Cuando una IA no da una y otra vez con el resultado que prefieres, entrenarla puede parecer el siguiente paso obvio. Primero, diagnostica el fallo. Una solicitud vaga, la falta de datos y un ejemplo inadecuado pueden hacer que una tarea sea difícil de evaluar.
Toma como ejemplo la respuesta a una consulta ficticia. Quieres que la respuesta acuse recibo de la solicitud, enumere los datos que faltan y evite prometer disponibilidad. «Escribe una respuesta profesional» no expresa esos requisitos.
Ponle nombre al fallo
Guarda un ejemplo del resultado no deseado. Marca el problema exacto: compromiso inventado, pregunta omitida, formato incorrecto o tono inadecuado. Problemas distintos pueden requerir cambios distintos. Mejorar el tono no aportará una fuente que falta.
Mejora una instrucción
Describe el trabajo con un lenguaje sencillo:
Redacta una respuesta a esta consulta ficticia. Acusa recibo de la solicitud y, a continuación, pide la fecha y el número de participantes que faltan. No inventes un precio ni confirmes disponibilidad. Termina pidiendo esos datos. Mantén la respuesta concisa y cordial.
Añade por separado el material de origen relevante. Dale al asistente una forma de indicar que falta información en lugar de hacer que completar la tarea parezca obligatorio.
Añade un ejemplo útil
Elige un ejemplo breve que sea tuyo o que puedas usar. Explica qué características importan: un acuse de recibo claro, preguntas concretas y ningún compromiso no aprobado. Elimina ofertas antiguas o información identificativa que no deba formar parte del nuevo resultado.
Un ejemplo no es una licencia para copiar todos los detalles. Indica qué datos pertenecen a la tarea actual y qué parte ilustra el estilo.
Compara con una comprobación fija
Usa la tarea original y las instrucciones revisadas con material que puedas revisar. Busca el fallo identificado, así como problemas nuevos. Conserva las respuestas completas y la configuración relevante. Si las instrucciones mejoradas siguen fallando, describe el patrón que persiste en lugar de escalar de inmediato todo el proyecto.
Este ejercicio puede mostrar que el encargo necesitaba mejores límites. También puede revelar una limitación que requiere otro enfoque. Cualquiera de las dos conclusiones es útil cuando se basa en una comparación real. Proporcionar un prompt o unos ejemplos mejores no es lo mismo que modificar los parámetros aprendidos de un modelo.
Mika es un seudónimo editorial que utiliza el equipo editorial de KENJTEC en Hamburgo. Este artículo propone un flujo de trabajo; no informa de una prueba realizada.
