Por qué ChatGPT te da resultados genéricos (y qué hacen diferente los que lo usan bien)
Hay un patrón muy específico que se repite en la experiencia de casi todos los profesionales que prueban ChatGPT por primera vez.
Le piden algo. Leen la respuesta. Piensan "esto es demasiado genérico para mí". Cierran la pestaña. Y durante los próximos meses, cada vez que alguien habla de IA, dicen: "yo lo probé y no me sirvió".
Ese patrón no es una falla de la herramienta. Es una falla de expectativa sobre cómo funciona.
El número que define el problema
Un estudio de Microsoft y LinkedIn publicado en 2024 dentro del Work Trend Index relevó a más de 31.000 trabajadores. Entre los que habían probado herramientas de IA generativa, el 40% dijo que los resultados no cumplían sus expectativas en el primer intento.
Ese dato es interesante, pero el dato más útil está al lado: entre los que dijeron que la IA les servía de forma consistente, el 78% describió un proceso de interacción que incluía varios pasos, contexto y refinamiento. No una pregunta y una respuesta.
La diferencia entre los que se van frustrados y los que consiguen resultados no está en qué herramienta usan. Está en cómo interactúan con ella.
Por qué la IA responde de forma genérica
Para entender el problema hay que entender algo básico sobre cómo funciona un modelo de lenguaje.
ChatGPT, Claude o Gemini no tienen acceso a tu vida, tu profesión, tu contexto, tus clientes ni tus objetivos. Cuando le escribís algo, el modelo toma exactamente lo que le diste y produce la respuesta más probable dada esa entrada. Si la entrada es vaga, la respuesta más probable también es vaga.
Pensalo así: si mandás un email a alguien que no conocés y le escribís "necesito ayuda con un trabajo", la respuesta más útil que puede darte esa persona es pedirte más información. La IA no te pide más información. Genera algo con lo que tiene. Y lo que tiene es poco.
El resultado es lo que todos conocen: respuestas formales, estructuradas, sin personalidad, que podrían aplicar a cualquiera y por eso no aplican bien a nadie.
El 85% de los profesionales que prueban ChatGPT y lo abandonan no lo hacen porque la herramienta sea mala. Lo hacen porque nadie les enseñó a usarla.
El error más frecuente tiene un nombre
En el campo de la ingeniería de prompts, el error más documentado se llama under-specification: darle a la herramienta menos información de la que necesita para producir un resultado útil.
No es que la gente sea descuidada. Es que nadie nos enseñó que hablarle a una IA es diferente a buscar en Google. Con Google, dos o tres palabras clave alcanzan porque el motor busca páginas existentes. Con una IA generativa, esas mismas dos palabras producen una respuesta que existe solo para vos, construida desde cero en ese momento, con nada más que lo que le diste.
La distancia entre lo que pedís y lo que necesitás es lo que determina qué tan útil es la respuesta.
Qué hacen diferente los que lo usan bien
Quienes obtienen resultados consistentes con herramientas de IA no tienen un secreto técnico. Tienen un hábito de interacción diferente. Tres diferencias son las que más se repiten.
Dan contexto antes de pedir. No empiezan con la tarea. Empiezan con quiénes son, para qué es lo que están haciendo, a quién va dirigido, cuál es el objetivo final. Cuanto más contexto específico, más relevante es la respuesta.
Especifican el formato que necesitan. Una respuesta útil para una reunión de directorio no tiene la misma forma que un resumen para un cliente, aunque el contenido de fondo sea parecido. Los que usan bien la IA le dicen exactamente qué forma debe tener la salida: extensión, tono, estructura, audiencia.
Iteran en lugar de abandonar. El primer resultado raramente es el final. Los que sacan valor de la IA tratan la primera respuesta como un borrador, no como una entrega. Ajustan, redirigen, piden cambios específicos. La interacción es una conversación, no una consulta única.
Esas tres diferencias no son intuición. Son un skill. Y como todo skill, se aprende con práctica y con guía.
El problema de aprender por ensayo y error
Mucha gente asume que la forma de mejorar con ChatGPT es usarlo más y ver qué pasa. Eso funciona, pero es ineficiente y frustrante.
El problema del aprendizaje por ensayo y error con IA es que los errores no tienen feedback claro. Si le pedís algo mal a la herramienta y te da una respuesta mediocre, no te dice qué estuvo mal en tu pedido. Te da una respuesta mediocre y listo. Vos tenés que diagnosticar por tu cuenta qué cambiar.
Sin una estructura clara de qué mirar, la mayoría de las personas hace cambios aleatorios y llega a conclusiones erróneas: que la herramienta no funciona para su rubro, que es solo para ciertas tareas, que los resultados buenos que ven otros son exagerados.
El WEF en su informe Future of Jobs 2025 identifica el uso de herramientas de IA como una de las diez habilidades más demandadas para 2027. Y la señala explícitamente como un skill, no como conocimiento técnico. Un skill se aprende con práctica guiada, no con prueba y error a ciegas.
Por qué el mismo pedido da resultados tan distintos
Hay un experimento que vale la pena hacer alguna vez: pedirle lo mismo a dos personas que uses ChatGPT de forma diferente. El mismo objetivo, el mismo pedido inicial. Los resultados van a ser distintos.
Eso no es magia. Es que cada uno llega a esa conversación con un nivel diferente de información que le da a la herramienta. Uno le da el contexto de su industria, el perfil de su audiencia, el formato que necesita, las restricciones que tiene. El otro escribe la tarea en dos líneas y espera.
La herramienta es la misma. El resultado no.
Entre los que dijeron que la IA les servía de forma consistente, el 78% describió un proceso de interacción que incluía varios pasos, contexto y refinamiento. No una pregunta y una respuesta.
Andrés Oppenheimer, en su libro "Sálvese quien pueda" (2018), escribió que las tecnologías no reemplazan profesiones, sino tareas. Y las tareas que sobreviven son las que requieren criterio, contexto y juicio humano. Lo que la IA hace es ejecutar. Pero necesita que alguien con criterio le diga exactamente qué ejecutar.
Eso es lo que diferencia a un profesional que usa IA bien de uno que la prueba y la descarta.
El momento en que los resultados cambian
Hay una inflexión en la curva de aprendizaje de cualquier herramienta. Con la IA, esa inflexión ocurre cuando dejás de tratar cada interacción como una búsqueda de Google y empezás a tratarla como una conversación con alguien muy capaz que necesita contexto para ayudarte bien.
Ese cambio no es complejo. No requiere conocimientos técnicos. Requiere entender la lógica de cómo la herramienta procesa lo que le das y qué tipo de información produce mejores resultados.
La distancia entre lo que pedís y lo que necesitás es lo que determina qué tan útil es la respuesta.
Una vez que eso hace clic, los resultados cambian de forma notable. No porque la herramienta cambió. Porque vos cambiaste la forma de usarla.
Lo que separa un resultado genérico de uno útil
No es talento. No es suerte. No es experiencia en tecnología.
Es un conjunto de técnicas concretas, aprendibles, que determinan qué tan bien le explicás a la IA lo que necesitás. Técnicas que tienen nombre, que se pueden practicar, y que una vez que las incorporás se vuelven parte de tu flujo de trabajo sin esfuerzo extra.
El 85% de los profesionales que prueban ChatGPT y lo abandonan no lo hacen porque la herramienta sea mala. Lo hacen porque nadie les enseñó a usarla.
Nuestro curso de Prompting que Funciona te enseña las técnicas que marcan la diferencia, con práctica guiada en casos reales de tu profesión.
