El método Karpathy: usar la IA 10 veces mejor

Andrej Karpathy – cofundador de OpenAI y antiguo responsable de IA en Tesla – explica desde hace tiempo, en charlas y entrevistas, por qué la mayoría de la gente utiliza mal la IA. No porque practiquen poco, sino porque malinterpretan la herramienta. Su método para trabajar con IA mucho más rápido se puede reducir a tres capas: spec, verificación y entorno. Esto es lo que hay realmente detrás – sin hype, pero para ponerse a ello.

Por qué la IA falla en preguntas sencillas

Karpathy pone un ejemplo simple: «Quiero ir al túnel de lavado, está a 50 metros. ¿Voy en coche o andando?» Los modelos punteros de hoy – Claude, Gemini, Grok, ChatGPT – responden todos: andando, si está muy cerca. Falso. Porque para lavar el coche necesita el coche allí.

Ese es todo el núcleo: la IA es brillante en todo lo que se puede medir – y ciega en todo lo que necesita contexto. Su objetivo, sus condiciones, su intuición: de eso la IA no tiene ninguna señal. La tarea no consiste, por tanto, en «promptear mejor», sino en cerrar esa brecha entre su comprensión y la capacidad de cálculo de la IA. Eso es exactamente lo que hacen las tres capas.

Capa 1: el spec – su comprensión en forma utilizable

Un spec es la manera de entregar su comprensión a la IA – en un formato con el que ella pueda hacer algo. El conocido «modo plan» de Claude va en la dirección correcta, pero a Karpathy le resulta demasiado superficial. Su consejo: diseñar junto con la herramienta de IA un spec realmente detallado. Así se consigue en tres pasos.

1. Descubra el objetivo real

«Crea un informe mensual» es una tarea. El objetivo es la conclusión que usted saca, la decisión que el informe desencadena. Cuál es el objetivo, la IA nunca puede fijarlo por usted. Deje que le entrevisten en su lugar:

«Entrevístame para identificar el objetivo de este proyecto antes de empezar.»

2. Trabaje en ágil, no en cascada

La mayoría le lanza a la IA todo de golpe (cascada) y espera el resultado terminado. Mejor es el speccing ágil: marco estrecho, checkpoint claro, revisar el resultado, reajustar, repetir. Así se da cuenta pronto de si la dirección no es la correcta.

«Tiende a specs más pequeños y mejor delimitados, con resultados intermedios claros.»

3. Sea preciso – y piense usted también

Cuanto más preciso sea, menos tiene que suponer la IA. Y cada suposición es una oportunidad de desviarse del resultado deseado. Si la IA escribe un spec por usted, léalo de forma crítica – con su propia cabeza.

«Hazme confirmar expresamente las decisiones centrales, para que no se pase nada por alto.»

Tres componentes, un resultado: un spec bien acotado y pensado que encaja con su objetivo real. Karpathy lo llama modern engineering – una actitud que en el futuro necesitará cualquiera que trabaje en serio con IA.

Capa 2: el verificador – dejar que la IA revise su propio trabajo

Lo más frustrante de la IA es revisar el resultado. Para entender por qué, ayuda el modelo mental de Karpathy. Habla de «animales» frente a «fantasmas»: las personas son como animales – con motivos y emociones. Si usted le dice a alguien «conviértete en un profesional del SEO en 14 días o estás despedido», la persona encuentra un camino. La IA funciona de otra manera.

Una imagen más ilustrativa: imagine la IA como un bibliotecario robot. Responde a las preguntas solo a partir de los libros de su biblioteca. Si falta un libro, no puede ayudar – y a menudo no se da cuenta. Por eso brilla en matemáticas y tropieza con el contexto: donde hay respuestas claras en la biblioteca es brillante; donde no, se equivoca con aplomo. Gritarle, suplicarle o decirle «hazlo mejor» no sirve. La única palanca real es la verificación. Tres puntos de partida:

• Fijar de antemano los criterios de evaluación. En lugar de «haz bien el informe»: «El informe tiene tres apartados y cada uno termina con una recomendación.» Cuanto más preciso antes, menos margen para errores.
• Un segundo modelo como crítico. Un segundo bibliotecario de otra biblioteca evalúa el resultado del primero. En Claude Code se puede usar, por ejemplo, el plugin de Codex: «Si esto se convierte en un build complejo, haz que Codex contraste el resultado final.»
• Incorporar señales externas. Conecte la IA con el sistema que conoce la verdad – por ejemplo el entorno de despliegue, para confirmar que realmente se ha entregado. O aporte informes antiguos como formato de referencia.

Boris Cherney, creador de Claude Code, lo resume así: si Claude tiene un bucle de retroalimentación, eso duplica o triplica la calidad del resultado final.

«Esboza los criterios de evaluación con los que asegurarás un resultado final de alta calidad. Sé preciso. Cuando tenga sentido, recurre a un segundo modelo o a datos externos para la comprobación.»

Capa 3: el entorno – el suelo del taller sobre el que se apoya todo

El spec y la verificación necesitan un lugar donde vivir: el entorno en el que usted construye. Piense en un taller – el spec es el plano en la pared, el verificador es el control de calidad en la puerta, y el entorno es el taller mismo. El problema: la mayoría construye cada vez desde cero. Así puede montar en su lugar un puesto de trabajo que mejora con el tiempo:

• Un archivo CLAUDE.md limpio. Se carga automáticamente con cada prompt – es lo primero que lee Claude. Ejemplo: «Antes de construir algo de varios pasos, añade un plan de verificación.» Así la comprobación es obligatoria, no opcional.
• Una base de conocimiento propia (LLM knowledge base). Un sistema de carpetas con sus propios datos que la IA busca con facilidad. Sus datos son su foso defensivo – ahí empieza su propiedad intelectual.
• Skills reutilizables. Regla práctica: lo que usted hace de forma repetida se convierte en un skill – un manual para una tarea concreta. «La mejor manera de encontrar una fuga en una manguera es dejar correr el agua.» Cuantos más skills use, mejores se vuelven.
• Reglas de verdad en lugar de ruegos. Una frase en CLAUDE.md («no te inventes nada») es un ruego que la IA puede ignorar. Lo que es crítico hay que imponerlo a nivel de herramienta – p. ej. un hook de pre-tool-use que protege determinados archivos de forma estricta.

Ordene sus acciones en tres cestas: siempre permitido (corre en piloto automático), preguntar antes (contrastar) y nunca (límites que no se pueden cruzar). Haga del entorno su mundo – la IA vive dentro de él, no al revés.

Lo único que de verdad importa

«Puede usted externalizar su pensamiento – pero no su comprensión.»
– Andrej Karpathy

Las tres capas giran exactamente en torno a eso: su comprensión del cuadro general. Usted tiene que conocer sus objetivos y saber qué hace falta para dirigir la IA en la dirección correcta. Las herramientas se abaratan – la comprensión sigue siendo escasa.

Conclusión

«Promptear mejor» es la pregunta equivocada. Quien realmente quiere ser más rápido y mejor con la IA construye un sistema: un spec preciso que parte del objetivo; una verificación que impone calidad; y un entorno que crece con cada uso. Esto no es magia ni hype – sino trabajo limpio en el que usted conserva la cabeza. Exactamente así asesoramos también nosotros: con honestidad, de forma medible, sin hype de IA. Si quiere montar esto en su empresa, hablemos de ello.

Para llevar

El método completo en forma de documentación compacta – ideal para guardar y compartir en el equipo:

Fuente: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ de Austin Marchese (YouTube). Resumido libremente y traducido al español.