técnica porque importa conocer las herramientas, sus límites, riesgos, condiciones de uso, etc. Pero el cuello de botella está antes. Está en saber qué problema tenemos, haber diagnosticado nuestra situación, tener una idea de adónde queremos llegar y haber pensado qué resultado esperamos y para qué lo necesitamos.

Eso es pensamiento propio. Eso es creatividad, la capacidad de imaginar una solución posible, diseñando un camino y ejecutando una iteración eficaz para llegar hasta ahí. Quien se sienta frente a un agente conversacional sin eso, se sienta vacío. Y la herramienta, por más poderosa que sea, amplifica lo que recibe: si recibe vacío, amplifica el vacío.

Ahora bien, supongamos que ya sabemos qué queremos, que hicimos el diagnóstico y que tenemos una finalidad concreta. Ahora necesitamos algo que parece obvio, pero no lo es: saber decirlo.

No se trata de memorizar fórmulas de prompt ni de repetir estructuras mágicas para “sacarle el máximo potencial” a la máquina. Se trata de recuperar algo mucho más básico: las reglas de una buena conversación. Decir lo necesario, aportar información confiable, mantener la relación con el problema y expresarse con claridad, algo que Paul Grice ya había sistematizado en 1975 en sus máximas conversacionales: cantidad, calidad, relación y manera.

Por eso, lo que estas herramientas van a exigir en el futuro no será solamente habilidad tecnológica, sino madurez de pensamiento: saber qué se quiere, cómo decirlo, procesar la respuesta, repreguntar con criterio, detectar errores, desconfiar cuando corresponde y validar antes de usar. Habilidades que no se aprenden con un simple tutorial.

Y acá hay algo paradójico. Si lo que va a definir el buen uso de estas herramientas es la capacidad de pensar antes de actuar y de saber decir lo que se necesita, la generación silver -los más alejados de la tecnología en apariencia- puede ser quien esté mejor preparada para hacerlo. No porque domine más rápido una interfaz, sino porque muchas de sus capacidades laborales fueron construidas en entornos donde había que diagnosticar, explicar, argumentar, corregir y decidir sin asistencia automática permanente.

El escenario que viene no es gradual. A medida que la automatización absorba lo rutinario, las oportunidades de intervenir van a ser cada vez menos y cada vez más decisivas. Quien no sepa qué pedir ni cómo pedirlo no va a quedar simplemente rezagado: va a quedar afuera. La exclusión no alcanzará sólo a quienes no tengan estas herramientas, sino también a quienes, aún teniéndolas delante, no sepan cómo interactuar eficazmente con ellas.

Con la llegada de los agentes conversacionales multimodales y multipropósitos como ChatGPT, Gemini, Claude, DeepSeek, etc., la gente creyó haber encontrado todas las respuestas a sus problemas. Entendieron -o les hicieron creer- que basta con escribir una pregunta para obtener, en segundos, una buena respuesta, amigable y convincente.

Sin embargo, al poco tiempo, también llegaron las desilusiones. “Respondió cualquier cosa”, “no me entendió”, “inventó cosas”, “alucinó”. ¿El problema? Muchos piensan que la culpa es de la inteligencia artificial. Pero, como suele pasar cuando algo no funciona, no siempre es culpa del otro. A veces, el problema somos nosotros.

La llegada de estos grandes modelos de lenguaje está cambiando por completo la forma en que nos relacionamos con la tecnología. Ya no estamos frente a chatbots de atención al cliente. Tampoco es Google. Es algo completamente distinto. Son herramientas que escriben, responden, hacen imágenes, videos, argumentan e incluso simulan pensar. Y ahí es donde empezamos a tropezar: cuando hablamos con una máquina que suena cada vez más humana, pero seguimos tratándola como si fuera una más del resto.

Uno de los principales obstáculos para el uso adecuado de estas herramientas es la falta de alfabetización tecnológica. Nos falta aprender a conversar con estos modelos. No se trata solo de hacer preguntas, sino de saber cómo preguntar, cuándo hacerlo y qué esperar de sus respuestas. La interacción con estos sistemas responde a una lógica nueva, una lógica que, si no comprendemos, nos deja atrapados en el desencanto o, peor aún, en confiar ciegamente en lo que dicen.

El segundo gran problema es el desconocimiento de los límites que estas tecnologías aún tienen. Porque claramente los tienen. Aunque parezcan saberlo todo, no lo saben. Su conocimiento no es actual, ni completo, ni infalible. No tienen acceso directo a internet (salvo excepciones y según su configuración), no razonan como lo haría una persona y no comprenden lo que dicen. Generan textos coherentes, pero eso no significa que sean correctos. Si uno pregunta por algo empático o por jurisprudencia argentina, puede que el modelo improvise, acierte o invente. Y si no lo sabemos, corremos el riesgo de tomar decisiones basadas en respuestas que suenan bien, pero no son fiables.

El tercer error, justamente, es confiar ciegamente en las respuestas. No solo por su contenido, sino por su forma. Muchas veces, los textos generados incluyen frases que delatan su origen: “¿Querés que te lo explique con un ejemplo?”, “Acá tenés un resumen en viñetas”, “¿Deseás un mapa mental?”. Estas fórmulas, diseñadas para facilitar la lectura, si luego se copian y pegan como si fuesen propias, generan graves problemas. Por eso no se trata de un estilo, sino que es una cuestión de responsabilidad ¿Validamos lo que nos devuelve el modelo? ¿Lo revisamos? ¿Lo contrastamos con otras fuentes? ¿O simplemente lo usamos y lo hacemos propio?

Frente a estos desafíos, el conocimiento marca la diferencia. El prompt engineering es la habilidad necesaria para interactuar con la inteligencia artificial generativa. No es un don reservado a especialistas en programación ni mucho menos. Es una competencia nueva, que todos podemos y deberíamos desarrollar si queremos usar estas herramientas de manera adecuada, estratégica y responsable.

Esta nuevo concepto se apoya en cinco claves fundamentales:

Alfabetización tecnológica: comprender qué es y cómo funciona la inteligencia artificial generativa. No hace falta ser ingeniero, pero sí entender lo básico -cómo se entrenan estos modelos, qué pueden y qué no pueden hacer, por qué a veces “alucinan”, es decir, inventan información, y cómo podemos prevenirlo.Elección crítica de plataforma y modelo: no todas las herramientas sirven para lo mismo. Algunos modelos son mejores para redactar textos, otros para programar, otros para traducir o resumir, etc. Saber qué usar según la tarea -y saber cuándo no usar inteligencia artificial- es parte de la estrategia.Diseño y ejecución del prompt: saber pedir implica saber delimitar el rol, el objetivo, el estilo, el contexto, el formato de la respuesta, e incluso los datos que se le brindan (respetando, claro, la tan pisoteada normativa vigente sobre privacidad y protección de datos).Ajuste, verificación y validación: ninguna respuesta debe usarse sin revisión. Es clave analizar si lo que el modelo generó es correcto y resulta aplicable. Contrastar con fuentes, revisar el estilo y verificar su consistencia es parte de la tarea. Y si no estamos conformes, ajustar el prompt y volver a intentar.Responsabilidad en el uso: el uso de IA puede tener consecuencias éticas, sociales, penales, etc. ¿Qué impacto tiene delegar tareas en una máquina? ¿Qué sesgos puede reproducir? ¿Quién se hace responsable del contenido generado? La trazabilidad, la transparencia y la conciencia del alcance son esenciales para un uso prudente. Hoy en día lo que más valoran las empresas y organizaciones a nivel mundial no es solo que se sepa usar inteligencia artificial, sino que se obtengan resultados rápidos y precisos con ella. En ese contexto, saber interactuar con un modelo de lenguaje ya es una ventaja competitiva concreta. Y no se trata de conocer fórmulas de prompts, sino de tener criterio, pensar en forma deliberada y saber cómo pedir exactamente lo que se necesita.ChatGPT, Gemini, Claude y compañía no vinieron a reemplazarnos. Vinieron a desafiarnos, a obligarnos a reflexionar sobre cómo pensamos, cómo preguntamos y cómo decidimos.

Nos exigen más, no menos. Porque si fallamos al usarlos no es por lo que son, sino porque todavía no entendimos cómo funcionan ni cómo debemos interactuar con ellos.

Los modelos de lenguaje no piensan por nosotros, pero sí nos invitan a pensar mejor. No toman decisiones, pero nos obligan a revisar las nuestras. Y ese es, quizás, su mayor valor: desafiarnos a ser más críticos, más precisos, más conscientes del uso que hacemos de la tecnología.

Al final de cuentas, no es ChatGPT, sos vos.