Aprende a usar la IA haciendo solicitudes específicas y comprobando los resultados por tu cuenta.
Elige una pregunta que te interese y crea un resultado práctico.
Si primero quieres entender los principios: ¿Qué es la IA generativa? Entender cómo responde y por qué puede alucinar
Crea una solicitud que incluya claramente el objetivo y las condiciones.
Practica con pistas y revisión de errores.
Crea un plan semanal que respete tus límites de tiempo.
Aprende a comparar un resumen con el texto original.
Empieza a hacer vibe coding con Claude Code definiendo primero los requisitos.
Compara tareas repetitivas y elige el primer caso de uso del equipo.
Paso a paso con ejemplos
Práctica para revisar materiales largos dividiéndolos en varios chunks y comprobar el ID y la versión del documento, la superposición en los límites de los chunks, los distintos plazos y el alcance completo. Se centra más en el procedimiento de volver al texto original para revisar el resultado combinado que en la propia división.
Práctica para comparar dos respuestas de IA sin basarse en preferencias de redacción ni impresiones sobre la marca, utilizando la misma entrada y la misma solicitud y revisándolas según criterios de hechos establecidos de antemano. Independientemente de la puntuación, las afirmaciones adicionales sin fundamento se comprueban como una puerta separada para determinar si el contenido puede publicarse.
En este ejercicio se proporcionan a la IA las versiones V1 y V2 del aviso de un mismo evento y se revisan cinco elementos de comparación, clasificándolos como cambio, adición, eliminación o sin cambios. Aprenderá a registrar únicamente las diferencias realmente escritas en los documentos, sin interpretar arbitrariamente una frase eliminada.
A partir de un aviso breve se crean seis preguntas frecuentes, añadiendo un source ID a las respuestas que cuentan con fundamento y evitando inventar respuestas sobre tarifas, reembolsos o lista de espera cuando esa información no figura en el original.
En este ejercicio se clasifican seis comentarios abiertos breves mediante temas predefinidos y se permiten varias etiquetas cuando un mismo comentario contiene dos temas. También se revisa por qué el total de etiquetas puede superar el número de participantes y cómo evitar inferencias no fundamentadas sobre satisfacción o intensidad emocional.
En este ejercicio se reformulan en lenguaje sencillo cuatro frases ficticias sobre el préstamo de materiales, conservando las condiciones esenciales: solo miembros registrados, plazo de 7 días, imposibilidad de ampliar materiales reservados y posibilidad de solicitar 1 ampliación para materiales no reservados sin que la aprobación esté garantizada.
Práctica para dividir un objetivo de investigación impreciso en preguntas de hechos, preguntas de experiencia y preguntas de decisión, y crear un plan de búsqueda que indique qué debe comprobarse y dónde. En lugar de pedir a la IA que invente resultados de búsqueda, primero se estructuran las fuentes que deben verificarse y los elementos aún no confirmados.
Práctica para diseñar con IA las preguntas de una entrevista de 15 min sobre la experiencia de uso de un formulario de solicitud ficticio. Se explica cómo convertir preguntas dirigidas en preguntas neutrales sobre comportamientos reales recientes y cómo evitar tratar respuestas esperadas de entrevistas todavía no realizadas como evidencia real.
Práctica para fijar primero restricciones como número de participantes, tiempo, materiales impresos, posibilidad de realizar compras y equipo disponible, y después pedir a la IA 4 alternativas diferentes. En lugar de decidir qué idea es la mejor, se comprueba si cada alternativa cumple las condiciones y cómo volver a solicitarla cuando cambian las restricciones.
Práctica para preparar, a partir de materiales ficticios ya organizados, 6 posibles preguntas del público junto con su fundamento, una respuesta breve y un plan de comprobación para lo que todavía se desconoce. No se trata de crear el índice de una presentación ni de realizar una evaluación de voz con IA, sino de practicar cómo responder sin exagerar evidencias limitadas.
Aprende a convertir un texto breve en una estructura de presentación para un PPT con IA sin añadir hechos no respaldados, a crear un prompt para un esquema de 6 diapositivas con un mensaje principal, evidencia, notas del presentador y sugerencias visuales, y a revisar manualmente cifras, interpretaciones, imágenes e información sensible.
Aprende qué crea la IA generativa y cómo los modelos de texto producen respuestas continuando tokens a partir del contexto que reciben. Como una respuesta natural no siempre es una respuesta factual, también practicarás cómo separar información confirmada de información pendiente y cómo verificar el resultado por tu cuenta.
Al introducir por primera vez IA en la colaboración de un equipo, suele ser más manejable empezar comparando tareas en las que varias personas reúnen y revisan información de forma repetida, en lugar de fijarse primero en funciones llamativas. Con 6 tareas ficticias del equipo Haneul, anotamos de forma cualitativa el efecto esperado, revisamos a la vez la carga de verificación y el riesgo de información sensible, y reducimos las opciones para una primera aplicación. La IA organiza las candidatas, pero la decisión final corresponde al equipo.
Al crear actas de reunión con IA, en lugar de pulir las notas de una sola persona, se practica cómo introducir juntas las anotaciones de varios asistentes y organizar decisiones, tareas, puntos por definir y diferencias entre registros conservando etiquetas de origen. Con notas ficticias de la reunión del equipo Haneul del 2026-10-20, se muestra cómo crear un borrador para compartir con el equipo sin forzar expresiones distintas a una sola versión.
Se practica cómo reunir con IA actualizaciones semanales escritas por cada miembro en formatos distintos y reorganizarlas en completado, en curso, retrasos, dependencias, ayuda necesaria y puntos que requieren confirmación. Con informes del mismo periodo del equipo Haneul, se crea un ejemplo de informe semanal con IA que, cuando las cifras difieren, no elimina una de ellas y conserva tanto la hora de referencia como la fuente.
Se explica cómo reorganizar notas dispersas en contexto, estado actual, ubicación de materiales, próximas acciones, precauciones y puntos por definir para que otra persona pueda continuar el trabajo de inmediato cuando el responsable esté ausente. Con un caso ficticio en el que el trabajo de difusión e inscripciones de Seoyeon pasa a Junho, se crean juntos un documento de traspaso de trabajo con IA y preguntas que debe comprobar quien recibe la tarea.
Cuando las opiniones de varios miembros del equipo difieren, se practica una forma de usar la IA sin dejar que tome la conclusión por el equipo: se comparan en un mismo marco los hechos confirmados, las razones, las opiniones contrarias y los supuestos no verificados. Con las opciones A y B del lugar para el taller del equipo Haneul como ejemplo, se aclaran la persona responsable de decidir y la fecha límite, y se dejan los puntos que el equipo debe comprobar antes de tomar la decisión final.
Se practica cómo convertir una petición de trabajo breve enviada por la líder del equipo en un borrador de solicitud que el equipo pueda volver a acordar, separando los requisitos confirmados de las condiciones que faltan, sin dejar que la IA complete por su cuenta lo desconocido. Con la petición del equipo Haneul «prepara algo de material para el taller» como ejemplo, se dejan como preguntas de confirmación los criterios de finalización, el alcance incluido y excluido y las condiciones de entrega.
Se explica cómo convertir el uso de IA para colaboración en equipo en un activo del equipo que todos revisan y corrigen, en lugar de depender de solicitudes individuales. Se sigue el proceso de mejorar la solicitud para organizar actas de reunión con IA del equipo Haneul desde v1.0 hasta v1.1 y volver a comprobarla con la misma entrada de prueba.
Se explica cómo revisar por función los hechos, las omisiones, la información sensible, las personas responsables y el estado de aprobación antes de compartir con el equipo un borrador de informe semanal generado por IA. Se separan las funciones de redacción, revisión y aprobación y se registra qué evidencia se comprobó para evitar que un resultado de IA se interprete automáticamente como la conclusión oficial del equipo.
Entendemos el vibe coding no como «decírselo con palabras y dejar que la IA lo haga todo», sino como una forma de trabajo en la que la persona define los requisitos y los criterios de comprobación y después revisa el resultado generado por la IA. Con una herramienta ficticia para sumar un CSV de gastos domésticos, organizamos en una sola nota la entrada, la salida, lo que no debe hacerse y cómo verificar el resultado.
Comprobamos el comando de instalación de Claude Code y las condiciones de cuenta según el sistema operativo, y comenzamos la primera sesión en una carpeta ficticia de práctica. En lugar de generar código de inmediato, hacemos solo tres preguntas para leer la carpeta y el CSV en modo plan y después cerramos la sesión de forma segura.
Practicamos el flujo para crear una primera herramienta pequeña en Python usando el expenses.csv ficticio y la nota de requisitos preparados antes. La solicitud incluye un ejemplo de entrada, la salida esperada y las restricciones, y después ejecutamos el summarize.py terminado en la herramienta Python del chat de GPT, no en Claude Code, para comprobar el resultado.
Organizamos de forma breve en el CLAUDE.md del proyecto el comando de ejecución, las reglas de datos, las prohibiciones y la forma de comprobar resultados que antes se repetían en cada solicitud. Distinguimos la función de `/init` para crear un borrador y el propósito de cada ubicación de archivo, y terminamos un archivo de reglas de 35 líneas adaptado al ejemplo del CSV de gastos.
A partir del ejemplo de añadir la opción `--by-category` a una herramienta ya funcional que suma gastos por mes, aprenderás a revisar primero el plan de cambios en el modo plan de Claude Code. Antes de implementar, fijarás el alcance de la modificación y el formato de salida; después de aprobar el plan, ejecutarás el código final para comprobar tanto los totales mensuales existentes como los totales por categoría.
Aprenderás un flujo mínimo para dejar un punto de referencia con git antes de que Claude Code modifique archivos y, después del trabajo, revisar los cambios reales con `git status` y `git diff`. Puedes pedir a la IA que explique el diff, pero el proceso se basa en que una persona compruebe el diff y los resultados de ejecución antes de hacer staging y commit directamente.
En lugar de limitarte a decirle a la IA que «da error», practicarás un flujo en el que primero reproduces el problema con la misma entrada, acotas la causa a partir del mensaje de excepción real y solicitas solo el cambio mínimo. Usaremos un CSV cuyo amount contiene una coma para reproducir un ValueError en Python y volveremos a ejecutar el código corregido para comprobar el resultado.
Partiendo de que Claude Code puede leer y modificar archivos y ejecutar comandos, este artículo reúne las comprobaciones de seguridad que una persona principiante debe hacer antes, durante y después del trabajo. Conecta en una sola lista las diferencias entre modos de permiso, los cambios que los checkpoints no pueden restaurar, la diferencia de función respecto de git y la regla de no introducir información secreta.
Aprende a pedirle a la IA un resultado más fácil de revisar indicando el objetivo, los hechos ya confirmados, lo que no debe suponer y el formato deseado, en lugar de pedir simplemente que escriba un texto. Con un aviso para un club de lectura vecinal como ejemplo, comprobarás si la IA inventó información que no existía y usarás una pregunta de seguimiento para suavizar el tono sin cambiar los hechos.
Aprende a usar la IA para practicar haciendo que presente un problema cada vez, espere tu respuesta y después ofrezca pistas y explicaciones de los errores en lugar de dar directamente la solución. Con tres problemas de porcentajes, comprobarás qué valor debe usarse como denominador y verificarás de forma independiente las explicaciones de la IA con cálculos hechos a mano.
Aprende a calcular primero el tiempo realmente disponible durante la semana y el tiempo necesario para tus tareas, en lugar de intentar encajarlas a la fuerza en los huecos. La práctica también contempla que el miércoles deje de estar disponible y muestra cómo comprobar que la IA no invente tiempo adicional que no existe.
Convierte “automatiza esto” en una descripción de tarea ejecutable. Adjunta una muestra sintética sin datos sensibles y un resultado esperado comprobado manualmente para completar una solicitud de script que totalice registros de trabajo por equipo.
Comprueba una función de agregación con cuatro filas que puedes calcular manualmente y 12 unit tests. Verifica no solo valores normales, sino también entrada vacía, cero, decimales y entrada no válida.
Compara un informe de IA con sus datos de origen, recalcula totales y porcentajes y usa una instrucción para detectar afirmaciones sin respaldo y causas exageradas antes de entregarlo.
Trata una expresión regular generada por IA como un borrador, no como una regla terminada. Crea una pequeña tabla de pruebas sintéticas, compara las coincidencias esperadas con las reales, corrige el patrón y guarda un informe de revisión antes de usarlo con datos reales.
Trata una consulta SQL generada por IA como un borrador y pruébala en una pequeña base de datos SQLite con respuestas conocidas. Compara el resultado de la IA con una tabla esperada calculada manualmente antes de usar la consulta con datos reales.
Muestra a una IA algunos ejemplos de la estructura exacta de salida que quieres y después valida el JSON devuelto antes de utilizarlo. Un pequeño conjunto de tickets sintéticos demuestra cómo funcionan conjuntamente los ejemplos de formato y las comprobaciones automáticas.
Divide un resumen de IA en afirmaciones individuales, vincula cada una con frases concretas de la fuente y marca las afirmaciones sin respaldo o exageradas antes de reutilizarlas. Un pequeño documento sintético muestra por qué incluso los resúmenes fluidos necesitan comprobación de evidencia.
Compara un correo de trabajo redactado por IA con la información original para revisar hechos, cifras, fechas, destinatarios, tono y promesas. Un ejemplo pequeño muestra qué debe comprobar una persona antes de enviar el mensaje.
Usa un asistente de chat con IA para convertir una transcripción de reunión en un acta estructurada y después verifica cada decisión, responsable, plazo y tarea con la transcripción original. Un ejemplo sintético y una comprobación con Python muestran un proceso repetible.
No conviene confiar en una fórmula de Excel sugerida por IA después de probarla solo con filas normales. Usa una pequeña hoja sintética para probar celdas vacías, cero, texto y fechas, y contrasta después los resultados esperados con un script sencillo de Python.
No revises una traducción de IA solo por lo natural que suena. Compara de forma sistemática números, unidades, nombres, negaciones y significado con el original, y usa una retrotraducción puntual y un pequeño script en Python como apoyo.
Usa un asistente de chat con IA para proponer reglas explícitas de limpieza de datos, aplica solo las reglas aprobadas a una copia del CSV y genera un registro antes/después por celda. El ejemplo es sintético para que puedas revisar cada transformación manualmente.
Una IA puede describir una tabla con fluidez y aun así equivocarse en totales, porcentajes, medias o variaciones. Esta guía usa una pequeña tabla sintética de ventas para recalcular y comprobar cada afirmación numérica antes de reutilizarla.
Las tareas repetitivas con IA son más fáciles de revisar cuando los prompts siguen una estructura consistente. Esta guía muestra cómo crear una pequeña biblioteca de plantillas con variables, ejemplos y una lista de comprobación para cada tarea.
La IA puede convertir notas desestructuradas en JSON, pero el resultado debe validarse por separado. Esta guía usa un pequeño ejemplo sintético y una comprobación en Python para verificar campos obligatorios, tipos, valores permitidos y coherencia básica.
La IA puede etiquetar tickets de soporte rápidamente, pero conviene medir sus etiquetas frente a un pequeño conjunto de referencia etiquetado manualmente antes de confiar en ellas. Esta guía usa un ejemplo sintético, compara las predicciones de la IA con las etiquetas conocidas y calcula la precisión y una matriz de confusión con Python.
Elimina o sustituye los datos personales evidentes antes de enviar texto a un asistente de chat con IA y revisa tanto el texto enmascarado como el informe de detección para encontrar lo que se haya escapado. Este tutorial usa un ejemplo sintético pequeño y no modifica el archivo original.
El código generado por IA puede parecer completo y aun así contener supuestos ocultos sobre entradas, casos límite, dependencias y errores. Esta guía usa un ejemplo CSV sintético pequeño para revisar el código de forma sistemática antes de utilizarlo con datos reales.
Las respuestas de IA sobre documentos son más fáciles de verificar cuando cada afirmación incluye citas con números de línea. Esta guía usa una nota sintética pequeña, pide respuestas con citas a un asistente de IA y comprueba automáticamente cada rango con Python.
La IA puede convertir varios resúmenes de artículos en una tabla comparativa compacta, pero cada celda debería poder rastrearse hasta el texto fuente. Esta guía usa tres resúmenes sintéticos pequeños, pide a un asistente de IA que cree una tabla y verifica cada celda contra los resúmenes antes de aceptarla.
Las referencias generadas por una IA pueden parecer creíbles aunque el enlace no exista o el contenido real no coincida con lo que afirma la IA. Este ejemplo sintético muestra cómo comprobar tanto la existencia del enlace como si la fuente está relacionada con la afirmación.
Redacta un informe semanal con IA a partir de registros CSV y verifica horas y tareas completadas con Python. Usa una instrucción para separar trabajo completado, en curso, planificado y bloqueado.
Vuelve a buscar con palabras cortas, como CSV o AI.
Todos los ejemplos son para practicar. Los datos de automoción son sintéticos y se usan con fines ilustrativos.