En GooApps®, 2025 fue el año en el que dejamos de “probar IA” para empezar a trabajar con IA generativa con criterio. Invertimos más de 1.000 horas en formación, investigación y desarrollo interno para aprender a aplicar la IA de forma útil, verificable y responsable, evitando tanto el humo como los atajos peligrosos.
Este aprendizaje no se quedó en teoría. Nos permitió definir buenas prácticas reales para el uso de IA generativa, tanto en el trabajo diario como en el desarrollo de software, con un foco claro: acelerar sin perder control, criterio ni responsabilidad.
Este artículo recoge ese aprendizaje en dos planos complementarios: el uso general de la IA generativa en el día a día y su aplicación práctica en entornos de desarrollo.
La IA generativa es extremadamente potente y precisamente por eso debe usarse con método. En nuestra experiencia, los problemas más habituales no vienen de que “la IA falle”, sino de patrones recurrentes de mal uso:
Contexto incompleto o excesivamente genérico.
Objetivos ambiguos del tipo “hazlo mejor”.
Ausencia de restricciones claras de estilo, formato o stack.
Falta de validación, pruebas o revisión humana.
En el plan de formación interna de GooApps®, la conclusión fue clara: si no podemos explicar el resultado, probarlo y asumir responsabilidad sobre él, entonces no estamos ante un avance, sino ante un riesgo. Esta premisa guía todas nuestras prácticas de uso de IA generativa.
Una de las prácticas que más impacto nos ha dado es pedirle a la propia IA que nos ayude a construir prompts robustos y reutilizables, en lugar de improvisarlos cada vez.
Esto transforma el uso de la IA generativa: se pasa de probar prompts al vuelo a trabajar con briefs bien definidos, consistentes y reutilizables. El resultado es una mejora muy significativa en la calidad y estabilidad del output.
Este enfoque convierte el prompt en una pieza de trabajo en sí misma, no en un simple texto de entrada.
Plantilla — Meta-prompt para generar un prompt robusto
Actúa como un experto en prompt engineering.
Quiero que me diseñes un PROMPT robusto para la siguiente tarea:
[TAREA]
Antes de escribir el prompt final:
Cuando termines, entrégame solo el prompt final (versión B) listo para copiar y pegar.
Ejemplo de uso (día a día)
Tarea: resumir una reunión y generar siguientes pasos.
Resultado: un prompt que obliga al modelo a pedir contexto (objetivo, audiencia, tono, decisiones tomadas, responsables) y entrega un resumen accionable en un formato estándar y reutilizable.
Una de las prácticas más rentables que aplicamos de forma sistemática es obligar al modelo a detectar ambigüedades y pedir contexto antes de ejecutar la tarea.
Incluir explícitamente instrucciones del tipo “pregúntame tus dudas antes de actuar” fuerza a la IA a explicitar supuestos, detectar huecos de información y evitar respuestas inventadas. El cambio de calidad respecto a un prompt directo es inmediato y medible.
Plantilla — Coletilla para mejorar calidad del resultado
Antes de ejecutar la tarea:
Mini ejemplo
Tarea: redactar una propuesta para un cliente con IA.
Sin esta coletilla, el resultado suele ser genérico.
Con esta coletilla, el modelo pregunta sector, objetivo, alcance, riesgos, plazos y diferenciadores, elevando significativamente la calidad final.
Cuando se trabaja con IA generativa de forma recurrente, la estructura del prompt importa tanto como el contenido. Utilizar una estructura clara basada en contexto, objetivo, alcance, restricciones, ejemplos y criterios de calidad permite obtener resultados consistentes tanto para perfiles junior como senior.
Plantilla — Estructura de prompt reutilizable
CONTEXTO
Quién eres, qué necesitas y para qué se usará el resultado.
Audiencia y tono.
OBJETIVO
Qué quieres conseguir, definido en una frase clara y medible.
ALCANCE
Qué entra y qué queda fuera. Límites explícitos.
DATOS / INPUT
Información relevante, textos base, fuentes o enlaces.
RESTRICCIONES
Formato de salida (tabla, lista, email, JSON…).
Longitud aproximada.
Idioma.
Reglas específicas (no inventar, citar fuentes, etc.).
EJEMPLOS
Ejemplo de buen output.
Ejemplo de mal output (qué evitar).
CRITERIOS DE CALIDAD
Entre 3 y 7 checks para validar el resultado.
PREGUNTAS
Antes de empezar, pregúntame lo necesario.
Este tipo de estructura reduce errores, facilita la validación posterior y convierte la interacción con la IA en un proceso controlado, no en una conversación improvisada.
En GooApps® utilizamos distintos modelos de IA generativa en función de la tarea. No hay un modelo universalmente superior: el rendimiento depende del tipo de trabajo, de las restricciones de contexto, del coste, de la latencia y, sobre todo, de cómo se estructura el prompt.
Para tareas de ideación, documentación y síntesis, los modelos con buena capacidad de estructuración y seguimiento de instrucciones ofrecen mejores resultados. En tareas de código, refactor y debugging, el factor diferencial suele ser la capacidad del modelo para entender contexto y mantener coherencia en un codebase real.
Comparativa práctica de modelos por tipo de tarea
| Tarea | Modelo recomendado | Por qué lo elegimos |
|---|---|---|
| Refactorización y Código Complejo | Claude 3.7 (Anthropic) | Su capacidad de «extended thinking» y manejo de contexto largo es superior para entender arquitecturas legadas sin romperlas. |
| Ideación y Documentación | GPT-4.1 (OpenAI) | Excelente seguimiento de instrucciones (instruction following) y consistencia en formatos estructurados. |
| Razonamiento Multimodal | Gemini 2.5 Pro (Google) | Ideal cuando necesitamos analizar vídeo o grandes volúmenes de datos multimodales en una sola ventana de contexto. |
Ideación, documentación y síntesis
Muy bien: GPT-4.1 (estructura y consistencia).
También bien: Claude (especialmente para matices y tono humano).
Gemini: útil para razonamiento amplio y contexto largo.
Código, refactors y debugging
Claude: especialmente eficaz entendiendo codebases y manteniendo coherencia.
GPT-4.1: sólido con buena especificación y tests.
Gemini 2.5 Pro: competitivo si se le da buen contexto y herramientas.
Trabajo con herramientas, agentes y conectores
El factor decisivo no es el modelo, sino el contexto disponible y los permisos. Aquí es donde los MCPs marcan la diferencia.
En el trabajo con herramientas, agentes o conectores, la clave ya no es la “inteligencia pura” del modelo, sino el acceso a contexto fiable y actualizado. Y ahí entran en juego los MCPs.
En el día a día de desarrollo, en GooApps® trabajamos con copilotos integrados en IDEs como JetBrains, VS Code o Cursor, según el proyecto. El objetivo no es que la IA escriba código sin supervisión, sino integrarla en un flujo fiable.
Una regla interna es clara: si el copiloto genera código, se le exige lo mismo que a una persona. Coherencia arquitectónica, respeto al estilo del repositorio, manejo correcto de errores, tests y revisión.
Para tareas de código, pedimos explícitamente planes de cambios, diffs por archivo, tests mínimos y una lista de riesgos. Esto convierte la IA en un asistente de desarrollo, no en un generador ciego de código.
El verdadero multiplicador aparece cuando el copiloto trabaja con contexto vivo.
Regla interna en GooApps®
Si el copiloto genera código, exigimos lo mismo que si lo hubiera hecho una persona:
Ejemplo de prompt para una tarea de desarrollo
Necesito un refactor para separar la lógica de validación del controlador.
Devuélveme:
El Model Context Protocol (MCP) es un estándar abierto diseñado para conectar asistentes de IA generativa con los sistemas donde vive el contexto real: repositorios, documentación, herramientas de negocio o entornos de diseño.
En la práctica, los MCPs permiten que la IA consulte documentación interna, tickets, especificaciones o diseños, reduciendo invenciones y aumentando la relevancia de las respuestas.
En GooApps®, el valor principal de los MCPs es que reducen el “juego del teléfono” entre requisitos, diseño e implementación. El contexto deja de depender de la memoria de las personas y pasa a ser accesible, trazable y verificable.
MCPs que más valor aportan en nuestro flujo
Atlassian MCP (Jira + Confluence)
Permite traer criterios de aceptación al contexto del copiloto, validar alcance y generar resúmenes con trazabilidad.
Context7
Inyecta documentación y ejemplos actualizados para evitar uso de APIs obsoletas o inventadas.
Figma MCP
Aporta contexto de diseño directamente al flujo de desarrollo, mejorando consistencia con el design system y reduciendo divergencias diseño-implementación.
Conectar la IA a sistemas internos amplifica tanto el valor como el riesgo. Por eso aplicamos principios claros: mínimo privilegio, control de accesos, auditoría de consultas y especial cuidado con integraciones de terceros.
Este enfoque está alineado con nuestra visión de una IA comprensible, verificable y responsable, también cuando se integra profundamente en los flujos de desarrollo.
Checklist de seguridad al usar MCPs
Este aprendizaje no es una curiosidad interna. Impacta directamente en cómo entregamos producto: mayor claridad en la definición de funcionalidades, más velocidad con control, QA reforzado y decisiones más trazables.
Usamos la IA generativa para ganar foco y calidad, no para producir texto o código sin pensar.
La práctica más importante que extraemos de 2025 es clara: haz que la IA trabaje como un buen senior. Que pregunte, que explicite supuestos, que proponga opciones y que entregue resultados verificables.
La IA generativa no es magia. Bien usada, es una ventaja competitiva enorme. Mal usada, se convierte en deuda técnica y de producto. Por eso en GooApps® decidimos formarnos y aplicar la IA con criterio desde dentro.
Implica trabajar con objetivos claros, contexto suficiente, restricciones explícitas y validación humana. No se trata de generar resultados rápidos, sino de obtener resultados explicables, verificables y asumibles por el equipo.
Porque se usa sin método: prompts ambiguos, falta de contexto, ausencia de validación y expectativas irreales. La mayoría de errores no son del modelo, sino del proceso.
No en un sentido teórico, pero sí entender cómo estructurar tareas, restricciones y criterios de calidad. La calidad del resultado depende directamente de la calidad del encargo.
Los MCPs conectan la IA con documentación, tickets y sistemas reales. Esto reduce invenciones, mejora coherencia y permite trabajar con contexto actualizado y trazable.
No. Puede reducir fricción, acelerar tareas y elevar el nivel medio del equipo, pero el criterio, la responsabilidad y las decisiones siguen siendo humanas.
Completa el formulario y GooApps® te ayudará a encontrar la mejor solución para tu organización. ¡Contactaremos contigo muy pronto!
+34 656 828 020
Agenda tu llamada virtual 