Empieza por una tarea con un resultado observable
Elige una tarea concreta y define qué hace utilizable su respuesta antes de reunir ejemplos. Indica el destinatario, la finalidad, los datos necesarios y los límites del asistente. Cuando el objetivo está claro, puedes seleccionar casos que enseñan una decisión específica, en lugar de juntar textos que solamente parecen estar bien escritos.
Yo quiero que la IA trabaje con mi forma de pensar, con los criterios del negocio y con el contexto que le facilito. Para eso, necesito hacer comprensibles esos criterios. Una carpeta llena de resultados sin explicación deja una parte esencial de la evaluación únicamente dentro de mi cabeza.
Imagina una empresa ficticia que utiliza un asistente para responder a solicitudes de demostración. El objetivo puede ser aclarar el siguiente paso y recoger un dato que falta. Una respuesta larga sobre la historia de la empresa puede ser correcta y seguir siendo inadecuada para aquella solicitud concreta.
Guarda la solicitud original junto a la respuesta. Sin ella, quien consulta el ejemplo puede confundir una decisión propia de ese caso con una regla general. Registra también qué información estaba disponible en ese momento, porque una buena respuesta depende de lo que era posible saber y hacer.
Esta preparación forma parte de dar contexto a la IA sin acumular información sin criterio. Cada ejemplo debe justificar el espacio que ocupa. Si no enseña una elección, un límite o una excepción relevante, probablemente puede quedarse en el archivo de trabajo en vez de entrar en las instrucciones principales.
Para preparar el siguiente paso, consulta Asistentes de IA para conocimiento interno.
Separa errores factuales, desviaciones de tarea y preferencias
Clasifica el motivo de la evaluación para que el asistente entienda qué necesita cambiar. Un precio inventado es un error factual; responder a otra pregunta es una desviación de la tarea; preferir frases más cortas es una elección de estilo. Estas categorías exigen correcciones diferentes y no deberían recibir solamente la misma etiqueta de rechazo.
En el ejemplo de la demostración, inventar una fecha disponible invalida el compromiso presentado. Una respuesta con la fecha correcta, pero sin explicar cómo confirmar la reserva, puede estar incompleta. Una introducción demasiado formal puede necesitar únicamente edición, conservando toda la información factual que ya era correcta.
Evita escribir solamente «no me gustó». Añade el motivo y el resultado deseado: «La apertura tarda en llegar a la solicitud; empieza confirmando el siguiente paso». Esta indicación permite corregir la respuesta sin eliminar información importante ni obligar al asistente a adivinar qué preferencia personal originó el rechazo.
También conviene reconocer lo que estaba bien en una respuesta rechazada. Puedes conservar la claridad del resumen y corregir una promesa indebida. Si clasificas todo como malo, el siguiente resultado puede abandonar precisamente la parte que querías mantener, creando trabajo de revisión sin una necesidad real.
Una preferencia necesita un ámbito. Que te guste un tono informal en un anuncio no significa que quieras ese tono en una respuesta a una reclamación. Registra el canal, el público y la situación donde se aplica, para que la biblioteca enseñe adaptación en lugar de uniformar todas las conversaciones.
Construye pares que hagan evidente la diferencia
Presenta la respuesta inadecuada junto a una versión corregida y explica el cambio decisivo. Siempre que sea posible, conserva la misma solicitud y el mismo contexto. Así, el contraste muestra el criterio que cambió, sin confundir el efecto de una corrección con diferencias de público, información disponible u objetivo comercial entre los dos ejemplos.
En un caso hipotético, la versión inadecuada confirma una funcionalidad que no figura en la documentación. La versión corregida explica lo documentado y pide validar el punto restante. La enseñanza consiste en conservar la frontera entre información confirmada e hipótesis, sin reducirla a memorizar una frase determinada.
En otro par, ambas versiones pueden ser factualmente correctas. La diferencia está en que una presenta tres siguientes pasos incompatibles y la otra elige el paso adecuado a la solicitud. El criterio es la claridad de la orientación. Escríbelo junto al ejemplo para que la elección no parezca una preferencia aleatoria.
Si trabajas variaciones de anuncios con IA, puedes contrastar dos textos que solo cambian palabras con dos que exploran motivaciones diferentes. La explicación debe identificar el cambio de argumento. Sustituir adjetivos sin cambiar la hipótesis no enseña al asistente qué consideras una variación útil.
No necesitas reescribirlo todo en cada par. Aislar el fragmento que causó el problema ayuda a ver la decisión, siempre que el contexto necesario siga accesible. Conserva la respuesta completa en su registro de origen e incorpora a la biblioteca solamente lo necesario para entender y aplicar el criterio.
Mantén la biblioteca pequeña, identificada y actualizada
Organiza los ejemplos por tarea y asigna a cada uno un identificador, una fecha y una nota sobre la decisión. Distingue reglas permanentes de preferencias locales y excepciones. Revisa los casos duplicados o incompatibles cuando cambie el proceso, para que el asistente no reciba orientaciones antiguas y nuevas como si tuvieran exactamente el mismo valor.
Una biblioteca inicial puede incluir una respuesta aceptada, un error factual, una desviación de tono y una situación en la que falta información. No existe una cantidad mágica. El conjunto debe representar diferencias que importen al trabajo, sin repetir decenas de veces el mismo patrón con palabras ligeramente diferentes.
Conserva el historial de cambios sin cargarlo entero en cada tarea. Si una condición comercial cambia, el ejemplo antiguo puede seguir ayudando a entender una decisión pasada. Sin embargo, debe quedar marcado como histórico y fuera de las referencias aplicables a las propuestas y compromisos actuales.
Utiliza ejemplos ficticios o materiales que puedas reutilizar en ese contexto. Si un caso real contiene información de un cliente, conserva solo los elementos necesarios para enseñar el criterio y respeta los accesos establecidos. Una biblioteca de aprendizaje no debe exponer información restringida a personas que no la necesitan.
Define quién puede validar una regla. El asistente puede sugerir que varias correcciones apuntan a una misma preferencia, pero esa interpretación necesita confirmación cuando cambia la forma de trabajar. Un elogio puntual a una pieza no debe convertirse automáticamente en una obligación para todos los contenidos futuros.
Comprueba si los ejemplos mejoran solicitudes nuevas
Prueba la biblioteca con solicitudes que no hayan servido para construir sus ejemplos y compara el resultado con criterios definidos previamente. Verifica hechos, adecuación y utilidad, además del estilo. El objetivo es comprobar si el asistente aplica la decisión a situaciones nuevas, en lugar de repetir la formulación del ejemplo que acaba de recibir.
Reserva algunos casos para esa evaluación. Pueden incluir una pregunta completa, una carencia de información y una solicitud con condiciones diferentes de las habituales. Registra qué ejemplos se facilitaron y qué versión de las instrucciones se utilizó, para relacionar una mejora o un fallo con el cambio realizado.
La elección del modelo para la tarea de negocio sigue siendo importante, pero cambiar de modelo no sustituye una evaluación clara. Si el criterio continúa implícito, puedes recibir respuestas diferentes sin saber cuál se aproxima más a lo que necesitas. Primero haz observable la evaluación; después compara alternativas en condiciones similares.
Cuando un ejemplo nuevo corrige un fallo, vuelve a probar casos que ya funcionaban. Una instrucción para ser más breve puede eliminar una condición necesaria. Una instrucción para pedir aclaraciones puede generar preguntas sobre datos ya presentes. Mejorar exige observar también esos efectos en las demás respuestas.
Guarda el motivo de la corrección junto a la versión final. Ese razonamiento permite reutilizar el trabajo cuando cambia la tarea o cuando otra persona revisa el asistente. La biblioteca debe ayudar a tomar mejores decisiones, con menos dudas repetidas y con límites que el equipo pueda explicar.