Ordenada a partir de la colección How AI works ↗ de Claude Academy, que solo está en inglés. Los nueve tutoriales que la forman sí están en español, y cada tema enlaza al suyo; los originales están también al final.
Empieza aquí
La ruta tiene nueve tutoriales cortos, de cuatro a veinte minutos, que según Academy suman algo más de una hora. Están en el orden de la colección: lo básico, las capacidades y los límites, y dos para ir más hondo. Si quieres el marco completo con ejercicios, el curso va aparte:
- Lo que la IA puede y no puede hacer: el curso de capacidades y limitaciones, lección a lección, con una ficha de tareas para saber qué comprobar en cada una.
- El glosario: token, ventana de contexto, corte de conocimiento y alucinación, en dos líneas cada uno.
En cada tema de abajo tienes lo esencial del tutorial, qué cambia en tu pyme y qué se comprueba. Eso último es lo que conviene que sepa todo tu equipo.
Lo básico
Qué pasa cuando hablas con una IA
Lo esencial. Cuando escribes a Claude no hay nadie buscando la respuesta en un archivo: el modelo la construye prediciendo, trozo a trozo, lo que debería venir a continuación. Escribe una palabra detrás de otra, pero eso no quiere decir que piense palabra a palabra; el proceso es bastante más complejo, y entenderlo ayuda a leer mejor lo que te devuelve.
En tu pyme. Claude no consulta tu programa de facturación ni tu catálogo salvo que se los des o los conectes. Si le preguntas el precio de un producto tuyo sin dárselo, te dará uno verosímil, no el tuyo.
Qué se comprueba. Que todo dato propio (precios, plazos, referencias, condiciones) venga de un documento que le hayas dado, no de su memoria.
Si puedes fiarte de lo que te dice
Lo esencial. La confianza no es un interruptor de sí o no: es una rueda que giras según lo que te juegas. No pedirías una segunda opinión si el médico te dice que comas más fruta; sí antes de una operación. Con la IA, igual. El tutorial presenta las dos formas en que una respuesta sale mal, la alucinación y la adulación, y cómo fijar tu propio nivel de revisión.
En tu pyme. Un borrador de publicación para redes y una respuesta a un cliente sobre una garantía no merecen la misma revisión. Decidir cuánta merece cada tarea es trabajo de quien dirige, no de cada persona por su cuenta.
Qué se comprueba. Antes de usar una respuesta, una pregunta: ¿qué pasa si esto está mal? Si la respuesta es «nada grave», basta una lectura. Si es «un cliente, un pago o una norma», se comprueba en la fuente.
Qué sabe la IA de ti
Lo esencial. El vídeo sigue lo que le cuentas a una IA por los sitios donde puede acabar: una parte solo dura lo que dura la conversación, otra se queda dentro del producto y una parte pequeña podría llegar más lejos. En cada punto suele haber un ajuste que te deja decidir.
En tu pyme. Lo que pega tu equipo no es solo suyo: son datos de tus clientes, tus proveedores y tus empleados. En Team y Enterprise, por defecto no se entrena con los datos de la empresa (fuente ↗); en una cuenta personal no lo des por hecho y mira sus ajustes de privacidad.
Qué se comprueba. Qué plan usa cada persona, si la memoria está activada y qué guarda, y que lo que identifica a alguien (nombre, DNI, cuenta bancaria) se quita antes de pegar.
Las capacidades y los límites
Las cuatro propiedades de la IA
Lo esencial. La chuleta del curso en una página. Cuatro propiedades explican casi todo lo que hace bien y mal: la predicción (de dónde salen las respuestas; lo inventado se concentra en nombres, fechas, cifras, citas y enlaces), el conocimiento (lo que leyó hasta su fecha de corte; flojo en lo reciente, lo local y lo de nicho), la memoria de trabajo (lo que cabe en la ventana de contexto; lo enterrado en medio se pierde) y la capacidad de dirección (obedece continuando un patrón, no entendiendo tu intención). Para cada una, las funciones de Claude que amplían el límite: citas y fuentes, búsqueda web y conectores, memoria y proyectos, instrucciones y ejecución de código.
En tu pyme. Sirve para repartir: lo que es redactar o resumir lo que tú le das, a Claude; lo que es dato reciente o local, con búsqueda o con tu documento; lo que es cálculo en varios pasos, en una hoja de cálculo.
Qué se comprueba. Ante un fallo, cuál de las cuatro ha sido. El arreglo depende de eso, y casi nunca es «pedirlo otra vez».
Por qué alucina
Lo esencial. Una alucinación es un dato inventado presentado con total seguridad: un estudio que no existe, una estadística falsa, un hecho equivocado sobre una persona real. Pasa porque el modelo predice lo que suele venir a continuación y, cuando sabe poco de algo, intenta ayudar con una suposición. Anthropic dice en el vídeo que Claude alucina mucho menos que hace un año y que el problema no está resuelto; justo por eso la gente deja de comprobar. Es más probable con datos concretos, temas poco conocidos o muy recientes, personas o lugares reales pero no famosos, y detalles exactos como fechas, nombres o números.
En tu pyme. El riesgo no está en el correo de bienvenida; está en el número de una norma, el plazo de una subvención o la referencia de un producto de un proveedor. Ahí es donde se cuela.
Qué se comprueba. Pídele las fuentes y que confirme que dicen lo que afirma; dile de antemano que puede decir «no lo sé»; pregúntale cómo de seguro está; y en lo importante, abre una conversación nueva y pídele que busque errores en la respuesta. Lo crítico, en la fuente original.
Por qué te da la razón
Lo esencial. La adulación es decirte lo que quieres oír en lugar de lo que es cierto o útil: darte la razón en un error, cambiar la respuesta según cómo preguntes o ajustarla a tus preferencias. Sale del entrenamiento: al enseñar al modelo a ser útil y cercano, se cuela la tendencia a complacer. Es más probable cuando presentas una opinión como un hecho, citas a un experto, preguntas desde un punto de vista, pides validación, hay emociones de por medio o la conversación es muy larga.
En tu pyme. Es el riesgo de quien manda. Si el gerente pregunta «¿verdad que este proveedor es mejor?», la respuesta empieza inclinada. En una empresa pequeña, donde no siempre hay quien te lleve la contraria, pesa más.
Qué se comprueba. Pregunta en neutro, pide contraargumentos, reformula la pregunta, prueba en una conversación nueva y, si la decisión importa, pregunta a una persona de confianza.
Por qué tiene sesgos
Lo esencial. El sesgo va más allá de los estereotipos y la política: puede ser inclinarse por cierto tipo de respuesta o perspectiva, o responder mejor en unos idiomas que en otros. El modelo lo recoge de lo que leyó. El vídeo cuenta cómo lo mide Anthropic con el sesgo político: la misma petición desde dos posturas, comparando si las dos reciben la misma profundidad y esfuerzo.
En tu pyme. El sesgo que más te va a tocar no es político: es lo que el modelo trata como «normal». El cliente típico, el candidato típico o el proveedor típico que describe no tiene por qué ser el tuyo. Y si alguien usa Claude para ordenar currículos o valorar a una persona, ahí el sesgo tiene consecuencias.
Qué se comprueba. Haz tú la prueba del vídeo: la misma pregunta desde dos ángulos, y compara. Pide un enfoque equilibrado, las pruebas en que se apoya y mira tú los enlaces. Y una regla: Claude puede ordenar información sobre personas; la decisión sobre una persona la toma otra persona.
Para ir más hondo
Tokens: por qué unas cosas gastan más que otras
Lo esencial. Claude no lee letras ni palabras: lee tokens, trozos de texto con un número asignado. Las palabras corrientes suelen ser un token; las raras, los enlaces largos y el texto con muchos símbolos se parten en muchos. Por eso un enlace de cien caracteres gasta más que una frase de cien caracteres, y por eso a los modelos les costaba contar las erres de «strawberry». Después, cada token se convierte en un punto en un espacio de muchas dimensiones donde lo parecido queda cerca: así el modelo sabe que «gato» y «gatito» se parecen. El tutorial es interactivo, con ejercicios para adivinar cuántos tokens tiene un texto.
En tu pyme. El uso de Claude se mide en tokens: es lo que hace que llegues antes o después a tu límite de uso. Tablas exportadas enteras, enlaces largos y documentos pegados dos veces gastan sin que se note.
Qué se comprueba. Si el equipo llega pronto al límite, mira qué se pega antes de cambiar de plan. Para el resto del gasto, qué modelo usar y el nivel de esfuerzo.
Cómo el contexto cambia la calidad y el coste
Lo esencial. Lo que Claude sabe viene de dos sitios: lo aprendido al entrenarse (la memoria de los parámetros) y lo que hay en la conversación (el contexto). Cuando inventa, casi siempre es porque faltaba contexto o era malo. La ventana tiene un tamaño máximo, y no la llenas solo tú: las instrucciones del producto, los resultados de las búsquedas y las herramientas ocupan sitio antes de tu primer mensaje. En cada turno se vuelve a enviar toda la conversación, así que una pregunta corta al final de una conversación larga cuesta más que la misma pregunta en una nueva. Cuando la ventana se llena, Claude resume lo anterior (compactación), y en el resumen se pueden perder detalles. La memoria guarda lo duradero (tu proyecto, tus preferencias) y deja lo que cambia para buscarlo otra vez. Y Claude decide en cada turno si responde con lo que sabe o busca más; con más esfuerzo, busca y comprueba más.
En tu pyme. Una tarea, una conversación. Lo que no cambia (quiénes sois, cómo escribís, vuestras condiciones) va en un proyecto o en la memoria; lo que cambia (precios, existencias, plazos) se le da o se le deja buscar cada vez.
Qué se comprueba. Tras una conversación larga o un resumen automático, que sigan en pie las instrucciones clave del principio. Si dudas, abre una conversación nueva con lo importante arriba. Más sobre lo que Claude recuerda en los primeros pasos.
Lo que te deja: las reglas de la casa para fiarse de Claude
Una página para el equipo, salida de la ruta. Este ejemplo es de una distribuidora ficticia de Valencia, con datos inventados. La tuya saldrá de tus tareas.
CÓMO NOS FIAMOS DE CLAUDE · Electro Turia (ejemplo)
1. Nuestros datos, de nuestros documentos
Precios, referencias, plazos y condiciones salen del catálogo o de la tarifa
que está en el proyecto «Comercial». Nunca de lo que Claude «sabe».
2. Lo concreto se comprueba siempre
Normas, certificados, cifras, fechas, nombres y enlaces: en la fuente original
antes de que salgan de aquí. Si no hay fuente, no sale.
3. La opinión se pide en neutro
Nada de «¿verdad que...?». Se pide crítica y contraargumentos, y si la decisión
pesa, la segunda opinión la da Pilar o Toni.
4. Sobre personas, decide una persona
Claude puede ordenar currículos o resumir una evaluación. No elige a nadie.
5. Datos personales fuera
Ni DNI, ni cuentas bancarias, ni datos de salud. Todo el mundo trabaja con la
cuenta de empresa, no con la personal.
6. Una tarea, una conversación
Al cambiar de tema, chat nuevo. Lo duradero va en el proyecto.
Quién revisa: Pilar (gerencia) cada trimestre. Dudas: a Toni.Un ejemplo de principio a fin: una distribuidora de veintidós personas
Es un ejemplo ficticio. Los nombres, las incidencias y los textos son inventados; los temas y las comprobaciones son los de los tutoriales. No lleva cifras de ahorro porque no hay nada medido.
El caso. Pilar es la gerente de Electro Turia, una distribuidora de material eléctrico de Valencia con veintidós personas entre almacén, comercial y oficina. Lleva unos meses con Claude en el equipo y en un mes le llegan tres sustos. Un comercial envía a un instalador la ficha de un panel con un número de certificado que no existe. La jefa de compras le pregunta a Claude «¿verdad que el proveedor nuevo nos conviene más?» y recibe un sí bien argumentado que no aguanta los números. Y a media tarde, dos personas de oficina se quedan sin uso porque llevan una semana en la misma conversación.
Primero entiende (lo básico). Pilar ve los tres tutoriales de lo básico una mañana. Lo que saca: Claude no consulta el catálogo si no se le da; la revisión se gradúa según lo que se juega cada tarea; y lo que se pega puede incluir datos de clientes. Comprueba que todo el equipo usa la cuenta de empresa y que en su plan, por defecto, no se entrena con sus datos (fuente ↗).
Después pone nombre a cada susto (capacidades y límites). Con las cuatro propiedades delante, el certificado inventado es una alucinación de manual: un dato concreto, de nicho, pedido sin documento. La respuesta al proveedor es adulación: la pregunta ya traía la conclusión. Para comprobarlo, Pilar repite la pregunta en neutro en una conversación nueva:
Tenemos dos proveedores de cable para una distribuidora de material eléctrico. Te pego sus condiciones: [condiciones del proveedor A] y [condiciones del proveedor B]. Compáralos en precio por volumen, plazo de entrega, forma de pago y riesgo de rotura de existencias. No me digas cuál prefieres hasta el final, y antes dame los tres mejores argumentos a favor de cada uno. Señala qué datos faltan para decidir y qué tendría que comprobar yo con cada proveedor.La respuesta ya no elige por ella: pone sobre la mesa que el proveedor nuevo no dice nada de plazos en temporada alta. Compras lo pregunta antes de firmar.
Luego mira el sesgo. Toni, de oficina, había empezado a pedirle a Claude que ordenara los currículos de una vacante de almacén. Pilar hace la prueba del tutorial de sesgos: la misma petición con dos perfiles parecidos cambiando un detalle, y compara. No sale nada llamativo, pero decide igual que la decisión sobre una persona la toma una persona, y lo escribe.
Por último, el gasto (para ir más hondo). El tutorial de contexto explica lo del uso: cada mensaje reenvía toda la conversación, así que la de una semana es la más cara de todas. La regla pasa a ser una tarea, una conversación, y el catálogo y las condiciones de venta se suben una vez al proyecto «Comercial» en lugar de pegarse cada día.
Qué le queda a Pilar. La página de reglas de arriba, colgada en el proyecto del equipo; un proyecto con los documentos de los que salen los datos; y, para el equipo comercial, el curso Lo que la IA puede y no puede hacer como siguiente paso. Lo que ha cambiado no es que Claude no se equivoque: es que cada persona sabe en qué tareas se puede equivocar y qué mira antes de enviar.
Los errores típicos
- Usarlo como un buscador. No busca en tu catálogo ni en internet salvo que se lo des o le dejes buscar. Lo que contesta de memoria es una predicción.
- Revisarlo todo igual. O se revisa todo a fondo y no compensa, o nada y llega el susto. Se gradúa según lo que se juega cada tarea.
- Preguntar con la conclusión dentro. «¿Verdad que...?» trae un sí. Se pregunta en neutro y se piden contraargumentos.
- Pedir el dato exacto sin fuente. Números de norma, certificados, plazos y referencias son donde se concentra lo inventado.
- Dejar que ordene personas sin control. En currículos, evaluaciones o clientes, lo que trata como «normal» puede no ser lo tuyo, y la decisión es de una persona.
- Vivir en una sola conversación. Gasta más en cada mensaje y, tras el resumen automático, se pueden perder instrucciones del principio.
- Guardar en la memoria lo que cambia. Un precio o unas existencias se buscan cada vez; la memoria es para lo duradero.
Qué decide quien administra
Si eres quien contrata y reparte las cuentas, estas decisiones son tuyas, aunque los tutoriales hablen a cada usuario:
- Qué plan y qué cuentas. Todo el equipo en la cuenta de empresa. En Team y Enterprise, por defecto no se entrena con los datos de la empresa (fuente ↗).
- Qué datos no entran nunca. Una lista corta y escrita: identificadores personales, datos bancarios, datos de salud.
- De dónde salen los datos propios. Un proyecto con el catálogo, la tarifa y las condiciones, y una persona que lo mantiene al día.
- Qué se comprueba siempre y quién. Lo concreto que sale hacia fuera, con un nombre por tarea.
- Qué decisiones no se delegan. Las que afectan a personas, a contratos y a dinero las toma una persona.
- Dónde queda escrito. En una página como la de arriba o en una política de uso de IA.
Prompts para copiar
Son nuestros, hechos a partir de los consejos de los tutoriales. Cambia lo que va entre corchetes.
Antes de responder, ten en cuenta que prefiero un «no lo sé» a un dato inventado. Mi pregunta: [pregunta]. Para cada dato concreto de tu respuesta (cifras, fechas, nombres, normas, enlaces), dime de dónde sale y cómo de seguro estás de 1 a 5. Marca con [comprobar] lo que yo debería verificar en la fuente original.Te pego una respuesta que me diste en otra conversación: [pega la respuesta]. Revísala como si la hubiera escrito otra persona y tuvieras que encontrarle fallos. Busca datos que puedan estar mal, afirmaciones sin fuente y conclusiones que no se siguen. Si citaba fuentes, dime si de verdad dicen lo que se afirma.Quiero una opinión honesta, no ánimos. Te paso [mi propuesta, mi presentación o mi decisión]. Dame primero los tres puntos más débiles y lo que diría alguien que no está de acuerdo. Después, lo que funciona. No tengas en cuenta lo que yo piense de ello.Ayúdame a escribir las reglas de mi empresa para usar Claude con criterio. Somos [número] personas y nos dedicamos a [actividad]. Usamos Claude para [tareas]. Haz una página con: de dónde salen nuestros datos, qué se comprueba siempre y quién, cómo se pide una opinión, qué datos no se pegan nunca, qué decisiones toma siempre una persona y cuándo se abre una conversación nueva. Escríbela para que la entienda cualquiera del equipo y marca con [?] lo que me toque decidir a mí.Los originales de Claude Academy
Para quien quiera el material de Anthropic:
- La colección: How AI works, en inglés.
- Lo básico: ¿Qué sucede cuando hablas con una IA?, ¿Puedes confiar en lo que la IA te dice? y ¿Qué sabe la IA sobre mí?.
- Capacidades y límites: el curso Capacidades y limitaciones de la IA, Las 4 propiedades de la IA, ¿Por qué los modelos de IA alucinan?, ¿Qué es la adulación en los modelos de IA? y ¿Por qué existe el sesgo en los modelos de IA?.
- Para ir más hondo: Tokens: por qué algunas entradas cuestan más que otras y Cómo el contexto afecta el rendimiento y el costo de Claude.
Si quieres que tu equipo lo aprenda con alguien al lado y con vuestras tareas, es lo que hacemos en el programa.