La jerga que apareció cuando empecé a construir con IA

Durante mucho tiempo usé la inteligencia artificial, supongo que como la mayoría de nosotros, principalmente para hacer preguntas. Le pedía que me explicara algo, que resumiera un texto, que propusiera ideas o que me ayudara a redactar.

Todo era bastante sencillo: yo preguntaba y la IA respondía.

Pero algo cambió cuando dejé de usarla solamente para obtener respuestas y comencé a pedirle que hiciera cosas por mí. Eso ocurrió concretamente cuando conocí Codex. Primero fueron tareas pequeñas. Después empecé a construir herramientas como Hebrix y, últimamente, a implementar sistemas de trabajo.

Entonces aparecieron muchas palabras que eran nuevas para mí. Algunas parecían muy técnicas. Otras no lo eran tanto, pero se utilizaban como si todo el mundo supiera perfectamente qué significaban: modelo, agente, skill, schema, script, YAML, JSON, Git, tests, base de conocimiento…

La nueva jerga puede desanimar a quienes recién comienzan. Puede hacernos creer que usar la IA para crear herramientas o sistemas es mucho más difícil de lo que realmente es.

No es necesario saberlo todo

Para usar la inteligencia artificial de manera efectiva no necesitamos saber cómo se entrenan los modelos, entender en detalle las redes neuronales ni conocer las diferencias de razonamiento entre un modelo con cierta cantidad de parámetros y otro con menos.

Naturalmente, podemos aprender sobre esos temas si nos interesan. Pero no son un requisito para comenzar.

Yo puedo conducir mi auto —y hasta pistear con cierta maestría, jajaja— sin saber demasiado de mecánica ni comprender en detalle cómo funciona el motor.

Eso no significa que deba ignorarlo todo sobre el auto. Conozco algunas de sus partes y puedo reconocer ciertas señales. Por ejemplo, sé que un sonido agudo al frenar podría indicar que es necesario revisar las pastillas de freno. No podría repararlas personalmente, pero conocer su existencia me ayuda a describir el problema, pedir ayuda y tomar una decisión con más confianza.

Con los sistemas de inteligencia artificial pasa algo parecido.

No necesitamos convertirnos en especialistas en cada componente. Sin embargo, conocer superficialmente las piezas principales nos ayuda a entender qué estamos construyendo, explicar mejor lo que necesitamos y reconocer dónde podría estar el problema cuando algo no funciona.

Primero construí el sistema; después aprendí a nombrar sus partes

En mi caso, muchas de estas ideas aparecieron en el orden contrario al que suele presentar una explicación técnica.

No estudié primero todos los conceptos para después construir un sistema. Comencé a construir y, mientras avanzaba, fui descubriendo que las distintas piezas que necesitaba ya tenían nombres.

Un pequeño mapa para comenzar

No necesitamos memorizar todos estos nombres. Por lo pronto, basta con reconocer qué función cumple cada pieza. Así que le pedí a ChatGPT que creara una tabla para ordenar algunas de estas palabras, sus significados y la función de cada componente. Al principio me fue muy útil tenerla a mano para consultarla.

También le pedí que ilustrara esta idea porque el artículo había quedado con bastante texto, jajaja.

Pieza	En palabras simples	Para qué sirve
Modelo	La capacidad de razonamiento	Interpreta la solicitud, relaciona información y toma decisiones.
Codex	El entorno de trabajo	Permite que el modelo lea archivos, use herramientas, modifique documentos y compruebe resultados.
Prompt	El pedido del momento	Expresa qué necesito hacer ahora.
AGENTS.md	Las reglas del lugar	Indica cómo debe comportarse Codex dentro de un proyecto.
Skill	El manual de una tarea	Explica cómo realizar un trabajo específico.
Base de conocimiento	La información que el sistema consulta	Reúne documentos, criterios, antecedentes, ejemplos y decisiones.
Schema	El contrato de los datos	Define qué campos existen, qué significan y qué formatos aceptan.
Índice	El catálogo	Permite saber qué existe y dónde encontrarlo sin abrirlo todo.
YAML, JSON o CSV	Formas de guardar información estructurada	Hacen que ciertos datos se puedan consultar, comparar y procesar.
Script	El trabajador automático	Ejecuta de manera repetible una operación concreta.
Plantilla	El molde	Conserva la estructura o apariencia que debe tener un resultado.
Ejemplos	Muestras de lo que buscamos	Hacen visible un criterio difícil de explicar solamente con reglas.
Tests y validaciones	La lista de comprobaciones	Revisan si el resultado cumple condiciones observables.
Git	La memoria de los cambios	Permite comparar versiones y recuperar estados anteriores.

Vistos por separado, estos nombres pueden parecer una colección de tecnicismos. Vistos de esta manera, resultan bastante más familiares.

Hay reglas, manuales, información de consulta, catálogos, tablas, trabajadores automáticos, moldes, ejemplos, controles de calidad y un registro de los cambios.

Cómo se conectan las piezas

La tabla nos permite consultar cada concepto por separado. Pero lo más interesante aparece cuando observamos cómo trabajan juntos. También le pedí a la IA una ilustración del proceso, en lugar de los típicos diagramas que me mostraba para explicármelo.

Todo comienza con la experiencia y el criterio de una persona. Parte de ese conocimiento se transforma en reglas, documentos y procedimientos. Después puede organizarse mediante datos, índices y plantillas. Los scripts realizan operaciones repetibles, las validaciones comprueban el resultado y Codex permite que el modelo actúe dentro de todo ese entorno.

Git, por su parte, conserva la historia de los cambios del sistema.

No todos los proyectos necesitan cada una de estas capas: algunos necesitan menos y otros, aún más. Tampoco existe una única manera correcta de organizarlas. La idea no es llenar carpetas con archivos de nombres técnicos, sino representar cada tipo de conocimiento de la forma que resulte más útil.

De hacer preguntas a construir una forma de trabajar

La diferencia entre usar la IA para responder preguntas y utilizarla como parte de un sistema no está solamente en escribir prompts más elaborados.

Un sistema también necesita saber:

• qué reglas debe respetar;
• dónde se encuentra la información;
• cómo se realiza cada tarea;
• qué datos conviene registrar;
• qué operaciones deben ser automáticas;
• qué forma debe tener el resultado;
• cómo comprobar que el trabajo quedó bien.

Cuando estas piezas existen, una petición muy breve puede activar un proceso bastante complejo. Ya no es necesario explicar toda la historia del proyecto cada vez, porque parte de ese conocimiento permanece organizado en el entorno.

La IA deja de ser solamente un lugar donde hacemos preguntas y comienza a participar en una forma de trabajo.