Coincido con esta propuesta, porque las tres acciones se complementan.
Ajustar la “temperatura". Este parámetro controla cuánta variación admite el modelo al generar respuestas. Con una temperatura alta, el modelo es más creativo y propone ideas novedosas, pero aumenta el riesgo de que se aleje del tema o invente información. Con una temperatura baja, las respuestas son más precisas y consistentes, aunque también más predecibles. Por eso no hay un valor único: conviene ajustarlo según la tarea. Para generar ideas o alternativas sirve una temperatura más alta, y para tareas donde la exactitud importa, como resumir datos o clasificar información, una más baja.
Retroalimentación de los usuarios. Quienes usan la herramienta a diario son los que detectan cuándo una respuesta no es útil o es incorrecta. Un mecanismo simple, como valorar cada respuesta o dejar un comentario, permite corregir fallas y mejorar el sistema de forma continua. Además, reduce el riesgo que vimos en el estudio de los consultores del BCG: confiar en la IA sin verificar sus resultados en tareas donde es propensa a fallar.
Datos sobre prácticas de productividad efectivas. Si el modelo se alimenta con buenas prácticas reales de trabajo, sus recomendaciones se vuelven más relevantes y aplicables en lugar de ser genéricas.
En conjunto, estas medidas ayudan a que la IA se mantenga dentro de su “frontera” de utilidad y a que el equilibrio entre innovación y relevancia no dependa solo del modelo, sino también de las personas que lo usan y lo supervisan.
