Quiero escribir algo que no suele escribirse sobre la IA.

No el artículo de «la IA va a reemplazar tu trabajo» —ese está sobreescrito y suele ser impreciso. No el de «la IA es una herramienta como cualquier otra» —ese minimiza algo que genuinamente merece atención. Y tampoco el de «la IA me cambió la vida» —ese generalmente es marketing disfrazado de epifanía.

Quiero escribir sobre algo más específico y más útil: las condiciones concretas bajo las cuales la colaboración con IA amplifica tu capacidad, y las condiciones bajo las cuales la embota.

Lo sé porque lo viví durante dos meses de trabajo intensivo, reconstruyendo InnMentor prácticamente desde cero después del robo de mayo. Desde el rediseño de identidad hasta el código de producción del sitio web. Desde los textos de LinkedIn hasta el análisis de 400 URLs para una migración SEO. Desde el diseño del sistema 00_n_CONTEXTO hasta la arquitectura de redirects 301 con una jerarquía de prioridad académica.

Si llegás directamente a este artículo, el contexto: en el primer artículo de la saga cuento cómo el robo reveló el Conocimiento Tácito Atrapado que yo mismo enseño a destrabar. En el segundo, las fijaciones cognitivas que encontré en mi propio sistema. Este es el cierre: dos meses con IA como interlocutora central. Y lo que aprendí no es lo que esperaba aprender.

El error de categoría que todos cometemos

Cuando la mayoría de la gente habla de IA, habla de ella como si fuera un buscador muy sofisticado o un asistente muy eficiente. Algo que responde preguntas, que genera texto, que produce código.

Ese modelo mental no está equivocado. Pero está incompleto de una forma que importa.

Lo que descubrí en dos meses de uso intensivo es que la IA funciona más como un espejo de alta resolución que como una herramienta de producción.

Un espejo no genera nada por sí mismo. Devuelve lo que le mostrás, pero con una claridad que a veces supera la que podés lograr mirando directamente. Cuando el input es rico —cuando la pregunta es precisa, cuando el contexto está estructurado, cuando la intención es clara— lo que ves en el espejo es más nítido de lo que podrías ver solo.

Cuando el input es pobre —cuando la pregunta es vaga, cuando el contexto está ausente, cuando la intención es confusa— el espejo te devuelve exactamente eso, pero amplificado. Una confusión que parece respuesta. Una mediocridad que parece producción.

Cuándo amplifica: las cinco condiciones

Después de dos meses, puedo identificar con bastante precisión cuándo la colaboración se vuelve genuinamente poderosa.

Condición 1: Cuando traés una decisión, no una delegación.

La diferencia parece sutil. No lo es.

Traer una decisión significa: «Elegí Georgia como tipografía porque quiero cero carga de fuentes externas y quiero que connote rigor intelectual sin perder el alma artesanal. Ayudame a implementarlo en el sistema de diseño.»

Traer una delegación significa: «Elegí una tipografía para mi sitio.»

En el primer caso, la IA opera dentro de un marco que vos definiste. Puede ejecutar con velocidad y consistencia. Puede señalar inconsistencias que no viste. Puede agregar capas de detalle que habrían costado horas.

En el segundo caso, la IA va a elegir algo razonable, probablemente algo que ya vio muchas veces, probablemente algo que se parezca a lo que suelen hacer sitios similares. No porque sea mala —sino porque sin tu decisión, no tiene acceso a lo que hace que tu proyecto sea específicamente tuyo.

Condición 2: Cuando el contexto está estructurado.

Este fue el aprendizaje más costoso y el más transformador.

Al principio del proceso de reconstrucción, cada sesión nueva empezaba desde cero. Explicar quién era, qué hacía, qué habíamos decidido en sesiones anteriores, qué reglas eran innegociables. Tiempo perdido. Inconsistencias entre sesiones. Decisiones que se contradecían porque una sesión no sabía lo que había pasado en la anterior.

La solución no fue técnica. Fue metodológica: el sistema 00_n_CONTEXTO que describí en los artículos anteriores. Hoy vamos por la versión 30.

Una vez que ese sistema estuvo en pie —con las decisiones documentadas, las reglas explícitas, el vocabulario prohibido y el obligatorio, el estado de cada frente— la calidad de cada sesión cambió cualitativamente. No porque la IA se hubiera vuelto más inteligente. Sino porque yo llegaba con un contexto que le permitía operar en territorio que ya conocía.

Esto es análogo exactamente al problema del Conocimiento Tácito en las organizaciones. Un equipo nuevo puede ser brillante, pero sin el contexto de las decisiones previas opera en el vacío. El contexto no es overhead. Es la diferencia entre construir sobre cimientos y construir sobre arena.

Condición 3: Cuando usás el desacuerdo como señal.

La IA tiene una tendencia natural a ser cooperativa. No es servilismo —es que fue entrenada en la textura de millones de conversaciones humanas donde el acuerdo es más frecuente que el desacuerdo.

Esto puede ser una trampa.

Si la IA dice que algo funciona y no lo cuestionás, puede estar siguiendo tu lógica aunque esa lógica tenga un error. Si propone una solución y la adoptás sin evaluar si encaja con tu contexto específico, podés terminar con algo que funciona en abstracto pero no en tu caso concreto.

Aprendí a usar el momento en que algo no me convencía del todo como señal de que valía la pena empujar. No para contradecir por contradecir —sino porque esa incomodidad era frecuentemente el indicador de que algo no había aterrizado en la especificidad de mi problema.

Condición 4: Cuando el problema tiene estructura pero no tiene solución obvia.

La IA es extraordinariamente buena en un tipo específico de problema: los que tienen estructura clara pero múltiples caminos posibles de solución.

Dame 131 redirects SEO ordenados por prioridad académica, con QWERTY primero y la wildcard al final. Dame el CSS para que el navbar no tenga margin-block-start en WordPress TT5. Dame el JSON-LD E-E-A-T con los tres nodos del cluster correctamente vinculados. Dame el alt text de 17 SVGs dentro de 125 caracteres sin los términos prohibidos.

Todos esos problemas tienen estructura. Tienen reglas. Tienen criterios de éxito verificables. Y tienen suficiente complejidad como para que hacerlos solo —con atención, sin errores, con consistencia— costaría mucho más tiempo.

Lo que la IA no puede hacer bien —y esto importa tanto como lo anterior— es definir los criterios de éxito. Eso siempre viene de vos.

Condición 5: Cuando la iteración es rápida y el costo del error es bajo.

Hay algo que cambia en tu relación con el proceso cuando podés generar una versión, evaluarla, descartarla si no funciona, y generar otra en minutos en lugar de días.

Durante el proceso de diseño del sitio, hicimos 22 versiones del SVG de la grieta para la página 404. En otro contexto, la versión 3 habría sido «suficientemente buena» por el costo de iterar más. Con la velocidad de iteración disponible, llegamos a la versión donde el bug de los endpoints de las grietas quedó realmente resuelto.

Esto no es perfeccionismo. Es la diferencia entre un estándar que se mantiene y uno que cede ante la presión del tiempo. La IA no elimina el costo de la iteración. Lo reduce lo suficiente como para que puedas permitirte el número de ciclos que el problema realmente necesita.

Cuándo embota: las tres condiciones

Y ahora la parte que menos suele escribirse.

Condición 1: Cuando delegás la decisión de qué importa.

Hubo momentos en el proceso donde, bajo la presión de avanzar, formulé preguntas que en realidad eran delegaciones disfrazadas de preguntas.

«¿Qué bloque debería priorizar ahora?» No es una pregunta técnica. Es una pregunta estratégica que depende de dónde está la urgencia económica, qué está bloqueando el go-live, qué tiene más impacto en los próximos 30 días. Todas esas son cosas que solo yo podía saber. Cuando delegué esa decisión implícitamente, obtuve una respuesta razonable en abstracto pero no necesariamente la correcta para mi situación concreta.

Condición 2: Cuando el contexto se fragmenta.

El segundo frente donde el proceso falló fue cuando intenté resolver en una sesión problemas que tenían dependencias con decisiones tomadas en sesiones anteriores, sin llevar el contexto de esas decisiones.

El caso más claro: el child theme de WordPress. Intenté resolverlo en una sesión donde no había pasado el historial completo de lo que habíamos probado y por qué había fallado. El resultado fue que repetimos iteraciones que ya habíamos descartado, llegamos al mismo callejón desde otro camino, y perdimos tiempo que podría haber ido a otra cosa.

La solución no fue más IA. Fue mejor contexto. El conocimiento tácito del proceso —qué habíamos probado, qué no funcionó, qué decidimos explícitamente no hacer— era tan importante como el problema técnico en sí. Sin ese contexto, cualquier solución empieza desde cero aunque el problema ya tenga historial.

Exactamente el mismo mecanismo que produce Amnesia Corporativa en las organizaciones. Que yo mismo había diagnosticado en el artículo anterior. Y que de todas formas repetí.

Condición 3: Cuando la velocidad reemplaza al criterio.

Esta es la más peligrosa porque es la más sutil.

La velocidad de producción que habilita la IA puede crear una ilusión de progreso que no siempre corresponde con avance real. Es posible generar mucho código, mucho texto, muchas versiones, en muy poco tiempo —y que nada de eso esté alineado con lo que el problema realmente necesita.

Hubo un momento en el proceso donde habíamos producido las versiones 19, 20 y 21 del HTML de la homepage. La pregunta correcta en ese momento no era «¿qué cambio en la v22?» sino «¿por qué seguimos en el HTML y no estamos en WordPress?»

La velocidad de iteración en el HTML era una forma sofisticada de evitar el problema real: que el momento del contacto con el servidor de producción iba a revelar cosas que el HTML local no podía revelar, y que eso daba miedo.

Lo que la IA no puede hacer, y por qué eso importa

Quiero ser preciso aquí porque creo que el exceso de entusiasmo sobre la IA crea expectativas que después producen decepción.

La IA no puede:

Saber qué es importante para vos sin que se lo digas explícitamente. Puede inferir cosas razonables del contexto, pero no puede acceder a las prioridades que vivís pero no articulás.

Juzgar si una decisión es correcta en función de consecuencias que no están en el contexto de la conversación. Puede evaluar consistencia lógica. No puede evaluar consecuencias que dependen de tu contexto externo.

Reemplazar el momento donde algo hace clic internamente. Hay un tipo de comprensión —la que viene de procesar algo durante días, de dormirte con un problema y despertar con la respuesta— que no tiene sustituto. La IA puede acelerar el análisis. No puede reemplazar la maduración.

Tener stake en el resultado. Esto parece filosófico pero es profundamente práctico. Cuando algo sale bien, el mérito es tuyo. Cuando algo sale mal, el problema también es tuyo. La IA no tiene consecuencias. Vos sí. Esa asimetría no es un defecto del sistema: es la razón por la que la decisión final siempre tiene que ser tuya.

El modelo que me quedó

Después de dos meses, la metáfora que mejor describe la colaboración es la del maestro artesano y el taller.

Un buen taller —con las herramientas correctas, en buen estado, organizadas para facilitar el trabajo— hace posible cosas que sin él serían imposibles o tomarían diez veces más tiempo. Un carpintero con un taller bien equipado puede producir en un día lo que sin él tomaría una semana.

Pero el taller no sabe qué construir. No sabe si el cliente necesita una silla o una mesa. No sabe qué tipo de madera corresponde a la función que va a cumplir el mueble. No sabe si la proporción está bien o si hay algo que todavía no termina de funcionar.

Eso lo sabe el carpintero. Y si el carpintero no lo sabe, el taller no puede compensarlo. Solo puede ejecutar la dirección incorrecta más rápido.

El Científico del Barro con acceso a IA es un maestro artesano con el taller más eficiente que ha existido. Puede probar más combinaciones, puede iterar más rápido, puede documentar con una consistencia que a mano sería imposible sostener.

Por qué escribo esto

No escribo esto para posicionarme como escéptico de la IA —no lo soy. Tampoco para posicionarme como evangelista —ese rol no me interesa.

Lo escribo porque creo que la conversación pública sobre IA está dominada por dos extremos que no le hacen bien a nadie: el del pánico («nos va a reemplazar a todos») y el del entusiasmo acrítico («con IA podés hacer todo»).

Los dos extremos comparten el mismo error de fondo: sobrestiman la autonomía de la herramienta y subestiman la centralidad del criterio humano.

Eso no es un argumento contra la herramienta. Es un argumento para invertir en lo que la herramienta amplifica: en saber claramente qué querés, por qué lo querés, y cuál es el estándar que define si algo está bien o no.

Ese saber —esa capacidad de criterio— es exactamente lo que no puede vivir en una máquina. Y es exactamente lo que más vale proteger.

Empezamos con un robo que reconstruyó. Seguimos con un experto que no se aplicaba el método. Terminamos con una herramienta que no piensa por vos.

Tres artículos. Una sola lección: el conocimiento que no podés perder es el que ya estructuraste. Y para saber qué vale la pena estructurar, tenés que haber estado en el barro el tiempo suficiente.

Nos vemos en el barro.

Esta es la saga Desde el Barro — artículo 3 de 3. Volvé al inicio: El Robo que Reconstruyó InnMentor → · O al segundo: El Experto que No se Aplicaba el Método →