Tu IA se volvió más inteligente. Tu configuración no

Casi todas las configuraciones de IA crecen igual. El modelo hace algo mal y escribes una regla. Se salta un paso y escribes otra. Después de un año tienes archivos de reglas, notas de proyecto, memorias, skills y prompts guardados, todo escrito para que un modelo anterior se portara bien.

Después los modelos se vuelven más inteligentes, y las reglas se quedan exactamente donde estaban.

Esta es una guía práctica para limpiar eso. Tres pasos, tres prompts que puedes copiar y una lista corta de lo que conviene conservar. Esta semana la usé en mi propia configuración, y mi archivo principal de reglas quedó en menos de la mitad de su largo original sin perder ni uno de los límites que me importan.

Por qué las reglas viejas se vuelven en tu contra

Los modelos anteriores necesitaban que los llevaras de la mano. Se saltaban pasos, olvidaban cosas y se rendían antes de tiempo, así que escribíamos instrucciones que les decían cómo trabajar, paso a paso, muchas veces en mayúsculas. Los modelos nuevos razonan por su cuenta. Esas mismas instrucciones ahora reemplazan su criterio por el tuyo, y el tuyo estaba pensado para un modelo más débil.

Anthropic lo dice sin rodeos en su propia guía de prompts. Si tus prompts empujaban a los modelos anteriores a ser más exhaustivos, baja el tono de esas instrucciones. Donde antes escribías "CRITICAL: You MUST use this tool", escribe algo normal como "usa esta herramienta cuando". Y los pasos de verificación heredados de prompts viejos hay que quitarlos, no reescribirlos, porque los modelos nuevos ya revisan su propio trabajo.

La estructura de abajo viene de la guía de Actionable AI Make Your AI Smart Again. Auditar, recortar y reescribir, y después cambiar la forma de pedir las cosas. Los prompts son mis versiones de los suyos, ajustados después de usarlos.

Paso uno: audita antes de tocar nada

La tentación es empezar a borrar. No lo hagas todavía. Las reglas que te molestan no siempre son las que más cuestan, y vas a cortar las equivocadas. Pídele al modelo que lea todo primero y lo ordene.

Lee toda mi configuración: cada archivo de reglas, archivo de proyecto,
nota de memoria, skill y prompt guardado.

Para cada instrucción, dime:
1. ¿Describe CÓMO hacer el trabajo en lugar de QUÉ es el trabajo?
2. ¿Fue escrita para un modelo anterior, y ahora te frena o limita
   tu razonamiento?
3. ¿Contradice otra instrucción en otro lugar?
4. ¿Es un dato que ya no es cierto?
5. ¿Está haciendo un trabajo real y debería quedarse?

Ordena todo según cuánto le cuesta a la calidad de tu trabajo.
No cambies nada todavía.

La pregunta cuatro la agregué yo. La guía original no la hace, y yo no me la saltaría.

Qué buscar

La mayoría espera que el problema sea el método: demasiadas reglas de "primero haz esto, después aquello". Existen, pero casi nunca son lo más caro. La auditoría suele encontrar cuatro tipos de problema.

Método. Instrucciones que describen los pasos en lugar del resultado. "Abre el archivo, léelo dos veces y escribe un resumen en tres viñetas" le dice al modelo cómo pensar. "Necesito un resumen que pueda leer en diez segundos" le dice cómo se ve terminado, y le deja encontrar el mejor camino.

Costumbres de modelos más débiles. Recuérdamelo al inicio de cada sesión. Repite la regla porque una vez no basta. Revisa todo dos veces antes de responder. Tenían sentido cuando los modelos perdían el hilo a mitad de una tarea. Hoy son ruido que el modelo tiene que obedecer.

Contradicciones. Una configuración escrita durante meses termina contradiciéndose. Una nota de proyecto permite algo que tus reglas globales prohíben. Un skill hace de forma automática lo que otro archivo dice que solo se haga cuando lo pidas. El modelo no te está ignorando. Está obedeciendo a dos versiones de ti al mismo tiempo, y no puedes predecir cuál gana.

Datos desactualizados. La descripción de un producto que cambió, una herramienta que ya no usas, un precio que se movió. Un dato viejo es peor que una mala instrucción, porque el modelo no tiene ninguna razón para dudar de él. Construye encima con total confianza.

Cuando hice la auditoría, las contradicciones y los datos viejos costaban más que todas las reglas de método juntas. Eso es lo que no habría adivinado solo.

Paso dos: recorta y reescribe lo que queda

Con base en la auditoría, haz dos cosas.

Primero, borra todo lo que no hace falta. Muéstrame qué quitaste
y una línea de por qué.

Segundo, reescribe lo que queda para que funcione con un modelo que
razona por su cuenta: di el resultado, di los límites que no se cruzan,
di cómo se ve un buen resultado y deja de describir el método.

Muéstrame el antes y el después de cada archivo, lado a lado.
No cambies nada hasta que yo lo apruebe.

Dos cosas hacen que este paso sea seguro. Primero, no borres nada de verdad. Mueve las reglas quitadas a una carpeta de archivo que nunca se carga, así cualquier recorte está a un movimiento de volver. Segundo, revisa cada archivo lado a lado, la versión vieja a la izquierda y la nueva a la derecha, y aprueba uno a la vez. Es más lento, y es la única forma de confiar en el resultado.

Una reescritura típica se ve así. Antes:

Responde corto. Nunca escribas más de seis líneas. No expliques tu
razonamiento. No enumeres opciones. Revisa el largo antes de enviar.

Después:

Una buena respuesta es tan corta como su contenido lo permite. Un
reporte de avance son tres o cuatro líneas. Un análisis que yo pida
tiene el largo que necesite.

La primera versión funciona para los reportes de avance y en silencio empeora todo lo demás, porque le quita las advertencias a los análisis que sí necesitas. La segunda describe cómo se ve lo bueno y deja que el modelo decida. Un límite decide por el modelo. Una descripción de lo bueno le deja decidir a él, y normalmente decide mejor.

Lo que se queda

Recortar no significa confiarle todo al modelo. Conserva los datos que no puede adivinar y todo lo que no se puede deshacer.

• Tus clientes, tus precios, tu voz y tus restricciones. Ningún modelo puede deducir eso, por más inteligente que sea.
• Todo lo irreversible o lo que sale hacia afuera: qué puede enviar, gastar, desplegar, borrar o publicar. Ponlo en una sección corta, llámala límites duros, y que cada punto diga que te pregunte primero.
• Las reglas que tienen una razón real detrás. Si una regla existe porque algo salió mal una vez, consérvala, pero déjala en una línea que diga qué hacer, sin la historia de por qué.

La prueba es simple. Quita el método, conserva el contexto y los límites.

Paso tres: pide las cosas de otra forma

Una configuración recortada solo sirve si dejas de reconstruir los viejos hábitos prompt por prompt. La guía termina con una estructura de cuatro capas que vale la pena usar en cualquier tarea seria.

OBJETIVO: [el resultado terminado, no el siguiente paso]

INVESTIGA: Antes de empezar, busca el mejor enfoque para esto y dime
cuál elegiste y por qué.

ENTREVÍSTAME: Pregúntame lo que necesites saber. Una pregunta a la vez.

ASÍ SE VE BIEN: [un ejemplo real de lo terminado]

La capa que la gente se salta es la última, y es la que más trabajo hace. Una lista de adjetivos como directo, amable y seguro describe una voz. Un párrafo real que escribiste le muestra al modelo cómo suena esa voz. Si quieres resultados con tu estilo, pega tu propia escritura, no una descripción de ella.

Lo de investigar se siente raro al principio, porque durante años le dijimos al modelo cómo resolver las cosas. Pídele que encuentre el mejor enfoque y lo defienda. A veces elige el que tenías en mente. A veces encuentra uno mejor, y nunca lo habrías visto si hubieras escrito el método en el prompt.

Tu configuración debería encogerse a medida que mejoran los modelos

La mayoría trata su configuración de IA como un código que solo crece. Cada mala tarde agrega una regla, y nadie borra ninguna, porque quién sabe qué estaba protegiendo.

Creo que es al revés. Cada modelo nuevo debería hacer tus instrucciones más cortas. Si las tuyas siguen creciendo, sigues administrando un modelo que ya no existe.

Haz la auditoría y lee el ranking antes de tocar nada. Las reglas que te preocupan probablemente son baratas. Las contradicciones y los datos viejos son donde se esconde el costo.