Básicamente esto es a lo que me refiero cuando digo que la IA necesita contexto. La misma disciplina que convierte un problema complicado en una lista de verificación clara es lo que hace que alguien sea eficaz con IA, y todo se reduce a la especificidad. Hablo con equipos que juran que le dieron al modelo "un contexto realmente sólido", pero parece que alguien da indicaciones diciendo "ve hacia las montañas y gira a la izquierda cuando te parezca bien." Así es como se ve en la práctica: "Somos una marca de ropa, tenemos unas 10 unidades de referencia, las compras repetidas no están donde queremos, ¿qué deberíamos hacer?" Eso se siente específico hasta que lo desglosas. ¿Qué tipo de ropa? ¿Qué SKUs están rindiendo por debajo del esperado? ¿Cuál es la tasa de repetición actual? ¿Qué has probado ya? Cuando te obligas a responder esas preguntas, acabas con: "Somos una marca de ropa de 7 cifras que ofrece 7 SKUs en 2 categorías de ajustes, todas centradas en camisetas de manga corta y larga. Nuestra tasa de compras repetidas se sitúa en el 18%, con la mayor parte procedente de una sola línea de productos (camisetas de manga corta), y nuestro correo electrónico con mejor rendimiento del trimestre pasado obtuvo X ingresos de clientes que compraron dos veces en 90 días." Ahora la IA tiene algo con qué trabajar. Y sinceramente, tú también, porque el tiempo que dedicas a desglosarlo revela la respuesta antes incluso de que el modelo responda.