En La Guía del Autoestopista Galáctico, Douglas Adams describe una civilización que decide construir el ordenador más poderoso jamás concebido. Lo llaman Deep Thought. Tarda 7,5 millones de años en procesar la pregunta: “Answer to the Ultimate Question of Life, the Universe, and Everything”. Y cuando por fin da su respuesta, la respuesta es: 42.

Nadie sabe qué significa.

No porque el ordenador fallara. El ordenador funcionó perfectamente. El problema era que nadie había sabido formular la pregunta correcta. Y sin la pregunta correcta, la respuesta más precisa del universo no sirve de nada.

Douglas Adams

Ahora mismo estamos construyendo Deep Thoughts. Solo que ahora no tardan 7,5 millones de años en responder, tardan segundos. Los modelos son más grandes, más rápidos, más baratos. La civilización tecnológica está fascinada con el tamaño del ordenador, con la velocidad de la respuesta, con el coste del token.

Y seguimos sin saber qué pregunta hacer.

Abundancia o Apocalipsis

Llevamos dos años inmersos en el mayor ruido tecnológico de las últimas décadas. Cada semana un nuevo modelo. Cada mes una nueva narrativa. Los titulares oscilan entre la promesa de abundancia y el apocalipsis laboral con una cadencia que ya no sorprende a nadie. La IA va a crear millones de empleos. La IA va a destruir millones de empleos. La IA va a resolver el cambio climático. La IA va a concentrar el poder en manos de unos pocos. Todo a la vez. Con igual convicción. Con igual falta de evidencia.

Este ruido no es accidental. Es estructural. Vivimos en un ecosistema de atención donde la intensidad de la señal importa más que su precisión. Y en ese ecosistema, la IA es el activo más valioso del momento, no como tecnología, sino como narrativa.

El problema es que estamos tomando decisiones estratégicas dentro de ese ruido. Y las decisiones tomadas dentro del ruido tienden a reproducir el ruido.

La construcción nunca fue el problema

La narrativa dominante en el mundo del producto y la tecnología dice algo así: el que más rápido construya con IA ganará. El que optimice mejor sus prompts. El que consuma menos tokens. El que automatice antes su pipeline de desarrollo. Esta narrativa tiene una lógica interna coherente, si el coste de construcción cae, la ventaja competitiva estará en la velocidad.

Pero hay un error fundamental en esa lógica. Asume que el cuello de botella siempre fue la construcción.

No lo fue. Nunca lo fue.

El cuello de botella siempre fue el pensamiento. Entender qué problema estamos resolviendo realmente. Para quién. Por qué ahora. Qué significa que la solución funcione. Estas preguntas no las responde la velocidad. No las responde un modelo de lenguaje. No las responde ninguna herramienta. Las responde el trabajo serio, incómodo y profundamente humano de escuchar, observar y cuestionar.

Lo que ha cambiado con la IA no es la naturaleza del problema. Lo que ha cambiado es el coste de la construcción. Y ese cambio, lejos de hacer irrelevante el pensamiento, lo hace más crítico que nunca.

Un problema mal definido, introducido en una IA, produce una respuesta incorrecta perfectamente construida. A escala. En minutos. Esto no es progreso. Es aceleración en la dirección equivocada.

El espacio que ocupa el problema

Llevo años trabajando como diseñador y estratega en entornos de alta complejidad. Y si hay algo que he aprendido en ese tiempo es que los fracasos más costosos no ocurren en la construcción. Ocurren antes. Ocurren cuando una organización se alinea alrededor de la solución equivocada con toda la convicción del mundo. Cuando el problema que se resuelve es el problema que era cómodo de resolver, no el problema real. Cuando el consenso se confunde con la comprensión.

La IA no elimina ese riesgo. Lo amplifica.

Y sin embargo, la conversación en nuestra industria sigue girando en torno a herramientas, modelos y velocidades. Seguimos replicando, con nueva tecnología, los mismos marcos mentales que producían los mismos problemas antes de que la IA existiera.

Es hora de cambiar eso.

Problem-Driven AI

Lo que comparto hoy es la metodología, mi metodología, mi modelo de pensamientoto puesto al servicio de una nueva era. La llamo Problem-Driven AI. No es una metodología sobre IA. Es una metodología sobre pensamiento, que termina en IA.

Su premisa es simple: el valor no está en la construcción. Está en todo lo que ocurre antes de ella.

Iré publicando la metodología, sus procesos y artefactos a lo largo del tiempo, pero quiero dejar aquí sus fases principales y sus porqués. La metodología se articula en cinco fases que forman una espiral, no un proceso lineal, sino un sistema que aprende con cada iteración y se vuelve más preciso con cada vuelta.

Problem Discovery es la primera fase y la más importante. No un briefing. No una reunión de kickoff. Una investigación real con las personas que viven el problema. Su único objetivo es producir una definición del problema que sea precisa, compartida y validada externamente. Sin esto, todo lo que viene después es ruido bien construido.

Solution Alignment es el proceso iterativo de teorizar soluciones, presentarlas, recoger feedback e iterar hasta que exista un consenso organizacional real, no jerárquico, sino genuino, tanto en el problema como en la solución. Esta fase no termina hasta que ese consenso existe. Un director que dice «adelante» sin entender la solución no es consenso. Es permiso. Son cosas distintas y producen resultados distintos cuando llega la primera dificultad.

Context Engineering es la fase bisagra. La traducción sistemática del problema y la solución a un contexto estructurado, preciso y completo que la IA pueda procesar con fidelidad. Esta es, en mi opinión, la habilidad de mayor palanca de la era de la IA. No es una habilidad técnica. Es una habilidad de pensamiento. La calidad de lo que sale es función directa de la calidad de lo que entra. Un contexto pobre produce resultados pobres independientemente del modelo que uses.

Piénsalo así: si la Fase 1 produce el diagnóstico y la Fase 2 produce la receta, el Context Engineering es el proceso de escribir esa receta en un lenguaje que la cocina pueda ejecutar sin ambigüedad. El cocinero —la IA— no estuvo en la consulta. Solo tiene lo que está escrito. Si está mal escrito, lo que llega al plato no es lo que el médico prescribió.

El contexto se construye con dos tipos de piezas:

• Agentes Roles especializados que procesan el contexto en secuencia, cada uno responsable de una parte de la traducción. El Analyst convierte el problema y la solución en requisitos estructurados. El PM transforma esos requisitos en un PRD con criterios de éxito claros. El Architect define cómo se construirá técnicamente. El Scrum Master desglosa todo en unidades de trabajo autocontenidas, Story Files, que un agente de desarrollo puede ejecutar sin hacerse preguntas.
• Documentos Los artefactos que fijan las decisiones y evitan que se pierdan por el camino. El PRD define qué se construye y para quién. El Architecture Doc elimina las dudas técnicas antes de que aparezcan durante la construcción. Los Story Files son las instrucciones mínimas y completas para cada tarea. Y el project-context.md es la constitución del proyecto: las reglas y decisiones globales que ninguna pieza puede contradecir.

AI Build es donde la construcción ocurre. Y con un contexto de calidad, esta fase tiende a ser la de menor coste y menor fricción de toda la metodología. El trabajo no es gestionar la construcción sino proteger que lo que se construye siga siendo fiel a lo que se pensó. La construcción no es el producto. El pensamiento es el producto.

Market Iteration es el cierre del ciclo y el inicio del siguiente. El producto en el mercado genera señales. Esas señales se traducen en actualizaciones del contexto. El sistema aprende. La espiral avanza. Cada iteración es más precisa que la anterior porque sabe más que la anterior.

El texto más importante de mi carrera

He subtitulado a este artículo «el texto más importante de mi carrera» no por grandilocuencia. Lo he llamado así porque representa el momento personal y profesional que vivo. La IA inaugura una nueva era, una en la que todo cambiará, para mejor o para peor. Problem-Driven AI me devuelve claridad de pensamiento y acción, separa el ruido que recibo de la señal que busco.

Porque si el coste de construcción tiende a cero, y todo indica que esa es la dirección, entonces el único diferenciador real que nos queda como diseñadores, como estrategas, como ingenieros que trabajan en la intersección entre el problema humano y la solución tecnológica es la calidad de nuestro pensamiento.

No la velocidad de nuestras herramientas. La profundidad de nuestras preguntas.

El problema siempre fue el problema. La IA no cambió eso. Solo está haciendo más evidente quién lo entiende y quién no.