Empecé a escribir entradas en un blog como práctica de escritura. Me gusta; es útil para organizar ideas y generar nuevas. Sin embargo, a veces ocurre algo: termino un post que inicié con intención descriptiva y descubro más tecnicismo del necesario. O al revés: un análisis que pedía rigor acaba en una narración que lo diluye.
El texto está ahí, completo, pero algo no está bien. Es como ponerte el zapato del pie derecho en el pie izquierdo. De ahí surgió la pregunta:
¿Cómo validar que un post realmente pertenece al tipo de entrada que creo que es?
El modelo mental primero
Antes de buscar soluciones, necesitaba entender los componentes de una entrada.
Cualquier publicación consistente opera con dos capas: un marco editorial, que da identidad y continuidad, y líneas editoriales, cada una con su propia lógica de apertura, desarrollo y cierre. Cuando un texto se desvía de su línea sin que sea una decisión consciente, la coherencia se rompe.
En el blog, estos elementos existían de forma implícita: temas, categorías y un lector definido. Solo hacía falta formalizarlos. Con eso claro, la hipótesis fue directa: si clasifico una entrada según su línea editorial y luego inspecciono su estructura con ese criterio, podré detectar desviaciones antes de publicar.
El diseño del sistema
Tres principios de arquitectura guiaron el diseño:
Separación de responsabilidades. Un clasificador determina el tipo. Un auditor evalúa la coherencia. Yo decido.
Contratos explícitos entre módulos. El router devuelve el tipo y el nivel de confianza. El auditor recibe esa clasificación junto con el texto y responde con un estado estructural.
Determinismo, no creatividad. La misma entrada debe producir la misma clasificación. La creatividad permanece en el humano.
El sistema quedó así:
Router: clasifica el texto según la línea editorial.
Auditor: evalúa la coherencia estructural según el tipo declarado por el router.
Archivo de líneas editoriales: referencia común.
Definition of Done por tipo: criterios de cierre para cada clase de entrada.
Human-in-the-loop: la decisión final es humana.
El sistema tiene límites. Depende de cómo estén definidas las líneas editoriales y de la calidad del clasificador. Además, al ser juez y parte, siempre existe un sesgo del autor.
Lo que encontré en la práctica
Probé varias entradas publicadas y borradores nuevos. En todos los casos, la clasificación fue estable entre las ejecuciones. El auditor resultó más estricto que yo. Señaló puntos en los que la estructura era ambigua, sin que yo lo hubiera notado.
El caso más claro fue una entrada que oscilaba entre la narración y el análisis. El auditor señaló desviaciones con severidad. No hice los ajustes porque mi intención era narrativa, no un experimento formal. Pero ya hacía lo que quería: la alerta fue válida y me obligó a confirmar mi intención.
Hay una diferencia entre mezclar géneros por decisión y hacerlo por descuido. El sistema me ayuda a saber cuál es cuál.
Es mi guardián estructural, no un corrector, generador ni optimizador de estilo. Es justo lo que quería, una herramienta para mi contexto editorial.
De prompts genéricos al resultado específico: anatomía de un experimento con moodboards
El año pasado, durante el desarrollo de una mini-app, me encontré con un problema: necesitaba diseñar la interfaz, pero carecía de los fundamentos para expresar lo que quería. No podía simplemente decirle a la IA «que quede bonito» y esperar algo más que un resultado genérico. Necesitaba estructurar mi entrada, pero no tenía el vocabulario visual para hacerlo.
Este post documenta el experimento que diseñé para resolver ese dilema y lo que aprendí en el proceso. Es una reflexión sobre cómo estructurar el contexto cuando trabajamos con herramientas de IA en áreas donde no somos ni siquiera novatos.
El problema: cuando no tienes el lenguaje para describir lo que quieres
Estaba usando vibe-coding para crear la primera versión de la app y luego seguir con codificación asistida para refinarla. Con los fundamentos de programación, es más fácil seguir el proceso y aprender en el camino. Sin embargo, el diseño sí lo fue, ya que no contaba ni con el conocimiento básico.
Intenté darle a la herramienta instrucciones sobre la paleta de colores y «estilo general», pero los resultados seguían siendo genéricos. Me di cuenta de que el problema era mi entrada. Necesitaba ser más específica, pero ¿cómo podía serlo sobre algo que no sabía expresar más allá de los adjetivos básicos?
Podía buscar sitios web que me gustaran y compartir enlaces, pero eso tampoco garantizaba nada. ¿Cómo podía extraer de ellos los elementos específicos de una descripción de diseño que me permitieran evaluar una salida? Y evaluar no significa: «sí, me gusta».
Fue ahí cuando pensé en los moodboards.
La hipótesis: un moodboard como traductor visual
Un moodboard no es simplemente una colección de imágenes bonitas. Es una herramienta que estructura información visual de forma específica: paleta de colores con códigos hexadecimales, tipografía definida, texturas, tempo, y lo más importante, un estado emocional claro.
Mi hipótesis era simple: si le daba a una herramienta de vibe-coding un moodboard estructurado como entrada, en lugar de descripciones vagas, obtendría resultados menos genéricos y más alineados con lo que buscaba.
El moodboard funcionaría como un traductor: yo no sabía hablar el «lenguaje de diseño», pero podía crear un documento que sí lo hiciera por mí.
El experimento: metodología y resultados
Diseño del moodboard
Primero tuve que aprender a crear un moodboard. Investigué principios básicos y usé Canva para diseñar uno centrado en el estado emocional de la calma». Incluí:
Paleta de colores con códigos hexadecimales específicos (azules suaves, verdes sage, beige, gris, rosa y lavanda)
Tipografía definida (Playfair Display para títulos, Inter para cuerpo)
Imágenes que transmitieran el tempo deseado: texturas suaves, composiciones minimalistas, elementos naturales
Descripción explícita del estado emocional: calm, thoughtful, human, credible, unhurried
Pruebas comparativas
Diseñé dos prompts para crear un sitio web personal para un usuario ficticio con secciones de About, Blog y Contact:
Prompt sin moodboard: «Create a personal website for a creator. The site should include an About section, a Blog section, and a Contact section. The tone should be professional, clear, and approachable. Use a clean, modern layout with good readability. Avoid unnecessary complexity. The website should feel credible and well-structured.»
Prompt con moodboard: El mismo prompt base, pero añadiendo: «Use the attached CALM emotional moodboard as context. All layout, typography, spacing, color, and tone decisions should align with the emotional space defined by the moodboard: calm, thoughtful, human, credible, and unhurried. Avoid loud visuals, startup aesthetics, sales-driven urgency, or overly dense layouts. The site should feel reflective and intentional rather than promotional.»
Probé estos prompts en tres herramientas: Replit, Gemini Flash 3 y Lovable.
Resultados
La diferencia fue notable en las tres herramientas. Los resultados con moodboard mostraron:
Mayor consistencia en el uso de la paleta de colores especificada
Mejor distribución de los espacios, sin aglomeración de elementos
Tipografía alineada con las fuentes del moodboard
Estética menos «startup genérica» y más personalizada
Con el moodboard, las tres salidas se parecían entre sí, mostrando consistencia. Aunque me gustó más el resultado de Gemini Flash 3, cualquiera de las tres satisfacía mis expectativas.
Los resultados sin moodboard caían en patrones visuales que ves en todos lados: colores y degradados llamativos, tonos azul/blanco o naranja/blanco, layouts densos, estética corporativa estándar.
Insights clave: más allá del diseño
1. Input estructurado > prompt genérico
El experimento confirmó algo que ya sabía, pero que no había formalizado: la calidad de la salida está directamente relacionada con la especificidad y la estructura del input.
La información que se proporciona, además de ser detallada, debe estar estructurada. El moodboard no es simplemente «más detalles»; es un sistema organizado de especificaciones que la herramienta puede interpretar de forma consistente.
Este principio aplica más allá del diseño visual. En cualquier tarea en la que trabajamos con IA, la forma en que estructuramos el contexto determina la utilidad del resultado.
2. Los fundamentos importan
Para crear el moodboard, tuve que investigar los principios básicos del diseño. No me convertí en diseñadora experta, ni siquiera en principiante, pero aprendí lo suficiente para:
Evaluar si los resultados que generaba la IA tenían cierto nivel de calidad
Identificar qué elementos específicos necesitaba modificar
Comunicarme de forma más precisa con las herramientas
Aunque suena contraintuitivo, aprender los fundamentos favorece resultados de mayor calidad en el uso de la IA. Este conocimiento te permite distinguir entre resultados mediocres y buenos y dirigir mejor el proceso iterativo.
3. La experimentación no debe esperar al conocimiento perfecto
El insight más importante es el de actitud: no necesitas ser experto para empezar a experimentar.
Podría haber esperado a tomar un curso completo de diseño antes de intentarlo. Antes lo habría hecho, lo confieso. En cambio, para agilizar, identifiqué lo mínimo que necesitaba aprender (qué es un moodboard, cómo se estructura), lo aprendí y experimenté.
Las herramientas actuales permiten este tipo de exploración. El costo de experimentar es bajo y el aprendizaje que obtienes es inmediato y práctico.
Conectando con análisis de comportamiento: contexto específico = mejores resultados
Este principio de que «el contexto estructurado genera mejores resultados» no se limita al diseño visual. Es fundamental cuando trabajamos con modelos de IA en cualquier dominio, incluyendo el análisis de comportamiento y de datos.
Piénsalo así: cuando le pides a un modelo de IA que analice datos de comportamiento, puedes darle un prompt genérico («analiza estos datos») o puedes estructurar el contexto:
¿Qué métricas específicas son relevantes?
¿Qué patrones conocidos buscas confirmar o refutar?
¿Qué contexto del negocio o del usuario es necesario para interpretar correctamente los datos?
¿Qué nivel de granularidad necesitas en el análisis?
El moodboard en mi experimento funcionó como un «framework de especificaciones» para el diseño. De la misma forma, cuando trabajamos con análisis de comportamiento, necesitamos frameworks que estructuren nuestras preguntas y nuestro contexto.
La diferencia es que en diseño visual, el framework (el moodboard) es más tangible y reconocible. En el análisis de datos, el framework es conceptual: las hipótesis que quieres probar, las métricas que defines, el contexto que proporcionas.
En ambos casos, el principio es el mismo: herramientas poderosas + contexto estructurado = resultados específicos y útiles.
Para cerrar: ¿qué me llevo de este experimento?
Este experimento comenzó como una solución práctica a un problema de diseño, pero terminó siendo una lección más amplia sobre cómo trabajar efectivamente con IA:
La estructura del input importa tanto como la herramienta que uses. Un prompt genérico, en la mejor herramienta del mundo, te dará resultados genéricos. Un contexto bien estructurado en una herramienta promedio te acerca mucho más a lo que necesitas.
Necesitamos invertir en aprender lo básico (al menos). Este conocimiento nos ayuda a saber qué pedir y a evaluar los resultados.
Y finalmente: la consistencia importa. Cuando trabajas en cualquier proyecto que requiere múltiples iteraciones (un diseño, un análisis, una estrategia), contar con frameworks estructurados te permite mantener la coherencia a lo largo del proceso.
No me convertí en diseñadora, pero en cada iteración voy adquiriendo vocabulario y habilidades que antes no tenía, y eso es invaluable.
Si estás experimentando con IA en áreas que no dominas, prueba a crear tu propio framework visual o conceptual. Empieza pequeño, estructura tu contexto y observa cómo cambian los resultados.
Hacía ya un tiempo que no me tocaba llevar a cabo el rol de revisora de artículos. A principios del mes recibí la invitación a revisar uno y acepté.
La revisión de un artículo es una actividad de gran responsabilidad: tienes en tus manos la versión de un trabajo que ha requerido mucho tiempo y esfuerzo. Los autores envían su trabajo con ilusión y esperan el feedback y la evaluación de personas desconocidas que, aunque debidamente acreditadas, siguen siendo solo revisores sin rostro.
Lo menos que puedes hacer es tener un profundo respeto por lo que tienes en tus manos, identificar fortalezas, debilidades y contribuir con recomendaciones para que ese escrito que pasa por ti pueda mejorar, para que su siguiente versión sea mucho mejor que la actual. Si lo haces bien, puedes ser un eslabón en la construcción de un mejor cuerpo de conocimiento sobre el tópico en cuestión.
Una de las partes que siempre me produce ansiedad es la revisión del estado del arte. Siento que habrá alguna referencia vital, necesaria para el artículo, de la cual desconozco su existencia. Como cuando sales de tu casa y sientes que dejaste algo encendido o que olvidaste algo. Es irracional, pero no lo puedo evitar.
El experimento: ¿Puede un asistente de GenAI revisar como yo?
Así, con todo y mi inseguridad en el aspecto de revisión de literatura, terminé la revisión. Ya tenía una visión clara de cómo dar un feedback útil y relevante a los autores; también tenía lista la evaluación. Con eso resuelto, decidí ver qué resultados obtendría si el asistente de GenAI hacía esta tarea y contrastar la versión humana que ya tenía con la revisión del asistente. La curiosidad de ver su revisión era grande, enorme.
Eliminé información sensible, le di guías de evaluación y también guías personales para hacer la revisión. Le indiqué, además, que fuera exigente. Usé el modelo de ChatGPT con Deep Research; hizo algunas preguntas y empezó con su trabajo.
Y de pronto, mientras esperaba, sentí que estaba compitiendo. ¿Era posible que una tarea que exige experiencia, criterio e intuición pudiera resolverse por completo con un modelo de lenguaje?
El veredicto: humano vs. asistente
Leí su revisión, sus sugerencias y su evaluación. Solo coincidimos en un 10%. Técnicamente, realizó una revisión que cumplía con las guías: era correcta, detectó problemas de inconsistencia en la redacción que yo no vi, y algunos detalles dentro del universo del artículo y del estado del arte. También sugirió algunas referencias asociadas que podían ser útiles.
Pero nada más. Nada que retara el trabajo, que les diera a los autores otra perspectiva, otra visión basada en la propia experiencia. Y ahí es donde está la clave: la propia experiencia. Eso que no está en documentos, sino en vivencias, en la vida misma.
Eso sí, algo hizo mejor: la revisión de artículos del estado del arte. Justo lo que necesitaba .
Cuando te sumerges en un libro, en este caso una novela, te trasladas a un microuniverso creado por el autor. La narrativa puede ser tan buena que te hace sentir parte de ese microuniverso, un personaje invisible testigo de lo que ocurre. Pero cuando hay mucha diferencia entre la época en la que se ubica la historia y la actual, pueden crearse vacíos que te impidan integrarte en todo tu esplendor al micro-mundo descrito.
«…“a los cinco minutos de su llegada corrió el rumor de que tenía una renta de diez mil libras anuales.” — Orgullo y Prejuicio, Jane Austen, capítulo 3
Si has leído Orgullo y Prejuicio, sabes que esta cifra marca la reputación de Darcy desde el primer baile. Pero… ¿qué tan rico era en realidad?
La pregunta puede parecer trivial, pero corresponde a una capa de contexto fascinante. La verdadera pregunta es: ¿cómo es la situación social y económica de la época?
Necesitamos hacer una inmersión profunda, por lo que este es un caso de uso ideal para la IA Generativa, no para sintetizar sino para extender el alcance y entender mejor. Eso hicimos.
Usamos un enfoque que combina: – Análisis textual: completamente humano, el humano leyó el libro completo. – Investigación histórica y económica asistida por IA.
Darcy no era rico, era ultra-rico
Con ayuda de IA y fuentes históricas, nos encontramos con dos estimaciones:
Equivalente simple por inflación: alrededor de £800,000 a £1 millón actuales al año, solo por renta de tierras.
Equivalente por poder adquisitivo y posición social: en algunos cálculos, supera los US$13 millones anuales si se compara con el 1% más rico de hoy.
Además, Darcy no tenía ingresos por trabajo: su fortuna provenía de rentas, inversiones familiares y propiedades. Tenía su propia casa solariega, Pemberley, con múltiples sirvientes, caballos y una biblioteca envidiable. Estaba en el nivel más alto de la aristocracia terrateniente no noble.
No es exageración decir que, para las Bennet, Darcy representaba el mejor “match” posible en términos económicos y sociales. Por eso, el revuelo.
Clases sociales
Estas diferencias explican los matices sociales: Bingley es “nuevo rico” que busca integrarse a la élite rural; Bennet es “vieja burguesía” pero con escasos recursos. Darcy, por supuesto, combina lo mejor de ambos mundos: linaje antiguo y gran fortuna.
Personaje
Clase social
Fuente de riqueza
Situación particular
Mr. Darcy
Alta gentry
Renta de tierras heredada
Aristocracia no noble, posición consolidada
Mr. Bingley
Nueva gentry
Comercio, inversiones
Buscando consolidarse como terrateniente rural
Mr. Bennet
Gentry modesta
Renta heredada, escasa
Sin herederos varones, riesgo de perder la finca
Estas diferencias explican los matices sociales: Bingley es “nuevo rico” que busca integrarse a la élite rural; Bennet es “vieja burguesía” pero con escasos recursos. Darcy, por supuesto, combina lo mejor de ambos mundos: linaje antiguo y gran fortuna.
En Orgullo y Prejuicio, el Sr. Darcy ocupa claramente el estrato superior de la gentry, rozando la aristocracia debido a sus conexiones familiares, y su riqueza lo sitúa en una categoría de élite. Mr. Bingley es gentry por cortesía y riqueza, pero al ser de “dinero nuevo” está un escalón más abajo en linaje social (aunque personas como Darcy lo aceptan como amigo porque se comporta como un verdadero caballero). Mr. Bennet es gentry por herencia, pero con medios modestos.
En conjunto, Darcy, Bingley y Bennet pertenecen a la clase de la gentry, lo que les permite socializar y eventualmente emparentar entre sí. Sin embargo, hay distinciones sutiles entre ellos, enraizadas en el origen y la magnitud de sus fortunas.
Salarios de cocineros y sirvientes
Los sirvientes vivían en las casas de sus empleadores y recibían salario, comida, ropa y hospedaje. Algunos rangos salariales:
Ocupación
Sueldo anual estimado
Equivalente moderno (MXN)
Doncella común
£10–£15
~$15,000–$25,000
Ama de llaves
£25–£50
~$40,000–$80,000
Cocinera
£20–£40
~$35,000–$70,000
Lacayo/Cocheros
£25–£35
~$40,000–$60,000
Chef francés (élite)
hasta £500
>$800,000
Todos eran clase trabajadora, aunque con ciertos beneficios respecto a obreros de fábrica. No tenían movilidad social y eran tratados con respeto, pero con clara diferencia de clase.
Vida cotidiana durante la regencia
La era fue llamada “Regencia” porque el Príncipe de Gales gobernó en lugar de su padre, el Rey George III. Fue una época de lujo en las élites y guerra en el fondo (contra Napoleón).
Aspectos clave: – Familias como los Bennet: Vivían en el campo, organizaban bailes, cultivaban relaciones sociales. – El matrimonio era crucial: Para las mujeres, casarse bien era la única forma de asegurar su futuro. – La temporada social: Una parte del año se pasaba en Londres; el resto en propiedades rurales. – Educación y cultura: Las mujeres cultivaban “logros” (música, bordado, idiomas) para ser atractivas en el mercado matrimonial.
La novela refleja una sociedad donde la clase, el dinero y el matrimonio eran las claves del destino de cada persona. Las preocupaciones de los personajes no son frívolas: están profundamente ligadas a su supervivencia social y económica.
El verdadero caso de uso: comprender con más contexto
Lo interesante aquí no es solo saber cuánto dinero tenía Mr. Darcy. Es ver cómo una herramienta de IA, cuando se combina con una buena pregunta y un poco de criterio, nos ayuda a leer mejor. Menos hype, más profundidad. ¿Usar IA para leer más allá del texto literal? Totalmente. ¿Automatizar la lectura crítica? No, gracias.
Releer Orgullo y Prejuicio con ayuda de IA fue como tomar té con Jane Austen y preguntarle sin pena: “oye, ¿y cuánto ganaba Darcy exactamente?”. Ella probablemente habría sonreído con ironía.
Y tú, ¿has usado alguna herramienta para ver un libro clásico con nuevos ojos?
