No le pidas respuestas a la AI, pedile preguntas
La diferencia entre usar la AI como un buscador y usarla como un copiloto de pensamiento es una sola cosa: el proceso. Flipped Interaction, Cognitive Verifier e Iterative Refinement.
La semana pasada me pidieron migrar un Identity Server. Decenas de clientes. Mas de 20 APIs. Cientos de scopes. Un error y se cae todo el ecosistema.
Lo primero que hice fue abrir un chat con la IA. Y lo primero que le pedi fue que no me diera una respuesta.
Le pedi que me hiciera preguntas.
El problema real
Seamos honestos: la mayoria de las veces que le pedimos algo a la IA, nos devuelve una respuesta que podriamos haber googleado. Y eso no es culpa de la IA — es culpa de como le preguntamos.
La respuesta esta en los patrones de interaccion.
Los Patrones
Hay muchas practicas, tecnicas, patrones y recursos de prompt engineering que nos pueden ayudar. Hay demasiados recursos y tools, pero hay que saber usarlos. Primero: fundamentos solidos, conocimientos, y despues ejecucion.
Por eso les traigo una serie de patrones que yo utilizo para generar un proceso de valor previo a la ejecucion. Y aca no estoy para contarles sobre "plan mode" o agentes — esto es una capa mas arriba: como estructuramos la conversacion para extraer el maximo valor.
Patron 1: Flipped Interaction
Que es?
En lugar de preguntarle a la IA, le pedimos que nos pregunte a nosotros.
Por que funciona?
Porque nosotros no siempre sabemos que informacion es relevante. La IA puede identificar gaps en nuestro conocimiento o planificacion.
Ejemplo
En vez de:
Yo: Como migro un identity server?
IA: Aqui estan los pasos generales... [respuesta generica]
Interaccion invertida:
Yo: Necesito migrar un identity server. Antes de darme una solucion,
haceme preguntas para entender mi situacion.
IA: Perfecto, te hago algunas preguntas:
- Cuantos clientes y APIs estan afectados?
- Tenes un ambiente de staging?
- Cuanto downtime es aceptable?
- Controlas todos los clientes o hay externos?
- Que grant types usas?
- Los tokens son JWT o reference tokens?
...
Resultado
Despues de responder 15 preguntas, la IA tiene contexto suficiente para:
- Hacer un assessment de riesgos personalizado
- Identificar dependencias que yo no habia considerado
- Proponer una estrategia de migracion especifica para mi caso
Patron 2: Cognitive Verifier
Que es?
Le pedimos a la IA que genere consultas o validaciones que nosotros ejecutamos en el mundo real. Luego le devolvemos los resultados para que analice.
Por que funciona?
Combina el razonamiento de la IA con datos reales. No estamos pidiendo que invente — estamos pidiendo que nos ayude a verificar.
Ejemplo
Yo: Necesito saber cuantos recursos estan afectados por la migracion.
IA: Ejecuta estas queries y pasame los resultados:
SELECT 'Clients' AS Entity, COUNT(*) FROM Clients WHERE ClientId LIKE 'APP.%'
UNION ALL
SELECT 'APIs', COUNT(*) FROM ApiResources WHERE Name LIKE 'APP.%'
UNION ALL
SELECT 'Scopes', COUNT(*) FROM ApiScopes WHERE Name LIKE 'APP.%';
Yo: [ejecuto y comparto]
| Entity | Count |
|---------|-------|
| Clients | 60+ |
| APIs | 20+ |
| Scopes | 150+ |
IA: Con esa cantidad de clientes y scopes, una migracion manual es riesgosa.
Te recomiendo crear scripts de migracion. Aca esta el assessment...
Resultado
- Escenario verificado con datos reales
- Analisis de riesgo basado en numeros concretos
- Documentacion que se genera como subproducto
Patron 3: Iterative Refinement
Que es?
Construimos el conocimiento en capas. Empezamos con algo basico y lo vamos refinando en multiples intercambios.
Por que funciona?
La informacion compleja no se puede dar toda de una. Este patron permite correcciones y enriquecimiento progresivo.
Ejemplo
Iteracion 1 - Lista inicial:
Yo: Estas son mis APIs afectadas: [lista]
IA: Recibido. Queres que las categorice por dominio?
Iteracion 2 - Categorizacion:
Yo: Si, agrupalas por ecosistema de negocio.
IA: Propongo esta agrupacion:
- Ecosistema Pagos (7 APIs)
- Ecosistema Notificaciones (3 APIs)
- Ecosistema Core (14 APIs)
Iteracion 3 - Correccion:
Yo: Move API-X de Core a Pagos. Y agrega una categoria "Generales".
IA: Actualizado. Aca esta la tabla corregida...
Iteracion 4 - Enriquecimiento:
Yo: Ahora marca cuales estan en produccion.
IA: Aca esta con el estado de produccion:
| Ecosistema | Total | En Prod | No Prod |
|------------|-------|---------|---------|
| Pagos | 7 | 7 | 0 |
| Core | 13 | 10 | 3 |
...
Resultado
- Documentacion estructurada y validada
- Facil de corregir errores en el camino
- Conocimiento que se construye colaborativamente
Combinando los Patrones: El Flujo Completo
Asi es como estos patrones trabajan juntos en un proyecto real:
Fase 1: Discovery (Flipped Interaction)
IA pregunta -> Vos respondes
Output: Contexto, riesgos, dependencias
|
v
Fase 2: Verificacion (Cognitive Verifier)
IA genera queries -> Vos ejecutas -> IA analiza
Output: Inventario verificado, assessment
|
v
Fase 3: Refinamiento (Iterative Refinement)
Lista -> Categorizacion -> Correccion -> Enriquecimiento
Output: Documentacion final, plan de accion
Proceso antes que codigo.
Lo Que Obtuve Usando Estos Patrones
En mi caso de migracion, despues de aplicar estos patrones obtuve:
- Risk Assessment — Matriz de riesgos con niveles (alto/medio/bajo)
- Inventario Verificado — Conteos exactos de clients, APIs, scopes, secrets
- Mapa de Dependencias — Que API llama a que API
- Categorizacion — APIs agrupadas por ecosistema de negocio
- Plan de Migracion — Orden de migracion, estrategia, rollback plan
- Queries Reutilizables — Scripts SQL para verificar estado pre y post migracion
Todo esto antes de escribir una sola linea de codigo de migracion.
Por que estos patrones?
Existen decenas de patrones documentados en prompt engineering. Elegi estos tres porque:
- Son aplicables a cualquier dominio — no son especificos de codigo
- No requieren tools especiales — funcionan en cualquier chat
- Generan artifacts utiles — documentacion, queries, checklists
- Escalan con la complejidad — sirven para tareas simples y proyectos grandes
No son los unicos, pero son los que me dieron resultados consistentes.
Protocolo: Probalo en tu proximo proyecto
- Abri un chat y describi tu problema en una oracion
- Pedi: "Antes de darme una solucion, haceme 10 preguntas para entender mi situacion"
- Responde cada pregunta
- Pedi que genere queries o validaciones que puedas ejecutar
- Ejecutalas y comparti los resultados
- Itera hasta tener claridad
Tiempo: 1-2 horas. Resultado: Documentacion, plan, y claridad que te ahorra dias.
Tips Practicos
1. Arranca con expectativas claras
"Estoy trabajando en X. Antes de empezar, haceme preguntas
para entender mi situacion."
2. Da feedback estructurado
"Aca estan los resultados en formato tabla:
| Columna1 | Columna2 |
|----------|----------|
| Valor1 | Valor2 |"
3. Pedi outputs incrementales
"Construyamos esto paso a paso. Primero dame el outline,
lo valido y seguimos."
4. Usa la IA como generador de checklists
"Que preguntas deberia responder antes de empezar esta migracion?"
5. Mantene un resumen vivo
"Resumime lo que sabemos hasta ahora antes de continuar."
El contraste
Sin estos patrones: Respuestas genericas, documentacion que nunca haces, errores que repetis, horas perdidas.
Con estos patrones: Soluciones especificas, documentacion que se genera sola, claridad antes de escribir codigo.
Conclusion
La diferencia entre usar la IA como un buscador glorificado y usarla como un copiloto de pensamiento es una sola cosa: el proceso.
- Flipped Interaction — Vos respondes, la IA pregunta
- Cognitive Verifier — Vos verificas, la IA analiza
- Iterative Refinement — Vos corregis, la IA estructura
No es sobre el prompt perfecto. Es sobre como pensas.
Si te sirvio, compartilo. Si no estas de acuerdo, mejor — hace tu propio research.
Nota: Los ejemplos estan sanitizados y no representan datos reales de ninguna empresa.