goodsapiens.es · lab · mapa operativo · una sesión con IA

El ciclo, con las puertas puestas

Cada marco es una puerta: responde su pregunta-activación y decide si lo activas en esta sesión o lo saltas. Toca las tarjetas para fijar tu configuración (se recuerda entre visitas). No todo se activa siempre — activar por costumbre es latencia.

La IA genera y ejecuta. Tú encuadras, evalúas, integras y decides — pero solo donde aportas ventaja. Este mapa existe por una trampa concreta: trabajar con IA produce una sensación fuerte de aprender y de pensar bien, y esa sensación no es la prueba de que esté pasando. Las puertas reintroducen, una a una, las operaciones que la fluidez elimina.
¿por qué funciona? · la base (Bjork, UCLA)

La memoria tiene dos fuerzas (Bjork & Bjork): storage strength — cuán integrado está algo con lo que ya sabes; el aprendizaje durable — y retrieval strength — cuán accesible está ahora mismo. Tu metacognición solo siente la segunda. Cuando el material fluye, sientes "lo sé"; pero estás midiendo accesibilidad momentánea, sostenida por el contexto y el andamiaje presentes.

En una sesión de co-creación, la IA mantiene ese andamiaje activo de principio a fin: todos los indicadores de "estoy aprendiendo" están en máximos, y la consolidación real puede ser nula — quien ejecuta las operaciones costosas (recuperar, estructurar, discriminar, generar) es quien consolida. Es la fluency illusion, y no se detecta desde dentro: las contramedidas tienen que ser estructurales. Eso son las puertas.

El matiz que evita el moralismo: delegar no es el error — cuando el objetivo es el entregable, delegar es la jugada correcta. El error es delegar creyendo que estás aprendiendo. Cada puerta lleva su «por qué» abajo; el test de cierre hace el resto.

Puerta maestra · ventaja / latencia ¿Mi juicio en esta tarea cambia el resultado? Sí → entra en el bucle, quédateNo → delega: la IA propone, tú ratificas Por qué es la maestra: tu presencia siempre cuesta tiempo. Solo se justifica donde tu criterio, contexto o responsabilidad cambian el resultado — lo demás es latencia disfrazada de control. Este filtro decide, antes que nada, si el resto del mapa aplica.
01 Antes encuadrar
Spec-first ·spec
encuadre
¿El resultado deseado es ambiguo o novedoso?
Sí → escribe la especificación antes de pedir nada
No → basta con pedirlo claro
Un encuadre malo hace inútil todo lo que viene después. Escribir qué es «terminado» permite refutar la especificación antes de gastar trabajo, no el resultado después — y la refutación de mayor valor es la del objetivo, no la del camino.
Eval-first ·eval
evaluación
¿Reconocería un mal resultado a simple vista?
No → define cómo lo vas a juzgar antes de verlo
Sí → salta
Si el juez existe antes que la producción, dejas de confiar en la sensación — que con el resultado delante estará siempre inflada.bjork · foresight bias: evaluar con el apoyo presente engaña
Modo ·timing
tiempo
¿Esta sesión es para generar o para evaluar?
Fija uno → nunca los dos en el mismo pase
Mezclados se contaminan: la crítica mata ideas verdes y la generación ablanda la crítica. Y hay una segunda decisión dentro: ¿ejecutar o aprender? La ilusión de fluidez vive en no distinguirlos.bjork · learning ≠ performance: no factures producción como aprendizaje
02 Durante dejar producir
Descomposición
contexto limpio
¿La tarea excede un solo pase con contexto limpio?
Sí → pártela; a cada pieza solo su contexto
No → un pase basta
La IA rinde mejor cuando cada pieza recibe solo el contexto que necesita. Sin sobre-ingeniería: separar tareas basta; las orquestaciones multi-agente para trabajo individual son coste sin retorno.
Generar sin criticar
separación de modos
¿Estoy generando ahora mismo?
Sí → no critiques en este pase
deja las ideas verdes respirar
Las ideas nuevas nacen mal defendidas; la presión temprana las mata antes de saber si valían. Ajusta la intensidad de la crítica a la madurez de la idea. Y si quieres aprender: tu boceto primero, la IA después — así su respuesta es feedback sobre tu intento, no sustituto de él.bjork · generation effect: quien genera, consolida
03 Después evaluar · integrar · expandir
Refutación
evaluación
¿Sé qué haría cambiar mi conclusión?
No → es teatro, no refutación
Sí → refuta; intensidad según madurez
Una objeción solo cuenta si nombra qué te haría cambiar de opinión; si no, suena afilada y no mueve nada. Pide a la IA que ataque y te obligue a discriminar entre alternativas — no que te entregue la síntesis hecha.bjork · discriminación: elegir entre opciones consolida; ratificar, no
Artefacto
integración
¿Esta sesión merece dejar algo durable?
Sí → deja un artefacto que alimente la siguiente
No → cierra
El chat es efímero: se evapora con cada reset de contexto. Los documentos durables acumulan — son el sustrato real de la colaboración con la IA, y lo que permite que la sesión siguiente empiece más arriba.
Teach-back
expansión
¿Me llevo un modelo/criterio que sé articular?
No → reexplícalo sin la IA hasta poder
Sí → lo hiciste tuyo
Articular el razonamiento sin mirar el chat es el único medidor fiable: mide lo almacenado, no lo accesible. Si no sale, la sesión produjo output y no aprendizaje — dato valioso, no fracaso. Solo cuenta lo que puedas hacer sin la IA delante, días después, en otro contexto.bjork · retrieval practice + transferencia: el test que no engaña
↺ cierre del bucle Después → la práctica revela fallos → vuelve a la reflexión y corrige la teoría. El modelo se usa; la reflexión se actualiza. Ese ida y vuelta es, él mismo, integración por artefactos.