Los chatbots llevan mucho tiempo destacando en el mantenimiento del flujo conversacional, pero los GPT (Generative Pre-trained Transformers) han redefinido los límites de las capacidades de la IA conversacional. Al aprovechar los modelos de transformadores para predecir las combinaciones óptimas de secuencias, los GPT han ido mucho más allá de la simple predicción de palabras. Hoy en día, generan de todo, desde código e imágenes hasta clips de audio y perspectivas de mercado, todo ello derivado de complejos conjuntos de datos.
En este post, exploraremos los patrones de diseño que han surgido en la era de las GPT. Este análisis forma parte de una iniciativa más amplia de investigación del diseño para elaborar las soluciones agénticas más eficaces e innovadoras para las herramientas de desarrollo.
Tabla de contenidos
Buenas prácticas en la era de los GPT
Consulta interactiva
✅ Qué hacer: Permitir a los usuarios especificar claramente sus necesidades y ofrecer orientación inicial sobre cómo proceder con las tareas pertinentes.
🙅 Qué no hacer: Dar respuestas demasiado generales sin comprender el contexto o los objetivos específicos del usuario.
Ejemplo: Un usuario pregunta: «¿Cómo puedo mejorar el SEO de mi sitio web?». El sistema responde con un desglose de estrategias clave (por ejemplo, optimización de contenido, backlinking), seguido de: «¿Quieres centrarte en el contenido o en los backlinks?»
Detalle incremental
✅ Qué hacer: Divide las tareas en pasos más pequeños y digeribles, permitiendo a los usuarios solicitar detalles más profundos según sea necesario.
🙅 Qué no hacer: Sobrecargar a los usuarios con información detallada de golpe cuando solo se necesita una visión general de alto nivel.
Ejemplo: Un usuario pregunta: «Explica el machine learning». El sistema proporciona una visión general básica, con la opción de hacer clic en «Más detalles» debajo de cada punto para ampliar el tema.
Refinamiento iterativo
✅ Qué hacer: Animar a los usuarios a revisar y refinar sus indicaciones para mejorar la relevancia de las respuestas generadas.
🙅 Qué no hacer: Asumir que la primera respuesta es definitiva sin ofrecer oportunidades de mejora o refinamiento.
Ejemplo: Un usuario solicita un borrador de correo electrónico y el sistema le permite ajustar el tono o la estructura de forma iterativa hasta que se ajuste a sus preferencias.
Comprensión contextual
✅ Qué hacer: Aprovechar interacciones previas para ofrecer respuestas contextualmente relevantes y coherentes.
🙅 Qué no hacer: Obliga a los usuarios a repetir detalles o contexto ya compartidos anteriormente en la conversación.
Ejemplo: Un usuario pregunta por recetas veganas, y más tarde el sistema sugiere opciones veganas al hablar de la planificación de comidas sin necesidad de recordárselo.
Prompt Feedback Loop (Patrón de redirección)
✅ Qué hacer: Utilizar la retroalimentación del usuario para refinar las indicaciones y guiar las respuestas hacia resultados más precisos o deseados.
🙅 Qué no hacer: Utilizar los comentarios del usuario para refinar las instrucciones y orientar las respuestas hacia resultados más precisos y deseados.
Ejemplo: Tras recibir una respuesta genérica, el usuario aclara: «Me refería a SEO orgánico, no a anuncios de pago», y el sistema ajusta la respuesta para adaptarla a la indicación refinada.
Prompting dinámico
✅ Qué hacer: Modificar los avisos en tiempo real en función de las interacciones de los usuarios para satisfacer mejor sus necesidades cambiantes.
🙅 Qué no hacer: Mantener la conversación estática cuando las entradas del usuario cambian o evolucionan a lo largo de la interacción.
Ejemplo: Un usuario pregunta inicialmente por estrategias de marketing y, tras una conversación posterior, el sistema ajusta el enfoque al marketing de contenidos específicamente, adaptando las respuestas en tiempo real.
Diálogo orientado a los objetivos
✅ Qué hacer: Estructurar la conversación en torno a la consecución de los objetivos específicos del usuario y dirigirlo continuamente hacia su meta.
🙅 Qué no hacer: Dejar que la conversación divague sin centrarse en los resultados previstos del usuario.
Ejemplo: Un usuario expresa su objetivo de lanzar un nuevo producto, y el sistema mantiene la conversación centrada en los pasos y estrategias para hacerlo realidad.
Personalización
✅ Qué hacer: Adaptar las respuestas en función de las preferencias del usuario y las interacciones anteriores para obtener una experiencia más relevante y atractiva.
🙅 Qué no hacer: Proporcionar respuestas genéricas que pasen por alto las necesidades o preferencias específicas del usuario.
Ejemplo: Basándose en las consultas previas del usuario sobre diseño UX, el sistema destaca las mejores prácticas de diseño cuando se le piden consejos para mejorar el producto.
Patrón de varios pasos
✅ Qué hacer: Estructurar las interacciones como una serie dinámica de indicaciones y respuestas que se construyen progresivamente hacia un objetivo final.
🙅 Qué no hacer: Proporcionar respuestas inconexas que no conecten los distintos pasos necesarios para completar la tarea.
Ejemplo: El sistema ayuda a redactar un plan de negocio guiando al usuario a través de secciones como el estudio de mercado, las finanzas y las proyecciones, perfeccionando progresivamente cada paso.
Patrón de restricciones
✅ Qué hacer: Establecer límites o condiciones claras en el prompt para asegurar que las respuestas del sistema se alinean con criterios específicos.
🙅 Qué no hacer: Dejar que el modelo genere respuestas que ignoren las restricciones, dando lugar a salidas irrelevantes o inutilizables.
Ejemplo: Un usuario pide una estrategia de medios sociales dentro de un presupuesto mensual de $ 500, y el sistema se adhiere estrictamente a esta restricción financiera al ofrecer sugerencias.
Patrón de datos estructurados
✅ Qué hacer: Utilizar las capacidades del modelo para procesar datos estructurados para tareas como generar informes, extraer insights o analizar información.
🙅 Qué no hacer: Presentar datos no estructurados sin aprovechar la capacidad del modelo para manejar información organizada de manera eficiente.
Ejemplo: El sistema genera un informe resumido a partir de un archivo CSV estructurado que detalla el rendimiento de las ventas, destacando las tendencias y métricas clave.
Patrón Fallback
✅ Qué hacer: Incluir planes de contingencia o soluciones alternativas cuando las respuestas iniciales puedan no satisfacer plenamente las expectativas del usuario.
🙅 Qué no hacer: Dejar a los usuarios sin opciones si la consulta inicial no produce los resultados deseados.
Ejemplo: Si el sistema no puede encontrar información específica, ofrece una alternativa como: «¿Quiere que busque temas relacionados en su lugar?»
Patrón de extractor
✅ Qué hacer: Utilizar el modelo para extraer la información clave del texto proporcionado y resumir los detalles importantes.
🙅 Qué no hacer: Sobrecargar al usuario con demasiada información extraña que dificulte la búsqueda de detalles relevantes.
Ejemplo: El sistema extrae detalles importantes de un contrato, como las partes implicadas, los términos y las fechas, lo que permite al usuario revisar rápidamente los puntos clave.
Patrón de clasificación
✅ Qué hacer: Categorizar el texto en clases predefinidas para ayudar a los usuarios a organizar la información de forma eficaz.
🙅 Qué no hacer: Dejar al usuario con datos sin clasificar o categorizar difíciles de navegar.
Ejemplo: Un usuario envía comentarios de clientes y el sistema los clasifica en categorías como «Solicitudes de funciones», «Informes de errores» y «Comentarios generales.»
Patrón de resumen
✅ Qué hacer: Destilar textos largos en resúmenes concisos para ayudar a los usuarios a captar los puntos clave rápidamente.
🙅 Qué no hacer: Resumir en exceso hasta el punto de perder detalles importantes o el contexto.
Ejemplo: El sistema ofrece un breve resumen de un extenso trabajo de investigación, centrándose en las principales conclusiones y la metodología.
Patrón de traductor
✅ Qué hacer: Traducir textos de un idioma a otro con precisión, teniendo en cuenta el contexto y los matices.
🙅 Qué no hacer: Proporcionar traducciones excesivamente literales que pasen por alto significados idiomáticos o el contexto cultural.
Ejemplo: Un usuario solicita la traducción de una propuesta de negocio del inglés al español, y el sistema se asegura de que la terminología específica del negocio se transmite con precisión.
Los patrones de diseño esbozados en este post proporcionan un marco para crear experiencias de IA conversacional que no sólo son eficientes, sino también profundamente intuitivas y centradas en el usuario. Desde la consulta interactiva hasta la personalización y las sugerencias dinámicas, estos patrones demuestran el poder de las GPT para adaptarse, perfeccionarse y ofrecer resultados significativos en diversos casos de uso.
A medida que nos adentramos en un mundo en el que la IA conversacional evoluciona de asistentes estáticos a agentes dinámicos y proactivos, la próxima frontera la constituyen los patrones de diseño agéntico. Estos patrones se centran en capacitar a los sistemas de IA para actuar de forma autónoma, experimentar en nombre del usuario y colaborar para alcanzar objetivos complejos.
En nuestro próximo artículo, exploraremos cómo estos principios de diseño agéntico están reconfigurando el papel de la IA, permitiendo a los sistemas ofrecer resultados con una orientación mínima y manteniendo la alineación con la intención del usuario. Juntos, descubriremos el plan para diseñar agentes de IA que no sólo respondan, sino que sean verdaderamente transformadores. Permanezca atento.
In Plain English
¡Gracias por formar parte de la comunidad In Plain English! Antes de que te vayas:
- Síguenos en X | LinkedIn | YouTube | Discord | Newsletter | Podcast
- Crea un blog gratuito con IA en Differ.
- Más contenido en PlainEnglish.io