Durante los últimos tres años los modelos de inteligencia artificial han evolucionado de manera notable, mejorando su capacidad de comprensión, análisis y redacción hasta un punto en el que las últimas versiones de herramientas como ChatGPT, Claude, Gemini o DeepSeek son capaces de ofrecer respuestas convincentes y bien estructuradas ante casi cualquier consulta o tarea que les planteemos. Sin embargo, existe un detalle importante que muchos usuarios pasan por alto: su primera respuesta casi nunca es la mejor posible. Si nos conformamos con ese primer resultado tal cual nos llega, estaremos infrautilizando toda la potencia de estas tecnologías y desperdiciando gran parte de su verdadero potencial. Afortunadamente, existe una estrategia muy sencilla y efectiva que no sirve solo para obtener una respuesta aceptable, sino para alcanzar el resultado más preciso, fiable y adaptado a lo que realmente necesitamos: consiste en encadenar el trabajo de varias inteligencias artificiales, de modo que cada una tome lo elaborado por la anterior y lo mejore, amplíe o corrija. Cuando solicitamos algo a un modelo, este genera su salida basándose exclusivamente en el contexto y la información que le hemos proporcionado; si ese contexto es escaso, ambiguo o limitado, la respuesta tendrá necesariamente espacios para ser perfeccionada, incluso si parece correcta a primera vista.
Por otro lado, aunque el contexto esté bien definido, si la petición es demasiado amplia o general, la IA tenderá a cubrir el tema de forma razonable pero superficial, sin profundizar en los detalles ni ajustarse a matices específicos que marcan la diferencia entre un trabajo genérico y uno de calidad. Esto responde a una lógica que ya aplicamos en cualquier ámbito profesional: ninguna tarea importante se entrega en su primera versión; siempre requiere revisión, análisis crítico, ajustes y retoques hasta alcanzar el nivel deseado. El encadenamiento de modelos traslada exactamente esa misma dinámica al trabajo con la inteligencia artificial: en lugar de pedirle a una sola herramienta que resuelva todo el proceso en un solo paso, dividimos el trabajo en etapas claras, de modo que una IA genere el primer borrador, otra lo analice y señale sus puntos débiles, una tercera lo refine incorporando las mejoras sugeridas y una última verifique que cumpla con todos los requisitos establecidos. Cada modelo actúa así como un especialista con una función concreta, aprovechando que un sistema enfocado exclusivamente en criticar o revisar un texto es más eficaz que uno al que se le pide que lo escriba y lo evalúe al mismo tiempo. Para entender mejor cómo funciona en la práctica, podemos usar un ejemplo cotidiano: imaginemos que necesitamos redactar un correo electrónico delicado, en el que debemos rechazar una propuesta de colaboración sin dañar la buena relación profesional que mantenemos con la otra parte. Si le pedimos inicialmente a ChatGPT: “Redacta un correo electrónico para rechazar una propuesta de colaboración de un proveedor con el que tengo una buena relación. Quiero que el tono sea cordial, que deje la puerta abierta a futuras oportunidades y que no suene a excusa”, obtendremos un texto correcto, pero probablemente demasiado genérico; para llevarlo a un nivel superior, bastará con copiar ese resultado y entregárselo a Claude con una indicación como esta:
