Explora objetivos, restricciones, riesgos y opciones de diseño antes de comprometerse con un camino de implementación específico. Esta técnica es más valiosa cuando se enfrentan decisiones de producto o UX donde la elección equivocada es costosa de revertir: nuevas funcionalidades con valor de usuario incierto, pivotes arquitectónicos o dependencias cruzadas donde cada equipo tiene un modelo mental diferente del problema.
Casos de uso
- Iniciar una nueva funcionalidad donde la intención del producto está clara pero múltiples enfoques técnicos son viables
- Una reunión cruzada donde cada interesado describe el problema de manera diferente y las prioridades chocan
- Evaluando un servicio de terceros o API para una nueva integración donde el lock-in y el costo son desconocidos
- Decidiendo entre construir una funcionalidad internamente versus usar una solución SaaS existente
- Planificando un cambio UX significativo donde los datos de investigación de usuario son ambiguos o escasos
Funciones principales
- Captura todo el contexto: objetivos declarados, no-objetivos, restricciones conocidas y las preguntas que, si fueran respondidas, cambiarían más la decisión
- Reduce el espacio del problema en etapas: primero identifica qué no estás resolviendo, luego ranking las opciones restantes por riesgo e impacto
- Para cada dirección prometedora, lista explícitamente los tradeoffs: qué ganas, qué abandonas y qué supuestos deben ser verdaderos
- Converge en una dirección concreta con una justificación corta que incluya las alternativas consideradas y por qué fueron descartadas
- Documenta la decisión y sus condiciones para que información futura pueda ser comparada contra los supuestos originales
Relacionados
Relacionados
3 Entradas indexadas
Prompt engineering
Craftea prompts con framing de tarea explícito, definición de rol, restricciones de output, requisitos de citación y few-shot examples para que las respuestas del modelo sean consistentes, fundamentadas en evidencia y accionables para tareas downstream. Prompt engineering reduce la variabilidad y riesgo de alucinación que viene de prompts sub-especificados.
Source verification
Verifica si un reclamo está respaldado por una fuente primaria, una página oficial actual o una fuente secundaria reputable antes de que ese reclamo se convierta en copy publicada. Esta habilidad es esencial para directorios de herramientas de IA, listings de servidores MCP y resúmenes de noticias donde precisión y confiabilidad directamente afectan las decisiones de los lectores y credibilidad SEO.
Fine-tuning preparation
Curate, deduplica y formatea datasets de training para fine-tuning para que el modelo resultante realmente mejore en comportamientos objetivo en lugar de aprender ruido. Fine-tuning preparation cubre filtrado de calidad de dataset, consistencia de formato de output, splits de train/test y evitar common pitfalls como data leakage que invalidan resultados de fine-tuning.