Cómo obtener comentarios útiles cuando la IA elogia tu borrador

Por qué los elogios son un punto de partida débil

Los elogios suelen describir una impresión general: «claro», «atractivo», «bien estructurado». Esas palabras no te dicen qué conservar, qué resulta confuso o qué debería hacer el lector a continuación. Un modelo también puede reflejar las suposiciones presentes en tu prompt. La [investigación de Anthropic sobre el servilismo en modelos de lenguaje](https://www.anthropic.com/research/towards-understanding-sycophancy-in-language-models) informa que los investigadores hallaron comportamientos serviles en cinco asistentes y cuatro tareas de texto libre, y que los juicios de preferencia humana podían favorecer respuestas que coincidieran con la opinión del usuario. Ese hallazgo es una razón para buscar evidencias y comprobaciones independientes; no demuestra que cada respuesta elogiosa sea falsa ni que todos los modelos se comporten hoy de la misma manera.

La distinción práctica radica entre la aprobación y la crítica procesable. «Esta introducción es convincente» es aprobación. «La introducción plantea el problema, pero no le dice a un lector primerizo qué le ayudará a hacer la guía» es un diagnóstico que puedes evaluar. Un comentario útil debe conectar una característica visible del borrador con una necesidad declarada del lector y, a continuación, ofrecer un posible paso a seguir.

Un flujo de trabajo de retroalimentación en cinco pasos

1. Define al lector y la tarea.

Antes de compartir el borrador, escribe una oración que describa para quién es y qué debería ser capaz de hacer ese lector después de leerlo. Mantén esto más acotado que «entender el tema». Por ejemplo: «Un coordinador de voluntarios primerizo debería ser capaz de redactar un recordatorio claro para un evento de un solo día». Si no estás seguro de la audiencia o del resultado, pide al modelo que señale la ambigüedad en lugar de inventar silenciosamente a un lector.

2. Pide evidencias del borrador.

Solicita observaciones fundamentadas en pasajes exactos o descripciones de secciones. Pregunta qué está ayudando ya al lector y en qué puntos el borrador le obliga a deducir un paso faltante. Esto te da algo que verificar contra tu texto real. Una restricción útil es: «Si no puedes señalar un pasaje, clasifica el comentario como una pregunta o una inferencia, no como un hecho».

3. Encuentra la incertidumbre de mayor impacto.

Pide al modelo que señale el único problema con mayor probabilidad de impedir que el lector previsto complete la tarea. Exige una breve explicación de la consecuencia. «El tono podría ser más cálido» suele ser menos procesable que «el recordatorio nunca indica la hora de llegada, por lo que un voluntario no puede planificar cuándo presentarse». Si el modelo devuelve varios problemas, clasifícalos según la tarea indicada en lugar de intentar arreglar todo a la vez.

4. Solicita una revisión pequeña y comprobable.

Pide una única dirección de revisión y un ejemplo breve, no una reescritura automática de todo el texto. La muestra debe ilustrar el cambio conservando tus datos, tu voz y tus restricciones. Si introduce detalles nuevos, márcalos como marcadores de posición para que los verifiques o elimines. Compara la sugerencia con tu borrador: conserva únicamente los cambios que resuelvan el problema identificado sin crear otro nuevo.

5. Vuelve a comprobar en función de la tarea original.

Tras revisar, pregunta si un lector ya puede completar la tarea indicada y solicita que señale el obstáculo restante con evidencias. También puedes comparar tú mismo la versión anterior y la posterior utilizando una pequeña lista de verificación: ¿Está presente la información clave? ¿Es fácil de encontrar? ¿La siguiente acción es inequívoca? Si el modelo cambia su evaluación cuando le muestras un borrador revisado, trátalo como otra opinión, no como una prueba independiente. Sigues siendo responsable de decidir si el texto es preciso y adecuado para su público.

Un prompt que puedes adaptar

Pega el objetivo y el borrador, y luego pregunta:

Ejemplo de solicitud de retroalimentación: Estoy escribiendo para [lector específico]. El lector debería ser capaz de [tarea concreta] después de leer. Revisa este borrador en función de ese objetivo. Primero, identifica dos elementos que ya lo respalden, cada uno vinculado a un pasaje o característica específica. Luego, identifica el mayor obstáculo individual, explica su efecto en el lector y señala el pasaje correspondiente. Sugiere una revisión focalizada y muestra un breve ejemplo utilizando únicamente datos que ya estén en el borrador. Separa las observaciones directas de las suposiciones. Si el lector, el objetivo o la evidencia no quedan claros, haz una pregunta en lugar de rellenar el vacío. No reescribas todo el borrador ni lo elogies de forma genérica.

La estructura importa más que estas palabras exactas: la audiencia y la tarea primero, la evidencia después, un problema prioritario y, por último, una acción acotada. La [guía actual de ingeniería de prompts para la API de OpenAI](https://developers.openai.com/api/docs/guides/prompt-engineering) describe la ingeniería de prompts como la redacción de instrucciones para obtener respuestas que cumplan los requisitos y señala que las salidas de los modelos son no deterministas. Sus recomendaciones atañen al uso de la API, por lo que no constituyen una garantía para todas las interfaces de chat de consumo. Aun así, la lección general de edición es modesta y útil: explicita los criterios y contrasta la respuesta con ellos en lugar de asumir que un solo prompt producirá una evaluación uniforme.

Ejemplo práctico: mejorar el recordatorio de un evento

Supongamos que el borrador dice: «¡Nos entusiasma darles la bienvenida a todos a la limpieza del parque este sábado! Traigan su energía y ayuden a que el vecindario brille. Habrá guantes y bolsas disponibles. ¡Estamos ansiosos por verlos!». El objetivo del redactor es que un voluntario primerizo sepa cuándo y dónde presentarse, qué llevar y qué esperar.

Una solicitud vaga —«¿Está bien esto?»— podría incitar al modelo a coincidir en que el mensaje es cálido y conciso. Eso puede ser cierto, pero no pone a prueba si un voluntario puede actuar en consecuencia. El prompt del flujo de trabajo explicita la tarea. Una respuesta útil señalaría que el tono acogedor y la mención de los guantes y bolsas provistos reducen la incertidumbre, para luego identificar la falta de la hora de encuentro y el punto exacto de reunión como el principal obstáculo. Debe señalar lo que está ausente: el mensaje dice «sábado» y «parque», pero no indica ni la hora de llegada ni una ubicación dentro del parque.

La revisión debe utilizar detalles verificados provistos por el organizador. Solo a modo de ilustración, supongamos que el organizador confirma el inicio a las 9:00 a. m. en la entrada norte y pide a los voluntarios que lleven calzado cerrado. El redactor podría revisar el recordatorio de la siguiente manera: «Acompáñanos este sábado a las 9:00 a. m. en la entrada norte del parque. Se proporcionarán guantes y bolsas; por favor, ven con calzado cerrado. Pasaremos la mañana recolectando residuos a lo largo de los senderos señalizados. Esperamos verte allí». La hora, la ubicación y la indicación del calzado aquí son datos ilustrativos, no hechos reales sobre ningún evento. Si el organizador no los ha confirmado, no deben figurar como texto fáctico.

Ahora evalúa la revisión frente a la tarea original: la hora de llegada y el punto de encuentro son fáciles de localizar; se aborda qué llevar; una breve descripción establece las expectativas. Si el evento no tiene senderos señalizados o un cronograma para toda la mañana, esa frase debe modificarse u omitirse. Esta comprobación evita que una sugerencia elocuente del modelo cuele aspectos logísticos inventados en el borrador final.

Cuándo aceptar, cuestionar o ignorar un comentario

Acepta una sugerencia cuando puedas vincularla con la tarea del lector previsto, verificar su base fáctica y ver cómo el cambio propuesto resuelve el problema. Cuestiónala cuando el comentario parezca verosímil pero se base en una suposición; por ejemplo, la afirmación de que «los lectores esperarán un mapa» cuando no tienes pruebas sobre esa audiencia. Pregunta qué pasaje o requisito de la tarea respalda ese punto, o decide si vale la pena contrastarlo con un lector real.

Ignora o reescribe los consejos que entren en conflicto con hechos verificados, con tu estilo establecido, con las necesidades de accesibilidad o con el propósito del texto. Un modelo puede ser bueno generando alternativas y, al mismo tiempo, malinterpretar el contexto. Nunca trates una estadística, cita, declaración, fecha límite, política o detalle logístico inventado como un hecho simplemente porque aparezca en una reescritura impecable. Verifica las afirmaciones en su fuente original. Para contenidos especializados, busca a un revisor con experiencia directa en la materia; una crítica de redacción general no puede certificar la corrección de los datos.

Mantén un alcance acotado. Una ronda centrada en el mayor obstáculo relacionado con la tarea suele ser más fácil de evaluar que una larga lista de correcciones línea por línea. Si deseas realizar una edición lingüística más amplia después, hazlo en una pasada independiente para poder distinguir si cada cambio contribuye a la claridad, al tono o a la corrección.

Límites: un modelo es un revisor, no tus lectores

Los comentarios de un modelo están condicionados por el prompt y pueden ser incoherentes. Puede pasar por alto una omisión, producir una objeción formulada con seguridad pero sin fundamento, o preferir una frase pulida que cambie tu significado. La [guía de prompts de OpenAI](https://developers.openai.com/api/docs/guides/prompt-engineering) advierte explícitamente que la generación es no determinista; ninguna redacción por sí sola garantiza una crítica fiable. La investigación sobre el servilismo citada anteriormente concierne a modelos y tareas concretos estudiados por sus autores, no a una medición universal de todos los sistemas actuales.

Utiliza el modelo para generar preguntas y propuestas de edición, y luego aplica el criterio humano. Cuando las necesidades del lector sean inciertas, una breve revisión por parte de alguien que se asemeje al público previsto puede poner a prueba si las instrucciones tienen sentido en la práctica. Para textos informativos o fácticos, consulta fuentes primarias. En el caso de un mensaje que afecte a horarios o compromisos reales, confirma los detalles operativos con la persona responsable. Una revisión útil de la IA delimita qué inspeccionar; no certifica el borrador.

La regla simple que debes recordar

Cuando un modelo elogie tu borrador, pídele que conecte un punto fuerte y una debilidad prioritaria con una tarea definida del lector y con evidencias específicas en el texto. Solicita una única revisión moderada, verifica cada dato introducido y juzga tú mismo el resultado frente a la tarea. Los elogios pueden orientar hacia lo que funciona. Las evidencias, la verificación y un objetivo concreto para el lector son lo que hace que los comentarios sean útiles.

Sigue explorando este tema