Perfil de uso de asistentes

4 preguntas

Pregunta 1 — Herramientas utilizadas

¿Qué LLMs o asistentes de IA utilizas actualmente?

ChatGPT Gemini Claude NotebookLM DeepSeek Otro

Pregunta 2 — Formatos de salida

¿Qué tipos de archivos o formatos de salida pides o utilizas más con asistentes de IA?

Texto/Markdown PDF DOCX PPTX XLSX/CSV HTML Imágenes Otro

Pregunta 3 — Uso habitual

Cuando le hago una pregunta a ChatGPT, normalmente:

Pregunto sin usar una estructura. Intento ser específico sobre lo que quiero. Incluyo algo de contexto y expectativas. Estructuro mis consultas con funciones, contexto e instrucciones específicas.

Pregunta de autodiagnóstico: no se marca como correcta o incorrecta.

Pregunta 4 — Mejora de prompts

Si ChatGPT me da una respuesta que no me gusta, usualmente:

Me rindo e intento otra cosa. Vuelvo a hacer la misma pregunta y espero una respuesta mejor. Perfecciono mi pregunta con más detalles. Analizo qué ha fallado y mejoro sistemáticamente la estructura de mi prompt.

Pregunta de autodiagnóstico: no se marca como correcta o incorrecta.

Técnicas de prompting

2 preguntas

Pregunta 5 — Comprensión conceptual

¿Cuál es la diferencia más útil entre zero-shot y few-shot prompting?

Zero-shot pide la tarea sin ejemplos; few-shot añade ejemplos para guiar formato, estilo o criterio de respuesta. Zero-shot se usa cuando el modelo debe razonar sin contexto; few-shot se usa cuando queremos que consulte documentos cargados. Zero-shot prioriza creatividad y few-shot prioriza precisión factual, siempre que ambos usen la misma herramienta. No conozco este término.

Pregunta 6 — Aplicación práctica

¿Cuándo tiene más sentido usar Tree of Thoughts frente a un prompt directo?

Cuando conviene explorar varias rutas de solución, comparar alternativas y elegir con criterios explícitos. Cuando el problema consiste en imitar un formato ya definido a partir de uno o dos ejemplos representativos. Cuando se quiere compactar un texto largo sin perder información clave y manteniendo una longitud parecida. No conozco este término.

NotebookLM, fuentes y gestión de conocimiento

3 preguntas

Pregunta 7 — Uso de NotebookLM

¿Cómo integras NotebookLM en tu gestión de información y fuentes externas?

No conozco la herramienta o no la he probado todavía. La conozco, pero solo la uso ocasionalmente para resúmenes rápidos de textos sueltos. Subo mis propios documentos para interactuar con ellos y asegurar que la IA no invente datos. La uso como centro de conocimiento, cruzando múltiples fuentes y generando guías o audios estructurados.

Pregunta de autodiagnóstico: no se marca como correcta o incorrecta.

Pregunta 8 — Comprensión conceptual

¿Qué aporta una herramienta orientada a fuentes, como NotebookLM, frente a un chat generalista?

Permite anclar respuestas a documentos concretos y comprobar de dónde sale la información usada. Reduce la necesidad de verificar resultados porque solo trabaja con documentos que ya estaban aprobados. Mejora la redacción final porque separa automáticamente información factual, hipótesis y opinión.

Pregunta 9 — Proceso, herramienta o buena práctica

Si cargas varias fuentes sobre un tema y algunas se contradicen, ¿qué instrucción es más adecuada?

Pedir que identifique contradicciones, cite las fuentes implicadas y separe hechos confirmados de puntos dudosos. Pedir una síntesis única que priorice las fuentes más recientes, porque suelen corregir las versiones anteriores. Pedir que combine las fuentes en una guía coherente y marque solo las partes que no pueda integrar.

Análisis y tratamiento de datos con IA

3 preguntas

Pregunta 10 — Uso de datos

¿De qué manera utilizas la IA para el análisis y tratamiento de datos?

No uso la IA para datos, prefiero hacerlo manualmente o no es parte de mi rutina. Le pido que me explique conceptos de tablas o que haga cálculos matemáticos básicos. Subo archivos CSV/Excel para que identifique tendencias y cree resúmenes de datos rápidamente. Automatizo la limpieza, realizo análisis estadísticos complejos y pido visualizaciones avanzadas.

Pregunta de autodiagnóstico: no se marca como correcta o incorrecta.

Pregunta 11 — Comprensión conceptual

Antes de pedir a una IA que analice una hoja de cálculo, ¿qué conviene aclarar primero?

Qué representa cada fila y columna, qué pregunta se quiere responder y qué datos pueden estar incompletos. Qué gráfico final se quiere obtener, porque la visualización guía al modelo para interpretar la tabla. Qué columnas parecen más importantes, dejando que el modelo infiera el resto de relaciones.

Pregunta 12 — Aplicación práctica

Un asistente detecta una tendencia en un Excel, pero la hoja tiene estados escritos de formas distintas. ¿Qué respuesta muestra mejor criterio?

Validar y normalizar los datos antes de aceptar la tendencia como lectura fiable. Aceptar la tendencia si aparece en varias columnas y pedir al asistente un gráfico de confirmación. Pedir una explicación cualitativa de la tendencia para compensar los posibles errores de registro.

Fundamentos y límites de la IA generativa

3 preguntas

Pregunta 13 — Comprensión conceptual

¿Cuál describe mejor cómo trabaja un modelo de lenguaje generativo?

Genera respuestas a partir de patrones aprendidos y del contexto recibido, por lo que puede ser útil sin garantizar verdad absoluta. Reconstruye respuestas desde una base interna de hechos verificados y usa el prompt para elegir el nivel de detalle. Aplica razonamiento experto de forma estable, pero puede fallar cuando el usuario no define bien el rol.

Pregunta 14 — Aplicación práctica

Un asistente responde con seguridad a una pregunta técnica, pero no aporta fuente ni explica límites. ¿Qué lectura es más adecuada?

La seguridad del tono no basta: conviene pedir evidencia, supuestos y contrastar la información si afecta a una decisión. La respuesta puede usarse si el razonamiento interno parece consistente y no contradice lo que ya sabes. La respuesta sirve como conclusión provisional si el modelo ha seguido exactamente el formato pedido.

Pregunta 15 — Proceso, herramienta o buena práctica

¿Qué práctica demuestra una comprensión básica de las limitaciones de la IA generativa?

Separar generación, revisión y validación, especialmente cuando hay datos, normativa o decisiones importantes. Pedir una segunda respuesta independiente para comprobar si el modelo llega a la misma conclusión. Usar modelos distintos para comparar resultados y quedarse con la respuesta más completa.

Contexto, memoria y trabajo con archivos

4 preguntas

Pregunta 16 — Comprensión conceptual

¿Qué es la ventana de contexto en un asistente de IA?

La cantidad de información que el modelo puede tener en cuenta en una interacción, incluyendo instrucciones, archivos y conversación. La memoria acumulada del asistente entre sesiones, incluyendo preferencias, documentos y conversaciones antiguas. La parte del sistema donde el modelo guarda temporalmente los documentos que considera más relevantes.

Pregunta 17 — Aplicación práctica

Tras una conversación muy larga, el asistente empieza a repetir errores y mezclar versiones. ¿Qué decisión es más adecuada?

Resumir el estado válido, abrir una sesión limpia o reorganizar el contexto antes de seguir. Mantener el chat para conservar trazabilidad y pedir al modelo que ignore las versiones descartadas. Cambiar a un modelo más potente para que pueda manejar mejor el historial acumulado.

Pregunta 18 — Proceso, herramienta o buena práctica

Al trabajar con varios documentos, ¿qué práctica reduce errores de interpretación?

Nombrar fuentes, indicar qué debe extraerse de cada una y pedir que señale lagunas o contradicciones. Unificar todos los documentos en un solo archivo para que el modelo lea el material como un bloque coherente. Pedir primero un resumen global y después hacer preguntas concretas sobre las partes más importantes.

Pregunta 19 — Proyectos, contexto y Markdown

¿Qué uso de proyectos, contexto y Markdown muestra un trabajo más ordenado con IA?

Crear un proyecto por objetivo, cargar o resumir el contexto estable y pedir salidas en Markdown con títulos, listas o tablas claras. Mantener un único proyecto general para que la IA acumule todo el contexto y usar Markdown solo al final para dar formato. Trabajar en chats separados para cada tarea y copiar manualmente el contexto importante cuando haga falta una salida estructurada.

Síntesis, razonamiento y verificación

3 preguntas

Pregunta 20 — Comprensión conceptual

¿Qué busca la técnica Chain of Density al resumir un texto?

Aumentar la densidad informativa incorporando ideas relevantes sin limitarse a alargar el resumen. Producir varias ramas de resumen para comparar interpretaciones antes de escoger una conclusión. Reducir un texto por capas hasta conservar solo entidades, fechas, decisiones y riesgos.

Pregunta 21 — Aplicación práctica

Necesitas información actualizada sobre una herramienta o norma que puede haber cambiado. ¿Qué comportamiento muestra mejor criterio?

Buscar o pedir fuentes recientes, comparar fechas y no basar la decisión solo en memoria del modelo. Pedir al asistente que declare su fecha de conocimiento y que responda solo si tiene alta confianza. Cruzar dos modelos distintos y aceptar la información que ambos formulen con más precisión.

Pregunta 22 — Proceso, herramienta o buena práctica

¿Qué combinación encaja mejor si quieres investigar un tema, resumir fuentes densas y contrastar decisiones?

Fuentes verificables para investigar, Chain of Density para sintetizar y criterios explícitos para comparar conclusiones. Few-shot para buscar fuentes, zero-shot para resumirlas y Tree of Thoughts para evitar depender de citas. Tree of Thoughts para comprimir documentos, Chain of Density para generar ejemplos y zero-shot para decidir.

Elección de herramientas y mejora continua

3 preguntas

Pregunta 23 — Comprensión conceptual

¿Qué criterio es más sólido para elegir una herramienta o modelo de IA?

Ajustar herramienta, modelo y configuración a la tarea, necesidad de fuentes, complejidad y formato de salida. Usar la herramienta con más funciones disponibles, porque permite resolver más tipos de tareas en un solo flujo. Elegir el modelo más avanzado para tareas abiertas y una herramienta documental para tareas con archivos.

Pregunta 24 — Aplicación práctica

¿Cuándo tiene sentido usar un modelo más ligero o rápido en lugar del más potente?

Cuando la tarea es rutinaria, de bajo riesgo o necesita iteraciones rápidas más que razonamiento profundo. Cuando se busca evitar alucinaciones, porque los modelos ligeros tienden a responder con menos elaboración. Cuando se trabaja con datos tabulares, porque el coste del modelo importa más que la profundidad del análisis.

Pregunta 25 — Proceso, herramienta o buena práctica

¿Qué práctica ayuda a mejorar el uso de IA con el tiempo?

Guardar prompts útiles, revisar fallos frecuentes y convertir buenos procesos en plantillas reutilizables. Mantener conversaciones largas con cada herramienta para que el asistente aprenda progresivamente tu estilo. Usar siempre la misma estructura de prompt para reducir variabilidad y comparar mejor los resultados.

Incluye preguntas de conocimiento y preguntas de autodiagnóstico de uso.

Faltan preguntas por responder. Las he marcado para que puedas localizarlas.

0% 0 de 21 aciertos

Nivel

Resultado global

Guarda el archivo con tu nombre y envíalo a produccion@mrcohl.com

Descubre tu nivel de IA con este test

Diagnóstico de uso y comprensión de herramientas de IA

Perfil de uso de asistentes

Técnicas de prompting

NotebookLM, fuentes y gestión de conocimiento

Análisis y tratamiento de datos con IA

Fundamentos y límites de la IA generativa

Contexto, memoria y trabajo con archivos

Síntesis, razonamiento y verificación

Elección de herramientas y mejora continua

Resultado global