Noches de Media

En 2024 pasé muchas horas experimentando con inteligencia artificial y periodismo. Tomé cursos, dicté cursos, leí papers, me suscribí a newsletters, probé herramientas, escuché pódcasts, escribí posts para Noches de Media, intercambié ideas con colegas, fui a eventos de la industria de medios en los que se hablaba de IA, fui a eventos sobre IA, me frustré, me sorprendí, me volvía frustrar… y aprendí. Estos son algunos de mis aprendizajes. Los escribo para, como Hansel y Gretel con sus migas de pan, volver sobre mis pasos cuando llegue el momento.   

1. Usa un modelo preentrenado. Los modelos preentrenados ya han hecho el trabajo pesado: han procesado cantidades masivas de texto, han aprendido patrones lingüísticos y han sido probados exhaustivamente. No trates de reinventar la rueda. Para experimentar en periodismo probablemente no tengas el tiempo, recursos ni sea necesario entrenar un modelo desde cero. Eso sí, trata de elegir el mejor modelo existente para las tareas que necesitas desarrollar.
   
2. Si experimentas con chatbots, no pierdas el tiempo con las versiones gratuitas. Las versiones gratuitas suelen tener limitaciones significativas: respuestas inconsistentes, conocimiento desactualizado y restricciones en el número de interacciones. El tiempo que «ahorras» al no pagar una suscripción lo pierdes tratando de sortear estas limitaciones. La diferencia en calidad, consistencia y confiabilidad justifica la inversión. Además las nuevas funcionalidades, que se habilitan primero para usuarios de pago, te ayudan a ampliar el horizonte sobre lo que es posible hacer con esta tecnología.
   
3. Más no es sinónimo de mejor. Las fuentes de datos que elegimos para nuestros proyectos impactan en los resultados, los costos, el tiempo de revisión y nuestra huella ambiental. Conceptualizar cuidadosamente nuestros proyectos y elegir solo los datos necesarios es clave. Es revelador que herramientas como NotebookLM y Claude Projects, que suelen ofrecer resultados extraordinarios, limitan intencionalmente el volumen de datos de entrada.
   
4. La calidad del resultado es directamente proporcional a la calidad de los datos de entrenamiento.  Si tus datos están sucios, desactualizados o se contradicen entre sí, encontrarás exactamente esos mismos problemas en los resultados. Un desafío común es la identificación precisa de entidades (personas, lugares, organizaciones): cuando hay homónimos o variaciones en los nombres y faltan identificadores únicos, la tarea de homologación se vuelve larga y tediosa. Si pensaste que la IA te libraría de revisar homologaciones, lamento desilusionarte.
   
5. Define qué es lo que quieres y pídelo con todo el detalle posible. Cuando redactas un prompt, estás pidiéndole algo al modelo. Pero este proceso puede fallar de dos maneras: no saber qué quieres o no saber cómo pedirlo.
   
   Si no sabes qué quieres, darás vueltas en círculos. Te frustrarás con los resultados y culparás al modelo, a los datos o al prompt, cuando el problema eres tú. La única solución es reconocerlo y volver a planear tu proceso desde el inicio.
   
   Si sabes lo que quieres pero no logras obtenerlo, el problema está en cómo lo pides. Me gusta recordar descontextualizadamente esta frase bíblica: «Pedís y no recibís, porque pedís mal». Un buen prompt debe ser preciso, detallado y ofrecer contexto. El lenguaje importa: a veces, cambiar un solo verbo por otro aparentemente sinónimo puede hacer toda la diferencia.
   
6. Haz tus primeros experimentos con información que conozcas muy bien. Cuando trabajas con datos que dominas, puedes detectar rápidamente si los resultados tienen sentido o si hay errores. Tu conocimiento previo funciona como un sistema de alerta temprana: identificas inmediatamente si una fecha está mal, si falta un actor clave o si una relación entre eventos no es correcta. Esto te ahorra tiempo en las revisiones y te permite concentrarte en ajustar el proceso en lugar de verificar cada dato. Además, entender dónde y por qué el sistema se equivoca con información que conoces te prepara mejor para cuando trabajes con datos menos familiares.
   
7. Las fuentes bien citadas ayudan a la verificación. Si has usado Perplexity, Gemini o NotebookLM, conocerás esos círculos numerados que, al hacer clic, muestran el contexto y las URLs de donde proviene la información. Implementa un sistema similar en tus proyectos. No necesitas nada complejo: a veces una URL es suficiente, aunque para ciertos proyectos también conviene incluir la fecha completa de publicación. Lo importante es poder rastrear de dónde viene cada dato y verificar su precisión.
   
8. Las pruebas y revisiones siempre serán más dispendiosas de lo que calculaste. Multiplica por dos o tres el tiempo que planeas dedicar a revisar los resultados. Primero querrás validar que tu creación no alucine, luego querrás mejorar el tono y/o estilo. Además, siempre necesitarás ver que las nuevas mejoras no alteran ninguna de las mejoras anteriores y esto, amigo mío, se logra con horas de revisión y un loop, que parece infinito, de optimismo, frustración, optimismo.
   
9. Sigue la pista a las actualizaciones de las plataformas que usas. Incluso si tu rol no es técnico, mantente al tanto del modelo y la versión que usa tu proyecto. Las nuevas versiones pueden significar mejores resultados y menores costos. A veces el equipo técnico, ocupado con otras tareas, puede pasar por alto actualizaciones que podrían beneficiar tu proyecto. Sí, esto pasa más a menudo de lo que piensas.
   
10. Prepárate para desarrollar tu tolerancia a la frustración. Es probable que las cosas no salgan como quieres, cuando quieres, y esto será así la mayor parte del tiempo.
    
11. Conforma un equipo diverso. Para un proyecto editorial trabaja siempre con periodistas y editores. No hay otra forma de hacerlo. Los usuarios finales deben ser parte activa del proyecto: ellos conocen las necesidades reales y detectan problemas que técnicos y productores podrían pasar por alto. Un buen productor transforma estas observaciones en insumos valiosos para el equipo técnico, reduciendo reprocesos y facilitando la adopción de la nueva tecnología.
    
12. Trabaja con gente talentosa y que tenga tiempo. Ambas características son igualmente importantes: el talento sin tiempo o el tiempo sin talento solo conducen a proyectos frustrados y retrasados.
    
13. Elige tu dieta de información para estar al día.  Es imposible mantenerse actualizado con toda la evolución de la inteligencia artificial, ni siquiera con dedicación de tiempo completo. Selecciona algunos institutos, autores, investigadores, proyectos y publicaciones clave y síguelos regularmente. No trates de abarcar todo: es mejor una dieta informativa balanceada y constante.
    
14. Hay que documentar. Documentar es la tarea más subvalorada del día a día.  Registra tus decisiones, los problemas que encontraste y cómo los resolviste. Esto será un salvavidas para ti y una ayuda para otros. 

P.D. La imagen de este post fue generada con DALL-E usando el prompt: ‘Crea una imagen para ilustrar esta entrada de blog [Texto de la entrada de blog]’. El chatbot asumió que quien escribe es mujer, probablemente porque identificó el nombre de registro de la cuenta.

Cuando vi el resultado, no me gustó que la mujer de la ilustración tuviera el cabello liso, así que le pedí al chatbot: ‘Make the girl in the computer with curly hair’. Usé inglés porque en su respuesta el chatbot había usado inglés, aunque yo le hablé en español.

Sé que puedo refinar más mis habilidades de prompting para imágenes; tal vez trabaje en eso este año, tal vez no. Te dejo pensando en este detalle: el tono de piel de la mujer en la ilustración con pelo rizado es más oscuro que el de la mujer con pelo liso.