Seguro que te has sorprendido alguna vez en esta escena: abres la ventana de chat con Claude, le pides que reescriba el párrafo de un correo, corrija una errata o esboce una función sencillita... y te quedas tan contento con el resultado. Pero si te detienes un segundo a pensarlo: tienes delante uno de los sistemas de cómputo más complejos de la historia y lo estás usando como una calculadora avanzada.
El ingeniero principal de Anthropic Felix Rieseberg, responsable del desarrollo de Claude Desktop y Claude Cowork, ha publicado un ensayo programático titulado «How to be more ambitious: A tutorial for humans with models». En él disecciona un problema psicológico de fondo en la industria actual: el «desfase de capacidades del modelo» (Model Overhang).
Se trata de la brecha gigantesca entre lo que los algoritmos de vanguardia (Claude 3.5 Sonnet, Opus 5.5) ya son capaces de hacer hoy y las tareas minúsculas que los humanos nos atrevemos a confiarles. Vamos a ver cómo propone Rieseberg derribar esa barrera.
Cuatro dimensiones de la ambición
Rieseberg plantea un modelo mental sencillo para escalar el trabajo con IA. La mayoría de los usuarios se queda atascada en el primer peldaño sin sospechar siquiera que existen los otros tres:
- Velocidad (Speed). Es el horizonte básico: «haz lo que yo ya sé hacer, pero en tres segundos en vez de media hora». Escribir un script rutinario, resumir un artículo. Resulta útil, pero no cambia la calidad de tu trabajo.
- Altura de abstracción (Altitude). Pasar de las microinstrucciones a plantear objetivos de principio a fin. En lugar de «corrige este error NullPointer», formulas la misión: «analiza los logs de producción de las últimas 24 horas, encuentra la raíz de la fuga de memoria, escribe una prueba automática aislada que la reproduzca y prepara un Pull Request mínimo».
- Profundidad experta (Depth). Dar al modelo atribuciones de especialista de nicho. El modelo accede a volcados crudos de bases de datos, perfiladores de rendimiento y especificaciones de protocolos para realizar auditorías multipaso que a un analista humano le llevarían semanas.
- Alcance interdisciplinar (Range). Importar metodologías poco obvias desde campos vecinos. Por ejemplo, aplicar modelos matemáticos de poblaciones tomados de la biología para optimizar la caché de una base de datos con alta carga.
La ley de hierro: el modelo nunca debe juzgarse a sí mismo
El error número uno de quienes empiezan con los prompts es pedirle a la misma sesión de la red neuronal que revise su propio código: «Y ahora busca errores en lo que acabas de escribir».
Rieseberg es tajante: eso desencadena un sesgo de confirmación (confirmation bias) catastrófico. Con altísima probabilidad, el modelo defenderá sus propias alucinaciones y asegurará que el código es impecable.
No permitas nunca que un modelo evalúe en la misma sesión si su propio trabajo es correcto. La verificación debe ser totalmente externa y determinista: pasar por el compilador, ejecutar pruebas automáticas en la terminal o entregar el artefacto a un revisor completamente aislado en un contexto limpio.
El entorno lo decide todo
Sacar el máximo partido a Claude no se logra buscando «frases mágicas» en el prompt, sino montando un entorno rico en herramientas. El modelo despliega todo su potencial cuando tiene manos: acceso al sistema de archivos, pruebas locales, terminal y API externas mediante el protocolo Model Context Protocol (MCP).
Ya vimos antes cómo funciona el trabajo colaborativo con artefactos en Claude y repasamos habilidades listas y repositorios para Claude. La guía de Rieseberg confirma la regla esencial: deja de tratar a la IA como a un interlocutor de chat. Conviértela en un ingeniero autónomo dándole herramientas claras y pruebas externas implacables.

