Cómo dominar la IA en 30 días: La hoja de ruta definitiva

La mayoría de la gente ha estado usando IA durante dos años y aún escribe en el cuadro como si estuviera buscando en Google. Una línea vaga, un encogimiento de hombros ante la respuesta, cerrar la pestaña. "Usan" la IA como "usas" una caminadora de la que cuelgas camisas.

Aquí está la parte incómoda: la brecha entre las personas que obtienen un 10x de estos modelos y las que no obtienen nada no es talento, y no es un modelo secreto. Es un sistema. El grupo del 10x reutiliza el mismo puñado de movimientos — cada prompt, cada día — hasta que los movimientos se vuelven memoria muscular.

El dominio no es saber más prompts. Es poseer un sistema repetible que ejecutas sin pensar.

Este es ese sistema, comprimido en 30 días. Cuatro semanas, doce jugadas numeradas, cada una terminando en algo que haces hoy. Prompts copiables. Python real y ejecutable (verificado con el SDK de Anthropic, v0.109.1). Sin teoría en la que no puedas actuar esta misma noche.

El pistoletazo de salida cultural fue la ahora famosa frase de Andrej Karpathy sobre "vibe coding" — "te entregas completamente a las vibras... y olvidas que el código siquiera existe." Esa es la vibra. Esta es la disciplina subyacente que hace que la vibra realmente se materialice.

Parte 1 · Semana 1 — El Modelo Mental y las Primeras Victorias (Días 1–7)

El objetivo de esta semana no es el conocimiento. Es una victoria. Para el Día 7 deberías haber delegado al menos una tarea real a un modelo y haber sentido que el tiempo regresa a ti. Todo lo demás se construye sobre esa sensación.

01. Entrega una tarea real con IA — hoy.

No empieces con un curso. Empieza con una tarea que ya le debes a alguien: un correo que estás evitando, notas que ordenar, una función que redactar. La forma más rápida de "entender" la IA es darle algo con consecuencias reales y juzgar el resultado contra lo que tú mismo habrías escrito.

El error que cometen los principiantes es escribir un tema ("escribe sobre la incorporación") en lugar de un briefing. Trata al modelo como a un nuevo empleado brillante en su primer día: tiene las habilidades pero carece de tu contexto. Dale un rol, la tarea, el contexto y el resultado exacto que deseas.

Úsalo cuando: tengas cualquier tarea que normalmente harías solo en menos de una hora — escribir, resumir, reformatear, lluvia de ideas, planificar.

1Eres mi <rol, ej. "editor ejecutivo directo">.
2Tarea: <una tarea concreta en una oración>.
3Contexto: <2–3 líneas que el modelo no puede saber — audiencia, objetivo, restricciones>.
4Resultado: <formato exacto — extensión, estructura, tono>.
5Si algo es ambiguo, pregúntame primero en lugar de adivinar.

Esa última línea es el truco maestro. Convierte una suposición de un solo intento en una conversación corta, y las conversaciones vencen a los monólogos casi siempre.

Haz esto ahora: elige una tarea de tu lista, completa los cuatro espacios, ejecútala. Guarda el prompt — reutilizarás el esqueleto todo el mes.

02. Aprende la anatomía de un prompt que funciona.

Cada prompt confiable tiene tres partes, y los principiantes se saltan dos de ellas. Claridad (di exactamente lo que quieres), contexto (di por qué y para quién) y formato (di cómo debería verse el resultado). La propia guía de Anthropic llama a esto la regla del "empleado brillante pero nuevo": cuanto más precisamente expliques, mejor será el resultado — y su regla de oro literal es "muestra tu prompt a un colega con contexto mínimo; si se confundiera, el modelo también lo hará."

La mejora de mayor apalancamiento es agregar motivación. No digas solo "nunca uses puntos suspensivos". Di "esto será leído en voz alta por un motor de texto a voz, así que nunca uses puntos suspensivos — no puede pronunciarlos". El modelo generaliza a partir de la razón. Es la diferencia entre una orden y una explicación.

Úsalo cuando: una respuesta sea genérica, fuera de tono, o técnicamente correcta pero inútil. Nueve de cada diez veces, faltaba una de las tres partes.

1# Débil (tema, no un briefing)
2Escribe sobre nuestra nueva función.
3
4# Fuerte (claridad + contexto + formato)
5Escribe un anuncio de producto de 120 palabras para nuestro nuevo "Modo Enfoque".
6Audiencia: usuarios existentes que encuentran la aplicación ruidosa.
7Objetivo: lograr que lo prueben una vez esta semana.
8Tono: tranquilo, seguro, cero exageración.
9Formato: 1 párrafo corto + un CTA de una línea.

Haz esto ahora: toma el prompt débil de ayer y reescríbelo con las tres partes etiquetadas. Ejecuta ambos. Observa la diferencia.

03. Roba las 6 técnicas principales — y una línea de código.

Estas seis aparecen en toda guía seria de ingeniería de prompts porque siguen funcionando: (1) sé claro y directo, (2) agrega contexto/motivación, (3) da ejemplos, (4) estructura con etiquetas estilo XML, (5) asigna un rol, (6) dile que piense antes de responder. Pasarás la Semana 2 practicando cada una — este es el mapa.

Dos vale la pena incorporarlas de inmediato: roles y etiquetas. Un rol en la instrucción del sistema dirige el tono y el juicio para toda la conversación; incluso una oración mueve la aguja. Etiquetas como <contexto> y <ejemplos> evitan que el modelo confunda tus instrucciones con tus datos. Aquí está la técnica del rol como código real y ejecutable — tu primer vistazo a la API en la que vivirás para la Semana 3.

Úsalo cuando: quieras un comportamiento consistente en muchas llamadas (el rol) o estés mezclando instrucciones con entrada desordenada (las etiquetas).

1import anthropic
2
3client = anthropic.Anthropic()  # lee ANTHROPIC_API_KEY de tu entorno
4
5msg = client.messages.create(
6    model="claude-opus-4-8",
7    max_tokens=1024,
8    system="Eres un editor de copia senior. Eliminas la paja y mantienes la voz del autor.",  # el rol
9    messages=[
10        {"role": "user", "content": "Edita este párrafo, luego enumera lo que cambiaste:\n\n<borrador>...</borrador>"}
11    ],
12)
13print(msg.content[0].text)

Haz esto ahora: reescribe un prompt con un rol explícito y <etiquetas> alrededor de la entrada. Ya has usado 2 de las 6 — la Semana 2 completa el conjunto.

Parte 2 · Semana 2 — Ingeniería de Prompts para Resultados Reales (Días 8–14)

Esta semana conviertes "más o menos funciona" en "funciona siempre". Misma tarea, misma forma, misma calidad — bajo demanda. Esa confiabilidad es lo que te permite automatizar en la Semana 3.

04. Fija el tono y el formato con ejemplos de múltiples disparos.

Decirle al modelo lo que quieres es bueno. Mostrárselo es mejor. Algunos ejemplos bien elegidos (la técnica se llama prompting de pocos disparos o múltiples disparos) fijan el formato, el tono y los casos límite de manera más confiable que cualquier adjetivo. La guía es consistente en todo el campo: incluye 3–5 ejemplos, hazlos diversos para que el modelo no se aferre a un patrón accidental, y envuelve cada uno en etiquetas para que quede claro que es un ejemplo y no una instrucción.

Este es el salto de calidad más grande para trabajos repetitivos — clasificación, extracción, formateo, reescritura. Si haces el mismo tipo de tarea más de dos veces por semana, merece ejemplos.

Úsalo cuando: el formato de salida varíe entre ejecuciones, o necesites que el modelo coincida con un estilo de casa específico.

1Clasifica cada ticket de soporte como exactamente uno de: error | facturación | función.
2
3<ejemplos>
4<ejemplo>
5Ticket: "Me cobraron dos veces este mes."
6Categoría: facturación
7</ejemplo>
8<ejemplo>
9Ticket: "El botón de exportar no funciona en Safari."
10Categoría: error
11</ejemplo>
12<ejemplo>
13Ticket: "Por favor, agreguen un modo oscuro."
14Categoría: función
15</ejemplo>
16</ejemplos>
17
18Ticket: "La aplicación se bloquea cuando subo un PDF."
19Categoría:

Haz esto ahora: toma una tarea recurrente, escribe 3 ejemplos diversos en etiquetas <ejemplo>, y observa cómo la salida se ajusta.

05. Haz que el modelo piense antes de responder.

Para cualquier cosa que requiera razonamiento — análisis, matemáticas, planificación, juicios complejos — lo peor que puedes hacer es exigir la respuesta de inmediato. Dale espacio para razonar primero. Puedes dejar que los modelos más nuevos piensen de forma adaptativa, o, en un chat simple, forzarlo: pídele un razonamiento paso a paso en un bloque <pensamiento>, luego una respuesta final concisa en un bloque <respuesta>. Separar los dos significa que obtienes el beneficio del razonamiento sin el muro de texto.

Un movimiento adicional de la guía de Anthropic: pídele que se autoverifique antes de terminar — "verifica tu respuesta contra las restricciones anteriores". Atrapa sus propios errores sorprendentemente a menudo, especialmente en matemáticas y lógica.

Úsalo cuando: la tarea tenga más de un paso, una respuesta correcta en la que puedas equivocarte, o compensaciones que sopesar.

1Pregunta: <una pregunta con una compensación real>
2
3Primero, razona dentro de etiquetas <pensamiento>: enumera lo que sabes, lo que falta,
4y dos respuestas candidatas con sus compensaciones.
5Luego da tu decisión dentro de etiquetas <respuesta> — máximo 3 oraciones.
6Antes de terminar, verifica que tu respuesta no contradiga nada de lo anterior.

Haz esto ahora: toma una decisión que estés considerando, ejecútala a través de la división pensamiento/respuesta, y lee el <pensamiento> — ahí es donde se esconde el valor.

06. Construye una biblioteca de prompts reutilizables.

A estas alturas has escrito una docena de buenos prompts y has perdido la mitad en el historial del chat. Detente. Los profesionales no reescriben prompts — llenan plantillas. Toma tus mejores prompts en un solo archivo con {variables} para las partes que cambian, y habrás convertido la astucia de una sola vez en infraestructura.

Esta es la bisagra de los 30 días completos: es el momento en que tus prompts dejan de ser desechables y comienzan a acumularse. Un simple diccionario de Python y str.format es todo lo que necesitas para empezar — sin framework, sin dependencias.

Úsalo cuando: hayas ejecutado un prompt similar tres veces. La tercera vez, conviértelo en plantilla.

1# prompt_library.py — tus prompts como infraestructura reutilizable
2PLANTILLAS = {
3    "resumir": (
4        "Eres un {rol}.\n"
5        "Resume el texto a continuación para {audiencia}.\n"
6        "Formato: {fmt}.\n\n"
7        "<texto>\n{texto}\n</texto>"
8    ),
9}
10
11def construir(nombre: str, **kwargs) -> str:
12    return PLANTILLAS[nombre].format(**kwargs)
13
14prompt = construir(
15    "resumir",
16    rol="redactor técnico",
17    audiencia="usuarios no técnicos",
18    fmt="3 viñetas, máximo 15 palabras cada una",
19    texto="...pega las notas de la versión aquí...",
20)
21print(prompt)  # alimenta esto directamente a client.messages.create(...)

Haz esto ahora: crea prompt_library.py, mueve tus 3 mejores prompts a ella como plantillas con variables. Este archivo crece todo el mes.

Parte 3 · Semana 3 — Automatiza con la API (Días 15–21)

El chat es donde aprendes. La API es donde escalas. Esta semana te gradúas de hacer tareas una por una a ejecutarlas por cientos, en un horario, mientras duermes.

07. Gradúate del chat a la API.

La API son solo tus prompts de chat en una función que puedes llamar. Si puedes escribir un prompt, puedes escribir esto — son diez líneas. Configura tu clave como una variable de entorno (nunca la pegues en el código), envuelve la llamada en una función, y tendrás un comando de IA reutilizable que puedes insertar en cualquier script.

Simon Willison, quien ha documentado el uso práctico de LLM mejor que casi nadie, señala que el apalancamiento no está en configuraciones exóticas — está en conectar modelos a las pequeñas herramientas que ya usas. Esta función es ese cable.

Úsalo cuando: quieras que el mismo prompt esté disponible en todas partes — en scripts, cron jobs, otros programas — no solo en una pestaña del navegador.

1import os
2import anthropic
3
4client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
5
6def preguntar(prompt: str) -> str:
7    msg = client.messages.create(
8        model="claude-opus-4-8",
9        max_tokens=1024,
10        messages=[{"role": "user", "content": prompt}],
11    )
12    return msg.content[0].text
13
14if __name__ == "__main__":
15    print(preguntar("Dame 5 líneas de asunto impactantes para un correo de lanzamiento de producto."))

Haz esto ahora: instala el SDK (pip install anthropic), configura ANTHROPIC_API_KEY, y ejecuta este archivo. Primera llamada API exitosa = Semana 3 desbloqueada.

08. Convierte una tarea diaria en un script.

Aquí es donde el tiempo realmente regresa. Cualquier tarea que hagas a una carpeta de cosas — resumir estas 50 transcripciones, etiquetar estos 200 tickets, reescribir estas 30 descripciones de productos — es un bucle. Escribe la versión de un solo elemento una vez, apúntala a una carpeta, aléjate. Usa un modelo más barato y rápido para trabajos masivos; no necesitas tu modelo más potente para resumir un memo.

Úsalo cuando: te descubras haciendo la misma tarea de IA una y otra vez manualmente. Esa repetición es un script que aún no has escrito.

1import pathlib
2import anthropic
3
4client = anthropic.Anthropic()
5BANDEJA_ENTRADA = pathlib.Path("./bandeja_entrada")  # coloca archivos .txt aquí
6SALIDA = pathlib.Path("./resumenes")
7SALIDA.mkdir(exist_ok=True)
8
9def resumir(texto: str) -> str:
10    msg = client.messages.create(
11        model="claude-haiku-4-5",      # barato + rápido: herramienta adecuada para trabajo masivo
12        max_tokens=300,
13        system="Resume en 3 viñetas concretas. Sin rodeos.",
14        messages=[{"role": "user", "content": texto}],
15    )
16    return msg.content[0].text
17
18for f in BANDEJA_ENTRADA.glob("*.txt"):
19    (SALIDA / f"{f.stem}.md").write_text(resumir(f.read_text(encoding="utf-8")), encoding="utf-8")
20    print("resumido:", f.name)

Haz esto ahora: encuentra una tarea por lotes, coloca los archivos en ./bandeja_entrada, ejecuta el bucle. Acabas de hacer una hora de trabajo en un minuto.

09. Reduce el costo y la latencia con el almacenamiento en caché.

Una vez que ejecutas un volumen real, dos cosas comienzan a importar: la velocidad y la factura. La palanca más grande es el almacenamiento en caché de prompts. Si cada llamada comparte un prefijo largo e inmutable — una guía de estilo, una base de conocimiento, una instrucción grande del sistema — estás pagando para releerlo cada vez. Márcalo con cache_control y el modelo reutiliza la versión en caché: una lectura de caché cuesta aproximadamente el 10% del precio de entrada normal, frente a una escritura única con un 25% más. Para trabajos por lotes que comparten un prefijo, la API por lotes agrega otro ~50% de descuento adicional.

Úsalo cuando: muchas llamadas compartan un gran fragmento de contexto estático (el caso clásico: un prompt de sistema largo reutilizado en todo un trabajo).

1import anthropic
2
3client = anthropic.Anthropic()
4GUIA_ESTILO = open("guia_estilo.md").read()   # largo, idéntico en cada llamada
5
6msg = client.messages.create(
7    model="claude-opus-4-8",
8    max_tokens=1024,
9    system=[
10        {
11            "type": "text",
12            "text": GUIA_ESTILO,
13            "cache_control": {"type": "ephemeral"},  # almacena en caché este prefijo grande
14        }
15    ],
16    messages=[{"role": "user", "content": "Reescribe este correo para que coincida con la guía:\n\n..."}],
17)
18print(msg.usage)  # observa cómo cache_read_input_tokens aumenta después de la primera llamada

Haz esto ahora: encuentra un prompt con un prefijo repetido grande, envuélvelo en un bloque cache_control, y ejecútalo dos veces. Imprime msg.usage y observa cómo la lectura en caché se activa.

Parte 4 · Semana 4 — Herramientas, Datos y Entrega (Días 22–30)

La última semana es el salto de "IA que habla" a "IA que actúa". Le das herramientas al modelo, lo conectas a tus datos reales y empaquetas todo en un flujo de trabajo que ejecutarás durante años.

10. Dale herramientas al modelo (llamada a funciones).

Un modelo solo puede producir texto. Dale herramientas y puede tomar acciones — consultar tu calendario, acceder a una API, ejecutar un cálculo. Describes cada herramienta con un nombre, una descripción y un esquema JSON de sus entradas; el modelo decide cuándo llamarla y te entrega argumentos estructurados para ejecutar. Esta es la base de cada "agente de IA" del que has oído hablar.

Úsalo cuando: la tarea necesite datos en vivo o una acción que el modelo no pueda realizar solo con texto (cualquier cosa con "consultar", "obtener", "calcular" o "enviar").

1import anthropic
2
3client = anthropic.Anthropic()
4
5herramientas = [
6    {
7        "name": "obtener_eventos_calendario",
8        "description": "Devuelve los eventos del usuario para una fecha determinada.",
9        "input_schema": {
10            "type": "object",
11            "properties": {
12                "fecha": {"type": "string", "description": "Fecha como AAAA-MM-DD"}
13            },
14            "required": ["fecha"],
15        },
16    }
17]
18
19msg = client.messages.create(
20    model="claude-opus-4-8",
21    max_tokens=1024,
22    tools=herramientas,
23    messages=[{"role": "user", "content": "¿Qué hay en mi calendario el próximo lunes?"}],
24)
25
26for bloque in msg.content:
27    if bloque.type == "tool_use":
28        print("El modelo quiere llamar a:", bloque.name, "con", bloque.input)
29        # ahora TÚ ejecutas obtener_eventos_calendario(**bloque.input) y envías el resultado de vuelta

Haz esto ahora: define una herramienta para algo que realmente uses (calendario, clima, una búsqueda), y observa cómo el modelo produce una llamada tool_use limpia. Ni siquiera tienes que ejecutarla aún — solo verla decidir.

11. Conecta la IA a tus datos con MCP.

Pegar contexto manualmente no escala. El Protocolo de Contexto del Modelo (MCP), introducido por Anthropic en noviembre de 2024, es la solución estándar — piensa en él como un puerto USB-C para la IA: una especificación de conector, y cualquier aplicación compatible puede conectarse a tus archivos, bases de datos y herramientas. Pasó de ser una idea interna al estándar de la industria en meses, con miles de servidores listos para usar que puedes agregar mediante configuración.

No necesitas escribir código para usar la mayoría de los servidores — agregas una entrada a un archivo de configuración. Aquí hay un servidor de sistema de archivos que le da a un modelo acceso de lectura a una carpeta de notas:

Úsalo cuando: sigas alimentando al modelo con la misma fuente de verdad manualmente — tus documentos, un repositorio, una base de datos, una base de conocimiento.

1{
2  "mcpServers": {
3    "filesystem": {
4      "command": "npx",
5      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Usuarios/tu/notas"]
6    }
7  }
8}

Haz esto ahora: explora los servidores MCP disponibles, elige uno que apunte a datos que uses semanalmente, y agrégalo a la configuración de tu cliente. Haz una pregunta que solo tus datos puedan responder.

12. Empaqueta un flujo de trabajo que reutilizarás para siempre.

Día 30. Tienes prompts, scripts y herramientas — ahora conviértelos en algo que invocas por su nombre. Las Habilidades de Agente de Anthropic (convertidas en un estándar abierto en diciembre de 2025) son el formato limpio para esto: una carpeta con un SKILL.md que contiene un nombre, una descripción de cuándo usarlo y los pasos. El modelo lo carga solo cuando es relevante (un principio de diseño llamado divulgación progresiva), para que puedas apilar docenas sin inflar el contexto. Incluso si nunca vuelves a tocar la API, escribir tus tareas repetibles como habilidades es el hábito que te hace rápido.

Úsalo cuando: tengas una tarea de varios pasos que repetirás durante meses — un informe semanal, una revisión estándar, un pipeline de formateo.

1---
2name: informe-semanal
3description: Convierte mis notas en bruto en el informe semanal estándar. Úsalo cuando pegue notas y pida "el semanal".
4---
5
6# Informe semanal
7
8## Pasos
91. Agrupa las notas en: Entregado, En progreso, Bloqueado.
102. Escribe 2–3 viñetas por grupo, en pasado, sin rodeos.
113. Termina con "Próxima semana" — exactamente 3 prioridades.
12
13## Formato
14- Título: "Semanal — <fecha>"
15- Menos de 200 palabras. Sin exageración.

Haz esto ahora: elige tu tarea más repetida, escríbela como un SKILL.md con una descripción precisa. Esa descripción es lo que hace que se active en el momento adecuado — dedica un esfuerzo real a ella.

Errores típicos (y la solución)

1. Prompts vagos. "Escribe sobre X" hace que el modelo adivine tu intención — y adivina un promedio. Solución: da siempre rol + contexto + formato. Eres <rol>. Tarea: <una oración>. Resultado: <formato exacto>.

2. Sobreprompting con urgencia en MAYÚSCULAS. Los modelos más nuevos siguen instrucciones con precisión y reaccionan exageradamente a "CRÍTICO!!! DEBES." La propia guía de Anthropic: reduce la intensidad a frases normales como "Usa esta herramienta cuando…". Solución: escribe instrucciones como si estuvieras informando a un adulto competente, no gritándole a un perro.

3. Describir en lugar de mostrar. Los adjetivos ("hazlo profesional") son débiles; los ejemplos son fuertes. Solución: agrega 3–5 ejemplos diversos en etiquetas <ejemplo> y deja que el patrón haga el trabajo.

4. Enmarcar como "no hagas". "No seas verboso" hace que el modelo piense en la verbosidad. Solución: di lo que debe hacer — "Responde en 2 oraciones cortas." Las instrucciones positivas impactan más que las prohibiciones.

5. Confiar en resultados que no revisaste. Copiar y pegar una respuesta que no verificaste es cómo se envían errores. Solución: para trabajos con muchos datos, pídele que fundamente las afirmaciones con citas de la fuente y que se autoverifique antes de terminar: Verifica cada afirmación contra el texto anterior; señala cualquier cosa de la que no estés seguro.

6. Hacer a mano lo que un bucle podría hacer. Ejecutar el mismo prompt 50 veces en el chat es lo más caro que puedes hacer con tu tarde. Solución: en el momento en que notes repetición, escribe el bucle del Bloque 08. Tu tiempo es el recurso escaso, no los tokens.

Conclusión: el sistema es la habilidad

Treinta días no te convierten en un investigador de IA. Te convierten en algo más útil: alguien con un sistema. Puedes tomar cualquier tarea, darle un briefing limpio, mostrarle ejemplos, empujarla a pensar y — cuando se repite — automatizarla, almacenarla en caché y empaquetarla en una habilidad que invocas por su nombre.

Ese es todo el secreto que el grupo del 10x nunca estuvo ocultando. No más prompts. No un mejor modelo. Un pequeño conjunto de movimientos, ejecutados hasta que son reflejos. Ahora tienes los movimientos. La única variable que queda son las repeticiones.

Tu lista de verificación de 30 días — comienza hoy:

1. Entrega una tarea real con un prompt de rol + contexto + formato (Bloque 01).
2. Inicia prompt_library.py y mueve tus 3 mejores prompts a ella como plantillas (Bloque 06).
3. Haz tu primera llamada API con la función preguntar() de 10 líneas (Bloque 07).
4. Automatiza una tarea por lotes con el bucle de carpeta (Bloque 08).
5. Escribe un SKILL.md para tu flujo de trabajo más repetido (Bloque 12).

Haz esos cinco y estarás por delante del 90% de todos los que "han estado pensando en meterse en la IA". Luego solo sigue ejecutando el bucle.