Perspectiva
La escritura de prompts se está convirtiendo en una habilidad de diseño de aprendizaje
Los prompts útiles hacen explícito el brief de diseño: el problema de rendimiento, el contexto del aprendiz, las limitaciones y la evidencia que te ayudará a juzgar el resultado.
Pide a la IA que cree un curso sobre cómo manejar clientes difíciles, y ya has tomado varias decisiones de diseño.
Has decidido que se necesita un curso. Has decidido que el problema es algo de lo que las personas pueden aprender a salir. Has decidido que "manejar clientes difíciles" describe el trabajo lo suficientemente claro como para construir en torno a ello.
Quizás esas decisiones son correctas. Pero el prompt no nos da muchas razones para creer en ellas.
Creo que aquí es donde la conversación sobre los prompts se vuelve interesante para los diseñadores de aprendizaje. La habilidad útil es poder explicar qué estamos tratando de mejorar, qué sabemos sobre las personas que realizan el trabajo y qué necesita lograr una respuesta útil.
Un prompt hace visibles esas decisiones. También puede hacer visible su ausencia, si nos tomamos el tiempo para mirar.
El prompt expone el brief
Un prompt útil es un brief de diseño que puedes cuestionar.
Por eso veo la redacción de prompts como parte del diseño de aprendizaje. Nos da otro lugar para practicar el trabajo de definir un problema, establecer limitaciones y decidir qué cuenta como bueno.
Una mejor redacción no puede reparar una decisión débil
Hay una tentación de tratar cada respuesta decepcionante de IA como un problema de redacción. Añade un rol. Pide más detalles. Cambia el tono. Dile que sea más atractivo. Prueba un prompt más largo.
A veces esos cambios ayudan. Pero también pueden mantenernos puliendo una respuesta a una pregunta que deberíamos haber reconsiderado.
"Actúa como un diseñador instruccional experto y crea un curso atractivo de cinco minutos" todavía comienza con un curso. "Usa principios de aprendizaje para adultos" no explica la decisión que alguien necesita tomar en el trabajo. "Hazlo interactivo" no nos dice qué debería permitir la interacción para que alguien practique.
Puedes obtener un borrador atractivo a partir de un breve vago. Ese es parte del problema. Una respuesta que parece completa puede dificultar la detección de un pensamiento inacabado.
Antes de pedir una mejor versión, pregunta qué dejaste que el modelo adivinara. ¿Quién es la audiencia? ¿Qué están luchando por hacer? ¿Qué evidencia respalda esa interpretación? ¿Qué información falta? ¿Qué decisiones ya se han acordado y cuáles siguen abiertas?
Si no puedes responder esas preguntas, otro adjetivo en el aviso probablemente no lo resolverá.
Dale el contexto que cambia el diseño
"Empleados de primera línea" es una etiqueta de audiencia. No es suficiente contexto para diseñar una práctica significativa.
Un nuevo empleado que aprende un proceso por primera vez necesita algo diferente de un empleado experimentado que conoce el proceso pero no puede encontrar la política actual durante una conversación con un cliente. Ambos pueden aparecer en la misma solicitud de capacitación.
Los detalles útiles son aquellos que cambian tus decisiones de diseño: experiencia previa, herramientas disponibles, condiciones de trabajo, presión de tiempo, necesidades de accesibilidad, idioma y las consecuencias de un error.
Las restricciones importan tanto como eso. Una experiencia móvil utilizada entre tareas tiene diferentes requisitos que un taller facilitado. Una decisión que debe tomarse de memoria necesita una preparación diferente de una respaldada por una referencia buscable.
También le diría al modelo lo que no debe inventar. Si no se ha proporcionado una regla de reembolso, debe señalar la regla faltante. Si la causa de una brecha de rendimiento es incierta, debe preservar esa incertidumbre en lugar de convertir la opinión de un interesado en un hallazgo.
Esto no significa pegar cada documento que tienes en un chat. Selecciona el material relevante para la decisión, usa información que estás autorizado a compartir y explica qué fuentes rigen la respuesta.
Una restricción útil
"Separa los hechos documentados, las suposiciones de trabajo y las preguntas sin respuesta. No inventes políticas, datos de aprendices o evidencia de impacto."
La misma solicitud, una tarea de diseño diferente
Aquí hay un ejemplo hipotético. Un gerente de soporte al cliente pide capacitación de actualización porque los agentes están escalando demasiadas solicitudes de reembolso.
El aviso rápido podría ser:
"Crea un curso de microaprendizaje de cinco minutos sobre cómo manejar solicitudes de reembolso. Incluye tres verificaciones de conocimiento y hazlo atractivo."
Ese aviso le da a la IA una tarea de producción. No pregunta si la tarea tiene sentido.
Ahora imagina que una revisión de casos de muestra sugiere que los agentes pueden explicar la política básica, pero dudan cuando se aplica una excepción. Tienen una referencia de política disponible durante las llamadas. Algunos casos también muestran que la guía de excepciones no está clara.
Eso cambia la tarea de diseño. Podríamos necesitar práctica de decisiones, una referencia más clara y una aclaración de política antes de necesitar una actualización sobre lo básico.
Un aviso más útil sería:
Un aviso construido en torno a la decisión
"Ayúdame a examinar una solicitud para reducir las escalaciones innecesarias de reembolsos entre agentes de soporte al cliente experimentados.
En este caso hipotético, una revisión de casos de muestra sugiere que los agentes conocen la política básica de reembolso pero dudan en torno a las excepciones. Pueden acceder a la política durante las llamadas. Algunas guías de excepciones pueden ser ambiguas. No hemos establecido cuánto contribuye cada factor a la escalación.
Antes de redactar la capacitación, separa las posibles necesidades de práctica de los problemas de política o referencia. Identifica las preguntas que necesitamos responder y la evidencia que nos ayudaría a elegir una respuesta.
Si la práctica de decisiones está justificada, esboza tres casos cortos en los que los agentes deben elegir si resolver, consultar la referencia o escalar. Cada caso debe probar un límite diferente. Explica qué nos permitiría observar cada caso.
Usa marcadores de posición para los detalles de política que no he proporcionado. No inventes reglas de reembolso. Señala cualquier caso que no se pueda juzgar sin una decisión de política. Devuelve primero una tabla diagnóstica, seguida de un esbozo de práctica provisional.”
El segundo aviso hace más que describir la salida. Define lo que se conoce, lo que sigue siendo incierto y la secuencia de decisiones que necesitamos tomar.
También permite una respuesta que puede no haber esperado: aclarar la política antes de construir la actividad.
Ese es trabajo de diseño.
Escribe los criterios antes de leer la respuesta
Una de las cosas más útiles que puedes incluir en un aviso es una explicación de cómo juzgarás el resultado.
Si estás pidiendo un escenario, "realista" necesita una definición. ¿El aprendiz enfrenta una decisión que ocurre en el flujo de trabajo real? ¿Tienen la información que realmente tendrían? ¿Hay una razón plausible para elegir la opción más débil? ¿La retroalimentación explica una consecuencia o simplemente anuncia una puntuación?
Esas preguntas te dan algo que inspeccionar más allá de si la escritura suena convincente.
Para el ejemplo de reembolso, verificaría si cada caso prueba un límite de decisión distinto, si la respuesta correcta sigue la política aprobada y si la retroalimentación explica cuándo es apropiado consultar o escalar. También verificaría que el escenario no castigue a un agente por la ambigüedad que la organización no ha resuelto.
Puedes pedirle a la IA que revise su borrador en función de esos criterios. Eso puede sacar a la luz problemas. No es una validación independiente, y no establece que la política sea correcta o que la práctica mejorará el rendimiento.
Aún necesitas inspeccionar las fuentes, involucrar a las personas que conocen el trabajo y probar la experiencia con los usuarios previstos donde sea práctico.
El modelo puede ayudarte a aplicar un estándar. Tú sigues siendo responsable de decidir si el trabajo lo cumple.
Reutiliza la estructura, revisita las decisiones
Me gustan las estructuras reutilizables. Nos salvan de empezar de nuevo y nos recuerdan hacer preguntas que de otro modo podríamos omitir.
Pero un aviso guardado también puede llevar las suposiciones de ayer al proyecto de hoy. Una plantilla que siempre pide un esquema de curso hace que cada problema parezca un problema de curso.
La estructura que reutilizaría es un breve resumen de diseño:
- Rendimiento: ¿Qué necesita hacer, decidir o recuperar alguien?
- Evidencia: ¿Qué sabemos sobre el problema actual y qué sigue siendo una suposición?
- Contexto: ¿Quién está haciendo el trabajo, bajo qué condiciones y con qué herramientas o apoyo?
- Restricciones: ¿Qué requisitos debe respetar la respuesta? ¿Qué fuentes la rigen?
- Tarea de diseño: ¿Estamos diagnosticando, comparando respuestas, redactando prácticas o revisando una solución existente?
- Criterios de calidad: ¿Qué haría que el resultado fuera útil, preciso y apropiado para esta situación?
- Incertidumbre: ¿Qué debería ser señalado, cuestionado o dejado sin resolver en lugar de adivinar?
No necesitas convertir cada pequeña solicitud en un gran aviso. Adapta el resumen a la tarea. Reescribir una oración requiere menos contexto que recomendar una respuesta a un problema de rendimiento.
Para un proyecto más grande, trabaja en etapas. Examina la solicitud, revisa la evidencia, compara posibles respuestas y luego redacta la parte que tienes suficiente información para diseñar. Lleva las decisiones acordadas hacia adelante y revísalas cuando nueva evidencia cambie el panorama.
El objetivo es mantener el razonamiento disponible para revisión, en lugar de enterrarlo dentro de un resultado final pulido.
Juzga el trabajo más allá de la ventana de chat
Un aviso más fuerte puede producir un borrador más relevante. Eso no significa que hayamos mejorado el aprendizaje.
El borrador aún tiene que sobrevivir al contacto con el trabajo. ¿Pueden las personas entender la situación? ¿Pueden usar el apoyo cuando lo necesiten? ¿La práctica expone las decisiones que nos importan? ¿La retroalimentación les ayuda a mejorar?
En nuestro ejemplo hipotético de reembolso, menos escalaciones no sería suficiente por sí solo. Los agentes podrían reducir las escalaciones aprobando solicitudes que deberían haber referido. Necesitaríamos examinar la adecuación de las decisiones así como la tasa de escalación.
Ese es otro juicio de diseño que un aviso no puede resolver por nosotros. Decidimos qué evidencia importa y qué compensaciones aceptaremos.
No veo la redacción de avisos como una garantía de carrera. No hace que alguien sea irremplazable, y una colección de avisos ingeniosos no es un sustituto para entender el aprendizaje o el trabajo que las personas realizan.
Lo veo como una habilidad práctica que hace que nuestro pensamiento sea inspeccionable. Nos obliga a expresar la intención, nombrar la incertidumbre y definir el estándar antes de pedir una respuesta.
Pruébalo con el próximo aviso que ibas a usar. Subraya cada decisión que ya has tomado. Circula cada detalle que el modelo tendría que adivinar. Luego pregunta si esas decisiones están respaldadas.
Puede que necesites un mejor aviso. Puede que necesites un mejor resumen. Puede que necesites volver al interesado con una pregunta que no habías pensado hacer.
La redacción de avisos gana su lugar en el diseño de aprendizaje cuando nos ayuda a tomar mejores decisiones sobre lo que las personas necesitan.
Learning Rewired Lab™
Fortalece el resumen antes de generar la respuesta.
The Lab es el espacio profesional completo para convertir una solicitud de aprendizaje en una solución de rendimiento defendible. Desafía la solicitud, investiga el sistema, diseña la respuesta y planifica la evidencia en un proyecto conectado.
Desafía la solicitud, examina el sistema y diseña para el rendimiento antes de que comience la producción.
- Un registro de proyecto conectado
- Solicitud y diagnóstico de rendimiento
- Herramientas de aprendizaje orientadas al producto
- Flujos de trabajo de diseño asistidos por IA
- Aplicación práctica en el lugar de trabajo