Romper el Ciclo: Cómo las Organizaciones Pueden Evitar Doomprompting y Entregar Éxito

Desde su concepto teórico en la década de 1950, la inteligencia artificial (IA) allanó el camino para que las empresas experimentaran oportunidades y productividad mejoradas a través de diversas técnicas, especialmente sistemas de aprendizaje automático. Estas herramientas/tecnologías mejoraron la previsión y la toma de decisiones, sentando las bases para futuros avances técnicos. En tiempos recientes, la IA Generativa ha prometido cambiar todo lo que sabemos sobre el trabajo y ha democratizado la experiencia de la IA. Los usuarios ahora interactúan con modelos de IA como ChatGPT, a través de “prompting”, donde uno interactúa hacia adelante y hacia atrás con un modelo de IA. Sin embargo, estos beneficios también conllevan un nuevo desafío: Doomprompting. Esto es equivalente a hacer “doom scrolling” en contenido en línea, sin un objetivo definido, atrapando a los usuarios en conejos de indias. Con la IA, aunque, el conejo de indias habla de regreso. Esta acción de refinar continuamente la solicitud de IA para ambos modelos generativos y agentivos, impulsada por la ambición de adquirir la salida perfecta (y sometimes por hacer solicitudes sin un objetivo específico en mente), conduce a aumentos de costos y rendimientos decrecientes. Crea un gran obstáculo para el éxito y derrota el propósito de utilizar la tecnología de IA en sí misma.

A medida que las empresas aumentan sus presupuestos relacionados con la IA, los responsables de la toma de decisiones necesitan comprender el camino hacia retornos reales sobre sus inversiones y qué valor está generando. Un informe de 2025 de IEEE, Los Costos Ocultos de la IA: Cómo las Pequeñas Ineficiencias se Acumulan, demuestra cómo los ajustes menores pueden acumularse en cargas económicas significativas. Para evitar convertirse en parte de esta lucha costosa, las organizaciones deben perfeccionar su capacitación de empleados que utilizan LLMs para lograr el máximo potencial de sus inversiones en IA.

La IA Generativa trae la promesa de optimización y eficiencia. Sin embargo, cuando los equipos se atrapan en el ciclo de refinamiento sin fin (o deambular sin radar), la ineficiencia socava esta base.

Limpiar el “Workslop”

Una de las razones por las que los equipos refinan continuamente las salidas para generar una respuesta perfecta es el workslop. Descrito por primera vez en la Harvard Business Review, el workslop abarca ‘contenido de trabajo generado por IA que se disfraza de buen trabajo pero carece de sustancia para avanzar significativamente en una tarea determinada’.

Este ‘slop’ generado por IA es el primer dominó en una larga línea que crea el ciclo de doomprompting. Si bien modificar el contenido subpar a través de iteraciones o ediciones es importante, es necesario comprender cuándo detenerse, antes de que se convierta en una pendiente de rendimientos decrecientes. Las organizaciones deben abordar su inversión de tiempo en la capacitación de IA con un equilibrio delicado. Por un lado, los equipos deben ser conscientes de la calidad requerida; por otro lado, deben saber cuándo es demasiado. La capacitación de los empleados en el uso más inteligente de los modelos de IA a través de la solicitud óptima y los objetivos claros también sería útil.

Aprovechar la IA Agéntica para Evitar Doomprompting

En años recientes, las empresas han aumentado significativamente su interés y inversión en IA agéntica, reconocida por su capacidad para mejorar la efectividad operativa. La IA agéntica puede tomar tareas complejas, orquestar con múltiples agentes (incluidos RAG y agentes de acción) para decidir el curso de acción, y ejecutar las tareas para completar la tarea en general de manera autónoma.

Estas cualidades pueden ayudar a la IA a mitigar el doomprompting, o a evitarlo por completo. Esto puede eliminar la necesidad de instruir interfaces de GenIA a través de múltiples solicitudes para completar la tarea. Un ejemplo de esto se puede encontrar en las operaciones de TI impulsadas por IA, o AIOps, que están modernizando las TI al integrar la IA en tareas diarias. Tradicionalmente, los equipos pasan su tiempo ajustando manualmente los sistemas. Los departamentos del siglo XXI son aquellos que aprovechan la IA para manejar funciones críticas como la resolución de problemas, la respuesta a incidentes y la asignación de recursos de manera autónoma.

Otro ejemplo adecuado es cómo los sistemas de IA agéntica pueden manejar un incidente complejo de manera autónoma. Estos agentes, junto con ITOps, son capaces de comprender el contexto del problema, orquestar con agentes de razonamiento para decidir el curso de acción, utilizar agentes de acción para realizar las correcciones finales en los sistemas de TI y, finalmente, emplear agentes de aprendizaje para comprender la resolución y aplicarla de manera más efectiva en futuros incidentes.

La automatización inteligente de la IA agéntica ayuda a reducir la interacción humana y realiza tareas de manera autónoma. Para satisfacer las demandas comerciales en evolución, las tareas y operaciones repetitivas deben ser transferidas a la IA autónoma. Esta delegación elimina el ciclo de re-solicitud y refinamiento repetitivo que a menudo alimenta el doomprompting. Las operaciones autónomas permiten que los modelos de IA optimicen y respondan continuamente a variables cambiantes sin intervención manual, lo que conduce a resultados más rápidos con una intervención humana mínima.

Aunque los profesionales capacitados seguirán desempeñando un papel instrumental en las operaciones diarias a través del enfoque de “human-in-the-loop”, su tiempo se utilizará mejor en la verificación de resultados. Este enfoque minimiza el riesgo de introducir errores o ajustes excesivos.

El Papel de la Gobernanza en la Prevención de Doomprompting

En una encuesta reciente de McKinsey, el 88% de los encuestados informaron que estaban utilizando la IA en al menos una función empresarial. Esto representó un salto del 10% desde 2024 y un aumento asombroso del 33% desde 2023. Para la IA agéntica, este salto fue aún más profundo. Desde solo el 33% en 2023 hasta casi el 80% en 2025.

Esta adopción generalizada está impulsando a las empresas a encontrar nuevas soluciones para el doomprompting. Una de estas herramientas es los marcos de gobernanza robustos. Estos deben ser cuidadosamente elaborados para garantizar que los proyectos de IA permanezcan alineados con los objetivos comerciales y no caigan víctimas del vals interminable de optimización. Cuando los equipos desarrollan estos marcos, deben considerar:

• Establecimiento de pautas: Los flujos de datos hacia y desde los modelos de IA se están volviendo cada vez más complejos. Para simplificar esto, las pautas de IA deben crear un marco para que los equipos manejen los datos, tomen decisiones y gestionen las salidas de IA de manera responsable.
• Capacitación de los usuarios: Una capacitación adecuada en el uso de solicitudes puede ayudar a la productividad óptima
• Uso de modelos especializados: Los modelos de IA específicos de la industria y el propósito probablemente proporcionarán salidas contextuales y significativas más rápido
• Capacitación de los modelos de IA: Capacitar a los modelos de IA con datos específicos de la industria, la tarea o la organización (donde sea posible) puede conducir a menos “workslop” y salidas más adecuadas más rápido.
• Desarrollo de reglas: Redactar e implementar un conjunto claro de reglas es esencial para guiar el desarrollo y la implementación de la IA. Cuando los equipos establecen límites operativos, garantizan que los sistemas adoptados se alineen con los objetivos organizacionales, los estándares éticos y los requisitos regulatorios.

Aunque la tasa de adopción de soluciones de IA está aumentando, la gobernanza no. Según el Informe de la Industria PEX de 2025 , menos de la mitad tienen una política de gobernanza de IA en su lugar. Mientras que solo el 25% estaban en el proceso de implementar una, y casi un tercio no tenían ninguna política de gobernanza de IA en su lugar. Estos marcos pueden ser el factor definitorio para ayudar a las empresas a establecer límites claros sobre lo que constituye un rendimiento aceptable.

Escapar del Ciclo de Doomprompting

Para evitar caer en el ciclo de doomprompting, las empresas deben adoptar estrategias de IA que prioricen los resultados sobre la perfección. El uso de la capacitación de solicitudes, modelos de IA específicos del propósito y modelos capacitados con datos contextuales de la empresa puede reducir la necesidad de una re-solicitud extensa. Las empresas que aprovechan la IA agéntica, las operaciones de TI autónomas y los marcos de gobernanza sólidos pueden reasignar recursos críticos hacia el logro de sus objetivos comerciales sin quedar atrapadas en ciclos interminables de optimización. El éxito llegará cuando los equipos cambien su mentalidad de refinamiento constante a una de ejecución enfocada y resultados medibles. Las empresas que logren esto podrán liberar a sus equipos de la trampa del doomprompting y permitirles centrarse en lo que realmente importa: lograr resultados tangibles y medibles.