Capital de Tokens
Ante un problema difícil solemos pedirle a una IA algo como: “¿cómo lo resuelvo?”.
Esa pregunta puede producir ideas útiles, pero también empuja al modelo demasiado pronto hacia una solución. Antes de saber si entendimos bien el problema ya estamos evaluando respuestas.
Una estrategia más robusta consiste en separar el trabajo en cuatro acciones:
- listar;
- agrupar;
- conectar;
- priorizar.
Sin IA, estas acciones ya forman una pequeña disciplina de resolución de problemas. Con IA se vuelven todavía más útiles porque el modelo puede ayudarnos a cambiar rápidamente de representación: de datos dispersos a categorías, de categorías a hipótesis y de hipótesis a experimentos.
La clave es usar la IA como amplificador del proceso de razonamiento, no como sustituto del dueño del problema.
Este marco no es otra taxonomía de IA: es una taxonomía operativa del trabajo cognitivo que hacemos mientras entendemos y resolvemos un problema.
Las cuatro acciones como pipeline cognitivo
Podemos resumirlas así:
LISTAR
¿Qué sabemos?
↓
AGRUPAR
¿Qué patrones o categorías aparecen?
↓
CONECTAR
¿Qué relaciones, dependencias o hipótesis explican lo observado?
↓
PRIORIZAR
¿Qué merece nuestra atención primero?
↓
EXPERIMENTO / ACCIÓN
¿Qué podemos comprobar o cambiar?
↓
NUEVA EVIDENCIA
↺No es un proceso estrictamente lineal. Después de probar una hipótesis aparece nueva evidencia y volvemos a listar, reagrupar y reconstruir conexiones.
La IA puede acelerar cada transición.
Qué mejora la IA en cada etapa
| Etapa | Lo que hace bien la IA | Lo que sigue siendo responsabilidad humana |
|---|---|---|
| Listar | Extraer hechos, detectar omisiones, reformular, resumir grandes cantidades de información | Decidir qué fuentes son confiables y qué información realmente pertenece al problema |
| Agrupar | Encontrar similitudes semánticas y proponer varias taxonomías | Elegir qué agrupación resulta útil para el objetivo |
| Conectar | Proponer dependencias, hipótesis y modelos causales candidatos | Distinguir correlación, plausibilidad y causalidad real |
| Priorizar | Comparar alternativas según varios criterios y explorar escenarios | Definir los criterios, aceptar riesgos y tomar la decisión |
Esta última columna es importante. Una IA puede calcular muy rápido una matriz de prioridades, pero si los criterios están equivocados, la matriz simplemente hace el error más sistemático.
Antes de resolver: usar IA para representar mejor el problema
La primera mejora ocurre antes de buscar soluciones.
En esta fase la IA funciona mejor como asistente de framing: ayuda a convertir una situación vaga en una representación explícita.
1. Separar hechos, supuestos e incógnitas
Supongamos que un equipo dice:
“La aplicación está lenta desde el último despliegue.”
Parece una afirmación clara, pero contiene varias cosas mezcladas.
Podemos pedir:
No propongas soluciones todavía. Separa la información en hechos observados, interpretaciones, supuestos, incógnitas y restricciones.
La salida podría ser:
Hechos
- aumentó la latencia P95;
- el cambio comenzó después del despliegue;
- ciertas rutas se degradaron más que otras.
Supuestos
- el despliegue causó el problema;
- la base de datos puede ser el cuello de botella.
Incógnitas
- si también cambió el tráfico;
- si hubo cambios en dependencias externas;
- si la degradación afecta a todas las regiones.
La diferencia parece pequeña, pero cambia la investigación.
“Empezó después del despliegue” es evidencia temporal.
“El despliegue lo causó” es una hipótesis.
Confundir ambas cosas es una fuente clásica de errores.
2. Pedir cobertura, no respuestas
En la fase inicial conviene preguntarle a la IA:
¿Qué categorías relevantes podrían faltar en mi lista?
No:
¿Cuál es la causa?
El primer prompt expande el espacio de búsqueda.
El segundo lo cierra.
Por ejemplo, ante un problema de rendimiento, la IA puede sugerir revisar:
- aplicación;
- base de datos;
- red;
- caché;
- infraestructura;
- dependencias externas;
- patrón de tráfico;
- configuración;
- despliegues recientes;
- observabilidad.
No significa que todas esas categorías sean relevantes. Significa que ahora tenemos una lista más completa para investigar.
3. Solicitar varias formas de agrupar
Un humano suele quedar anclado a la primera clasificación que encuentra.
La IA permite generar alternativas casi sin coste:
Agrupa estas observaciones de tres formas distintas: por componente técnico, por tipo de síntoma y por posible mecanismo causal.
El mismo conjunto de datos puede revelar cosas distintas según la agrupación.
Por componente
├── aplicación
├── base de datos
└── red
Por síntoma
├── latencia
├── errores
└── saturación
Por mecanismo
├── aumento de carga
├── contención
└── dependencia lentaEsta es una de las mejores aplicaciones de la IA: producir representaciones alternativas antes de comprometernos con una sola.
Aquí se conecta directamente con técnicas como affinity mapping e issue trees.
Affinity mapping con IA
El affinity mapping intenta descubrir grupos naturales entre muchas observaciones.
Con IA podemos darle decenas o cientos de notas y pedir:
Agrupa estas observaciones por afinidad. No inventes datos. Explica qué criterio une cada grupo y señala elementos ambiguos que podrían pertenecer a más de uno.
La mejora importante no es simplemente que agrupe más rápido.
Es que podemos pedirle inmediatamente una segunda interpretación:
Ahora ignora esa taxonomía y vuelve a agruparlas con un criterio diferente.
Eso combate un problema frecuente: convertir la primera clasificación razonable en “la estructura verdadera” del problema.
Issue trees con IA
Un issue tree responde a otra pregunta:
¿De qué partes se compone el problema?
La IA es útil para generar una primera descomposición y para revisar si hay solapamientos o huecos.
Por ejemplo:
¿Por qué cayó el crecimiento?
├── llega menos gente
│ ├── menos impresiones
│ ├── peor descubrimiento
│ └── menor demanda
│
├── hace clic menos gente
│ ├── título
│ └── portada
│
└── permanece menos gente
├── introducción
├── estructura
└── calidad del contenidoDespués podemos pedir:
Revisa este árbol buscando ramas duplicadas, conceptos mezclados y áreas importantes que no estén cubiertas.
El modelo funciona aquí como crítico de la estructura, no como juez de la respuesta final.
Durante la resolución: convertir la IA en memoria de trabajo externa
Una vez empieza la investigación, aparece otro problema: la información cambia continuamente.
Llegan logs, métricas, documentos, resultados de experimentos y nuevas hipótesis.
La IA puede actuar como una especie de memoria de trabajo externa que mantiene actualizado el modelo del problema.
Listar durante la investigación
En lugar de reconstruir manualmente todo el contexto después de cada hallazgo podemos mantener una tabla viva:
| Tipo | Elemento | Evidencia | Estado |
|---|---|---|---|
| hecho | P95 subió de forma abrupta | dashboard | confirmado |
| hipótesis | nueva query genera contención | análisis inicial | abierta |
| hipótesis | dependencia externa está lenta | logs parciales | abierta |
| dato faltante | latencia antes/después por región | — | pendiente |
Tras cada experimento pedimos:
Actualiza el inventario. No elimines hipótesis refutadas: márcalas como refutadas y conserva la evidencia.
Eso evita que la investigación pierda su historia.
Conectar: de mapas mentales a grafos causales candidatos
La IA también puede convertir observaciones dispersas en relaciones explícitas.
Por ejemplo:
más tráfico
↓
más queries concurrentes
↓
contención en DB
↓
mayor latencia
↓
timeoutsPero aquí necesitamos introducir una disciplina adicional.
Cada conexión debería llevar una etiqueta:
- observada;
- correlacionada;
- hipotética;
- causalmente comprobada.
Podemos pedir:
Construye un grafo dirigido con las relaciones propuestas. Para cada arista indica si está observada, inferida o solo hipotetizada, y qué evidencia necesitaríamos para fortalecerla.
Esto convierte al modelo en un generador de hipótesis explícitas.
No debemos permitir que una frase convincente convierta automáticamente una hipótesis en causalidad.
Root-cause analysis asistido por IA
La IA encaja muy bien en técnicas como 5 Whys o diagramas de causa y efecto porque puede producir rápidamente cadenas alternativas.
El problema aparece cuando genera una cadena demasiado limpia:
A → B → C → problemaLa realidad puede ser:
A → B → C
↑ ↓
└── D ←─┘Por eso, después de pedir causas, conviene hacer una segunda pasada adversarial:
Para cada cadena causal que propusiste, busca explicaciones alternativas, variables de confusión y evidencia que podría refutarla.
La primera pasada genera.
La segunda ataca.
La tercera verifica.
Systems thinking con IA
El pensamiento sistémico es especialmente útil cuando hay:
- feedback loops;
- retrasos;
- efectos secundarios;
- incentivos;
- cuellos de botella;
- interacciones entre componentes.
Una IA puede ayudarnos a pasar de una lista a un mapa como este:
más automatización
↓
más velocidad de entrega
↓
más cambios en producción
↓
más incidentes potenciales
↓
más trabajo de mantenimiento
↓
menos tiempo para mejorar automatización
↺El valor no está en aceptar el ciclo como verdadero.
Está en poder preguntar:
¿Qué loops reforzadores y balanceadores podrían existir aquí?
y después:
¿Qué datos permitirían comprobar si esos loops realmente dominan el sistema?
La IA reduce mucho el coste de explorar modelos alternativos.
Priorizar: usar criterios explícitos
Después de listar, agrupar y conectar podemos tener veinte hipótesis plausibles.
Ahora necesitamos decidir qué investigar primero.
Una buena prioridad no es simplemente:
“¿Cuál parece más probable?”
Podemos usar varios criterios:
- impacto si fuera cierta;
- confianza actual;
- coste de comprobarla;
- tiempo de comprobación;
- reversibilidad;
- riesgo;
- capacidad de discriminar entre varias hipótesis.
Una heurística especialmente útil es:
prioriza el experimento que más información útil produce por unidad de coste.
Por ejemplo:
| Hipótesis | Impacto | Confianza | Coste de prueba | Poder discriminante |
|---|---|---|---|---|
| query nueva satura DB | alto | medio | bajo | alto |
| red interregional | medio | bajo | medio | medio |
| proveedor externo | alto | bajo | bajo | alto |
La IA puede comparar estas dimensiones, pero debe recibir los criterios de manera explícita.
El mejor uso de IA: elegir el siguiente experimento
En problemas complejos quizá la pregunta más útil no sea:
¿Cuál es la solución?
Sino:
¿Cuál es el experimento más pequeño que separa mejor nuestras principales hipótesis?
Supongamos que tenemos:
- H1: la base de datos está saturada;
- H2: una API externa está lenta;
- H3: el nuevo código consume más CPU.
La IA podría ayudarnos a diseñar una prueba que produzca evidencia distinta para cada caso.
Este cambio es fundamental.
Pasamos de usar la IA como máquina de respuestas a usarla como máquina de diseño de investigación.
Un protocolo práctico: Explorador → Crítico → Verificador
Una sola conversación con la IA puede mezclar generación y evaluación demasiado pronto.
Es mejor trabajar por roles.
1. Explorador
Objetivo: ampliar.
Preguntas típicas:
- ¿qué estoy olvidando?;
- ¿qué otras agrupaciones existen?;
- ¿qué hipótesis alternativas explican esto?;
- ¿qué variables podrían estar ocultas?
Aquí queremos diversidad, no certeza.
2. Crítico
Objetivo: atacar.
Preguntas:
- ¿qué supuestos contiene esta explicación?;
- ¿qué evidencia la contradice?;
- ¿qué explicaciones alternativas producen los mismos síntomas?;
- ¿dónde estamos confundiendo correlación con causalidad?
Aquí queremos reducir el exceso de confianza.
3. Verificador
Objetivo: comprobar.
Preguntas:
- ¿qué afirmaciones están sustentadas por evidencia?;
- ¿qué datos faltan?;
- ¿qué experimento discrimina mejor las hipótesis?;
- después del resultado, ¿qué debemos actualizar?
Podemos usar el mismo modelo para los tres roles. Lo importante es separar las fases.
Un prompt reutilizable
Una plantilla práctica podría ser:
Quiero analizar este problema sin saltar directamente a una solución.
1. LISTAR
Separa hechos, síntomas, supuestos, restricciones, incógnitas e hipótesis.
No inventes información.
2. AGRUPAR
Propón al menos dos formas diferentes de agrupar los elementos.
Explica el criterio de cada agrupación.
3. CONECTAR
Propón relaciones entre elementos.
Etiqueta cada relación como observada, correlacionada, inferida o hipotética.
Indica qué evidencia permitiría comprobarla.
4. PRIORIZAR
Ordena qué investigar primero usando:
impacto, confianza, coste de prueba, reversibilidad y poder discriminante.
5. EXPERIMENTO
Propón el experimento mínimo que mejor diferencie las hipótesis principales.
6. ACTUALIZAR
Cuando te dé nuevos resultados, reconstruye el modelo sin borrar
las hipótesis refutadas ni su evidencia.Esta plantilla obliga a la IA a trabajar sobre la estructura del razonamiento, no solo sobre la respuesta.
El principal riesgo: converger demasiado pronto
La IA es muy buena produciendo explicaciones coherentes.
Eso también es peligroso.
Una explicación puede ser:
- clara;
- completa;
- técnicamente plausible;
- elegantemente escrita;
y seguir siendo falsa.
Por eso hay varias trampas a vigilar.
Anclaje
La primera taxonomía propuesta por la IA puede condicionar todas las siguientes.
Contramedida: pedir agrupaciones independientes y alternativas.
Causalidad inventada
El modelo puede conectar dos hechos con una historia plausible.
Contramedida: etiquetar las relaciones según su nivel de evidencia.
Falsa precisión al priorizar
Una puntuación 8,3 frente a 7,9 puede aparentar una certeza que no existe.
Contramedida: usar rangos, incertidumbre y criterios cualitativos cuando la evidencia es débil.
Delegación del objetivo
La IA puede optimizar perfectamente algo que no era el verdadero objetivo.
Contramedida: mantener bajo control humano el objetivo, las restricciones y los criterios de éxito.
IA antes y durante: dos papeles distintos
Podemos resumir el cambio así.
Antes de resolver, la IA ayuda a mejorar la representación del problema:
situación confusa
↓
hechos + supuestos + incógnitas
↓
categorías
↓
hipótesisDurante la resolución, ayuda a mejorar el ciclo de aprendizaje:
hipótesis
↓
prioridad
↓
experimento
↓
evidencia
↓
actualización del modelo
↺El primer papel aumenta la calidad del mapa.
El segundo aumenta la velocidad con la que corregimos ese mapa.
La idea central
La IA no hace que listar, agrupar, conectar y priorizar sean menos importantes.
Hace exactamente lo contrario.
Cuanto más rápido puede generar alternativas una máquina, más importante se vuelve disponer de un proceso que distinga:
- datos de interpretaciones;
- grupos útiles de agrupaciones arbitrarias;
- relaciones plausibles de causalidad comprobada;
- prioridades explícitas de intuiciones disfrazadas de ranking.
El patrón completo queda así:
DATOS
↓
LISTAR
↓
ESTRUCTURA
↓
AGRUPAR
↓
MODELO
↓
CONECTAR
↓
DECISIÓN
↓
PRIORIZAR
↓
EXPERIMENTO
↓
EVIDENCIA
↺La mejor colaboración entre humano e IA no consiste en preguntarle continuamente “¿cuál es la respuesta?”.
Consiste en usarla para ampliar el espacio de posibilidades, hacer explícitos nuestros modelos, atacarlos con hipótesis alternativas y encontrar la siguiente observación que más reduzca nuestra incertidumbre.
En otras palabras: la IA es más valiosa cuando ayuda a pensar mejor sobre el problema antes de intentar resolverlo.