Los propios desarrolladores de Anthropic dicen que obtener mejores resultados de la IA empieza por tus puntos ciegos, no por instrucciones más largas

Si los resultados que obtienes con la IA siempre se quedan a las puertas de ser correctos, puede que el problema ya no sea la IA. Thariq Shihipar, desarrollador de Anthropic, sostiene que, con Fable 5, el modelo más reciente de Claude, la calidad del resultado está limitada sobre todo por algo que el modelo no puede ver: aquello que no se te ocurrió mencionar.

Shihipar clasifica en cuatro grupos lo que aportas a una instrucción. Las certezas conocidas son lo que figura en ella. Las incógnitas conocidas son las preguntas abiertas de las que eres consciente. Las certezas desconocidas son cosas tan obvias para ti que nunca se te ocurriría escribirlas. Y después está la categoría peligrosa: las incógnitas desconocidas, es decir, las consideraciones en las que ni siquiera has pensado. Su observación es que ser demasiado concreto resulta tan perjudicial como ser demasiado impreciso. Las instrucciones excesivamente detalladas encierran al modelo en un plan defectuoso; las vagas producen respuestas genéricas basadas en los usos habituales del sector que no encajan con tu caso.

Su solución consiste en utilizar la IA para descubrir tus propias lagunas antes de empezar el trabajo de verdad. En una «revisión de puntos ciegos», le pides literalmente a Claude que detecte qué estás pasando por alto. Por ejemplo: «No sé nada sobre los módulos de autenticación de este código. ¿Puedes hacer una revisión de puntos ciegos para ayudarme a darte mejores instrucciones?». También recomienda entrevistas estructuradas, Claude te formula preguntas de una en una, empezando por las que cambiarían todo el planteamiento, y breves sesiones de lluvia de ideas con varios prototipos radicalmente distintos ante los que puedas reaccionar.

Qué hay detrás: no es solo el método de trabajo de un desarrollador, sino el reflejo de un cambio en la forma en que la propia Anthropic orienta sus modelos. En una conferencia reciente, Shihipar reveló que la empresa recortó un 80 % las instrucciones de sistema de Claude Code, las indicaciones permanentes que la herramienta proporciona al modelo. Los modelos nuevos «quieren unas instrucciones de sistema más breves», afirmó, y los ejemplos «tienden a limitarlo porque en realidad tiene más imaginación que los ejemplos que le damos». Durante años, el consejo fue añadir más instrucciones y más ejemplos. Esa época parece estar acabando: los modelos completan bien las lagunas, siempre que les hayas explicado cuál es realmente tu punto de partida.

Qué significa esto para ti: Si estás empezando a usar herramientas de IA, es una buena noticia: no necesitas dominar fórmulas complicadas para redactar instrucciones. Explica desde dónde partes («Nunca he hecho esto; pregúntame lo que necesites saber») y deja que el modelo te entreviste. Si eres un usuario avanzado, prueba la revisión de puntos ciegos en tu próxima tarea difícil y plantéate recortar esas megainstrucciones que guardas con tanto cuidado. Un matiz razonable: estas pautas están ajustadas a los modelos más recientes de Anthropic; los modelos anteriores o más pequeños siguen beneficiándose de indicaciones más explícitas.

Fuentes

• Guía de Thariq Shihipar sobre las incógnitas
• The Decoder sobre las técnicas para redactar instrucciones
• The Decoder sobre el recorte de las instrucciones de sistema