Muchas personas empiezan usando inteligencia artificial para pedir una respuesta puntual: un correo, un resumen, una explicación, una tabla o una lista de ideas. Ese uso sigue siendo útil. El problema aparece cuando el trabajo tiene más capas y una sola salida ya no alcanza.
Hay tareas que piden más recorrido. Reunir información, separar partes del problema, revisar criterios, producir una versión intermedia, corregirla y volver a trabajar sobre ella. Ahí la IA deja de entrar en un solo momento y empieza a acompañar varias etapas.
Ese es el centro de este patrón que se desarrollará a continuación.
Cuando una tarea necesita varias etapas
En este patrón, el prompt deja de ser una consulta aislada. Pasa a ocupar un lugar dentro de una secuencia.
Una interacción puede servir para abrir el problema. Otra para ordenar materiales. Otra para devolver una primera clasificación. Otra para convertir esa clasificación en un borrador. Otra para revisar ese borrador con ciertos criterios. Otra para transformar la salida en una tabla, una guía, una presentación o una lista de decisiones pendientes.
A medida que eso ocurre, la respuesta deja de verse como cierre. Empieza a funcionar como material de trabajo. Trabajar así exige decidir qué papel cumple cada salida en el proceso. Por eso aparecen prompts con funciones diferentes. Unos ayudan a explorar. Otros a organizar. Otros a revisar. Otros a cambiar de formato.
Ese detalle cambia la experiencia de uso. La persona ya no mira todo lo que produce la IA como si fuera un resultado final. Lee, corrige, descarta, combina y decide qué vale la pena llevar al siguiente paso. Parte del trabajo consiste justamente en eso: saber cuándo una salida todavía está verde y cuándo ya puede convertirse en insumo para la siguiente etapa.
Aquí entra una habilidad que muchas personas ya usan en su vida diaria, aunque no siempre la nombren. Dividir una tarea en etapas, reconocer qué conviene hacer primero, qué resultado parcial hace falta antes de seguir y en qué momento toca revisar.
Esa manera de trabajar ha sido importante desde hace mucho tiempo en campos orientados a procesos, como la ingeniería industrial, la logística, la manufactura, la gestión de operaciones y el diseño de procedimientos. Con la IA, empieza a ganar valor en espacios mucho más amplios. Docentes, coordinadoras, analistas, consultores, emprendedoras y profesionales de áreas muy distintas se benefician cuando pueden ordenar una tarea de esa manera.
La diferencia empieza antes de escribir el prompt más importante. Importa cómo se divide la tarea, qué se define desde el comienzo, qué se deja abierto y qué conviene revisar más adelante. La IA ayuda más cuando la tarea ya viene mejor partida. También responde mejor cuando la persona sabe qué necesita en cada etapa.
Por qué trabajar por etapas ayuda a entender mejor el problema
Si alguien le pide a la IA un producto final demasiado pronto, puede recibir algo bien escrito y, al mismo tiempo, poco útil. El planteamiento todavía puede traer confusión, mezcla de niveles, criterios poco claros o vacíos de información.
Trabajar por etapas cambia esa situación. El problema empieza a mostrar mejor su forma. Se ve qué parte necesita contexto, qué parte pide análisis, qué parte requiere revisión y qué parte ya puede pasar a un formato más estable.
Esa diferencia importa porque muchas tareas llegan mal planteadas. Llegan demasiado amplias. Llegan con preguntas mezcladas. Llegan con supuestos que nadie ha revisado todavía. Cuando la persona produce materiales intermedios y avanza por varias etapas, el problema se vuelve más legible. Se nota mejor qué falta, qué sobra, qué está mezclado y qué todavía necesita una definición más precisa.
Newell y Simon mostraron que la manera en que una persona representa un problema influye en la forma en que intenta resolverlo [1]. También mostraron la importancia de trabajar con submetas. Esa idea encaja muy bien aquí. Al dividir una tarea en pasos más pequeños, la persona organiza mejor la ejecución y entiende con más claridad dónde está el obstáculo real.
Desde ahí también se entiende la relación con habilidades como descomponer, abstraer, ordenar pasos y trabajar con versiones intermedias. Jeannette Wing dio visibilidad a esta forma de pensar cuando habló de pensamiento computacional [2]. Su propuesta no estaba reservada a quienes programan. Señalaba una manera de abordar problemas que puede ser útil en muchos campos.
Hoy eso se ve con bastante claridad en el trabajo con IA. Una persona puede usar lenguaje natural, no escribir una sola línea de código y, aun así, trabajar de un modo muy cercano a esa lógica: dividir, probar, revisar, reorganizar y seguir.
Entre 2025 y 2026, mientras trabajaba en el diseño de un nuevo programa de posgrado en el sector de la tecnología, tenía delante análisis de mercado, revisión de la competencia, referentes externos, notas de reuniones, observaciones institucionales y varias preguntas abiertas sobre el perfil de ingreso, el valor diferencial de la propuesta y las decisiones curriculares que realmente tenía sentido tomar. No era una sola pregunta. Eran varias, enlazadas entre sí.
Si en ese punto yo le hubiera pedido a la IA una justificación completa del programa, seguramente me habría devuelto un texto bien escrito. El problema es que ese texto habría nacido de una mezcla todavía inmadura: tendencias del sector, intuiciones mías, rasgos de otras ofertas y decisiones que yo misma todavía no había terminado de aclarar. Por eso no me servía empezar por ahí.
Lo que sí me servía era analizar el problema por partes. Mi mente de desarrolladora de software tiende a hacerlo de manera natural. A veces usaba la IA para ayudarme a organizar la información que ya había recogido sobre el mercado y la competencia. Quería ver patrones, no un discurso final. Me interesaba distinguir qué estaba ofreciendo cada tipo de programa, qué énfasis se repetían, qué promesas parecían demasiado amplias y qué vacíos empezaban a aparecer cuando comparaba unas ofertas con otras.
Esa salida no se quedaba como un resultado terminado. Se convertía en un punto de análisis para revisar, corregir y depurar. A partir de ahí, la IA no solo me ayudaba a organizar información, sino también a ponerla bajo tensión. Por ejemplo, le pedía a la herramienta que contrastara lo que parecía demandar el entorno con lo que estaban ofreciendo otras instituciones y con lo que nosotros sí podíamos sostener con calidad. Ese tipo de análisis empezó a mostrarme cosas más útiles, porque me ayudaba a ver mejor dónde estaban las tensiones.
Una de las salidas más valiosas de ese recorrido tenía que ver con los diferenciales del programa. A medida que esa parte se iba afinando, dejaba de ser solo una idea bonita en una redacción y se convertía en un insumo para la siguiente pregunta. Si yo decía que el programa se iba a diferenciar por ciertas apuestas formativas, entonces el perfil de ingreso no podía pensarse por separado. Necesitaba coherencia con esos diferenciales.
Y cuando ambos puntos empezaban a tomar forma —qué ofrecíamos de manera distintiva y a quién le hacía sentido entrar—, esas dos piezas me servían para mirar el currículo con otros ojos. Ya no estaba pensando asignaturas desde intuiciones sueltas, sino desde decisiones que se habían ido depurando en etapas anteriores.
En ese proceso, una salida de la IA no se quedaba aislada. Me servía para afinar la siguiente pregunta. El análisis del mercado, la competencia y los referentes ayudaba a precisar los diferenciales. Los diferenciales ayudaban a ajustar el perfil de ingreso. Y esas dos cosas me daban mejores bases para tomar decisiones curriculares.
Tareas como esta, repetidas y maduradas a lo largo del tiempo, fueron dándole forma al patrón que hoy puedo describir con más claridad en este texto. La IA me ayudaba a producir insumos, sí, pero sobre todo me ayudaba a entender mejor el problema mientras avanzaba. Y ese avance dependía de mi papel entre una etapa y la siguiente.
La revisión humana en la mitad del recorrido
El valor de este patrón no está solo en usar varios prompts, sino en volver a entrar entre una etapa y la siguiente. Si la salida de la IA pasa de un paso a otro sin revisión, el proceso puede avanzar rápido, pero también puede avanzar sobre una base débil.
Eso importa porque una primera salida, incluso cuando suena razonable, puede traer simplificaciones, relaciones forzadas o criterios que todavía no están bien resueltos. Cuando vuelvo a leer, corregir, ajustar o incluso descartar parte de lo que salió, no estoy frenando el proceso. Estoy evitando que una idea todavía inmadura termine sosteniendo todo lo demás.
En mi experiencia, ahí se juega una parte importante del trabajo. No estoy solo al comienzo, escribiendo una instrucción, ni al final, recibiendo un texto. También entro en la mitad del recorrido para revisar si la salida realmente sirve, si necesita otra vuelta o si conviene reformular la pregunta antes de seguir. Esa intervención cambia mucho la calidad del resultado, porque evita que el proceso se vuelva una cadena automática de respuestas que suenan bien.
En marcos actuales de gobernanza y uso responsable de IA, esa presencia humana dentro de la cadena suele resumirse con la expresión human in the loop [3]. En tareas complejas, la idea es que alguien revisa productos intermedios, corrige el rumbo y decide si el siguiente paso tiene sentido. El juicio humano hace parte indispensable del proceso.
Lo que deja este patrón y el riesgo que trae
Trabajar de esta manera deja aprendizaje. La persona empieza a distinguir mejor entre una instrucción demasiado amplia y una instrucción suficientemente precisa. Aprende a detectar cuándo una salida todavía está verde. Aprende a reconocer qué parte necesita otra vuelta antes de seguir. Aprende a ver la forma de la tarea con más claridad.
Buena parte de ese aprendizaje nace en las decisiones intermedias. No depende solo de que el resultado final haya quedado bien o mal. sino que depende de haber tenido que leer, corregir, comparar y decidir qué seguía y qué todavía no.
Sin embargo, también hay algunos riesgos de este patrón, por ejemplo, una secuencia larga de prompts puede dar una apariencia de rigor que no siempre existe. Es posible construir muchas etapas, muchas tablas y muchas versiones, y aun así pensar poco. La cantidad de pasos no garantiza calidad.
Cuando este patrón está bien usado, la IA ayuda a sostener tareas más largas y más complejas sin que todo quede reducido a pedir un gran resultado final. La persona conserva dirección sobre el proceso. La herramienta acompaña. Los prompts pasan a formar parte de un recorrido más amplio. El problema se entiende mejor a medida que se trabaja. Las siguientes indicaciones ganan precisión porque ya salen de una comprensión más afinada.
En ese punto, la pregunta importante es simple:
¿ya revisé de verdad esta salida o siguió adelante porque sonaba bien?
Referencias
[1] Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall.
[2] Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3).
[3] Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology.
