En Auditour mantenemos y desarrollamos páginas web de clientes que no se parecen en nada entre sí: consultas médicas, hostelería, notarías, espectáculos, servicios profesionales. Cuando decidimos incorporar la inteligencia artificial al trabajo diario dábamos por hecho que el reto sería técnico. Nos equivocamos. El reto ha sido organizativo, y creo que es la parte de la que menos se habla.
Lo escribo porque es una conversación que estamos teniendo con clientes casi cada semana. Todos han probado la IA. Bastantes se han quedado en la sensación de que va bien para redactar un correo y mal para cualquier cosa seria. Nuestra experiencia dice que esa frontera no la marca el modelo: la marca cómo tienes organizado lo que le das.
Vengo de la economía, no del desarrollo, y eso me hace mirar esto de una manera concreta: la inteligencia artificial no se evalúa por lo que produce, sino por lo que cuesta que lo que produce sea utilizable. Ese segundo número es el que decide si la inversión tiene sentido, y es el que casi nadie mide.
El cuello de botella no es el modelo, es el contexto
Las herramientas que usamos en la empresa son las de siempre en el sector: tenemos suscripciones activas a Claude, a Gemini y a ChatGPT. Ninguna de las tres es el problema. Todas responden bien cuando saben de qué están hablando y todas producen respuestas plausibles y equivocadas cuando no lo saben.
Ese matiz es el que cuesta interiorizar. Un modelo sin el contexto adecuado no te dice «no lo sé»: te da una respuesta razonable, coherente con lo que sí sabe, y perfectamente inservible. Si trabajas con webs de clientes, eso significa recomendaciones sobre plugins que ese cliente no tiene, referencias a una estructura que no es la suya o un tono que no es el de su marca.
Y aquí está el punto que me interesa como economista: el coste no es el error, es la verificación. Una respuesta correcta y una respuesta plausible pero falsa se parecen lo suficiente como para que haya que revisar las dos con el mismo detenimiento. Si no reduces la proporción de respuestas malas, no ahorras tiempo: lo trasladas de producir a comprobar. Toda la organización que describo a continuación existe para mover ese ratio, no para que la herramienta escriba más bonito.
En una consultora el problema se multiplica por el número de clientes
Un profesional que trabaja solo tiene un contexto que mantener ordenado: el suyo. Nosotros tenemos tantos como webs gestionamos. Cada una tiene su hosting, su combinación de plugins, su sector, su normativa aplicable, su historial de incidencias y su forma de hablarle a su público.
El riesgo real, por tanto, no es que la IA se equivoque en abstracto. Es que aplique a un cliente lo que aprendió trabajando con otro. Una recomendación válida para una notaría puede ser inadecuada para una clínica, y un criterio editorial que funciona en hostelería es un problema en contenido sanitario. Mantener esos contextos separados y bien definidos es, con diferencia, la parte más laboriosa del trabajo, y la que decide si la IA te ahorra horas o te las cuesta.
Separar lo que se lee de lo que se procesa
La primera decisión que cambió nuestros resultados fue dejar de tratar todos los archivos como si fueran lo mismo. Un informe que sirve para entender un proyecto y una exportación de datos en bruto no cumplen la misma función, aunque los dos vivan en la misma carpeta. Mezclarlos hace que la herramienta gaste esfuerzo intentando «comprender» ficheros que solo había que procesar, y que a veces interprete un borrador antiguo como si fuera una instrucción vigente.
Alex Borrás documentó en detalle el patrón de carpetas que aplicamos, con el criterio para decidir dónde va cada archivo, en cómo organizar un proyecto en Claude Cowork. Es la pieza más práctica de todas y la que recomendamos empezar por implantar, porque el rendimiento mejora desde el primer día sin tocar nada más.
Las instrucciones no pueden ser un cajón de sastre
El segundo problema aparece cuando llevas varios proyectos abiertos. Las instrucciones se van llenando de reglas añadidas sobre la marcha —una de estilo, otra de formato, otra de qué no hacer— hasta que se convierten en un texto plano donde todo pesa lo mismo. A partir de ahí las respuestas empeoran y, lo que es peor, ya no sabes dónde tocar cuando algo falla.
La estructura que usamos separa el contexto del proyecto, las reglas de respuesta y las salvaguardas contra errores fácticos en tres bloques distintos. Está explicada, con dos ejemplos reales de proyectos muy diferentes, en el método de los 3 capítulos. Lo relevante para una empresa es que el esqueleto se mantiene igual en todos los proyectos y solo cambia el contenido: eso hace que un compañero pueda entrar en un proyecto ajeno y orientarse en cinco minutos.
Cada regla tiene su sitio
Hay una tentación evidente cuando descubres que las herramientas se pueden personalizar: personalizarlo todo, en todas partes. Nosotros la hemos padecido. La consecuencia es que acabas con reglas duplicadas y a veces contradictorias, y con un mantenimiento que nadie quiere asumir.
El artículo Claude: proyectos y skills, cómo usarlos aborda exactamente esa jerarquía: qué debe ir en las preferencias generales, qué en las instrucciones de un proyecto concreto y qué merece convertirse en un procedimiento reutilizable. Nos ahorró bastante trabajo mal invertido.
Del proyecto concreto al conocimiento de la empresa
Resolver la organización de un proyecto es el primer paso. El segundo es más ambicioso y es donde estamos ahora: que el conocimiento acumulado en años de trabajo —protocolos, incidencias resueltas, criterios de decisión— no se quede repartido entre correos, carpetas y la memoria de quien estuvo aquel día. Una empresa pequeña que no documenta pierde exactamente aquello que la hace competente.
Ese trabajo de gestión del conocimiento está tratado en Obsidian y GTD para la gestión del conocimiento, que enlaza el archivo personal de notas con una metodología de productividad ya conocida. Es la parte menos vistosa de todo esto y probablemente la que más valor deja a medio plazo.
La puerta de verificación sigue siendo humana
Quiero terminar con la regla que no negociamos. Nada generado con inteligencia artificial llega a la web de un cliente sin que una persona lo haya revisado antes. Ni un texto, ni un fragmento de código, ni una recomendación técnica.
No es desconfianza hacia la herramienta: es que la responsabilidad ante el cliente es nuestra y no se delega. La IA nos ha permitido asumir más trabajo y hacerlo mejor documentado, pero el criterio sobre qué se publica y qué no sigue estando donde debe estar. Cualquier proveedor que le diga lo contrario le está vendiendo otra cosa.
Quién lleva esto en Auditour
Toda la metodología que acabo de resumir la ha desarrollado y documentado mi socio Alex Borrás, que es nuestro experto en Inteligencia Artificial y quien dirige la aplicación de estas herramientas en los proyectos de la empresa. Yo aporto la otra mitad de la ecuación: que lo que hacemos con estas herramientas tenga sentido económico para el cliente y para nosotros.
Si está planteándose cómo introducir la IA en el trabajo de su negocio sin perder el control de lo que se publica, hablemos. Y si lo que necesita es simplemente que su web esté en buenas manos, ese es nuestro servicio de mantenimiento WordPress profesional.
