Cómo mantener la consistencia de un proyecto cuando trabajás con inteligencia artificial

Una de las dificultades más persistentes que encontré durante estos años trabajando con inteligencia artificial no fue conseguir una buena respuesta. Fue sostener la consistencia cuando un proyecto empezó a acumular cientos de respuestas, decisiones, correcciones, versiones y aprendizajes que no podían desaparecer cada vez que abría una conversación nueva.

No lo presento como una fórmula terminada ni como una metodología superior a otras. Es la respuesta que mejor me está funcionando para una forma de trabajo muy concreta: proyectos que avanzan rápido, se abren en muchas direcciones al mismo tiempo y combinan estrategia, marketing, branding, contenidos, diseño, tecnología y producción.

Después de probar distintas formas de organizar ese trabajo, empecé a desarrollar Continuum System —como no podía ser de otra manera— junto con ChatGPT, la inteligencia artificial que uso como asistente de trabajo. Todavía hoy lo seguimos diseñando, probando y corrigiendo mientras lo usamos. Yo aporto la experiencia, las decisiones y el conocimiento específico de cada proyecto; ChatGPT me ayuda a ordenar el contexto, relacionar áreas, detectar contradicciones y convertir correcciones repetidas en criterios que podamos volver a consultar.

El problema empieza cuando el proyecto acelera

Resolver una pieza aislada puede ser relativamente sencillo: una instrucción clara, algunos ejemplos y una revisión atenta. La dificultad aparece cuando esa pieza tiene que convivir con todo lo demás y seguir respondiendo a decisiones que quizás se tomaron varios meses antes.

Por ejemplo, si cambia el posicionamiento de una marca, no cambia solamente una frase. También pueden cambiar la propuesta de valor, el tono, la arquitectura de servicios, los anuncios, la fotografía, las páginas del sitio, los argumentos comerciales, el proceso de venta y hasta las métricas elegidas para evaluar el trabajo.

Si cada área se actualiza en una conversación diferente y no existe una referencia común, durante semanas o meses pueden convivir versiones incompatibles del mismo proyecto. El diseño puede seguir respondiendo a un criterio anterior mientras los textos intentan instalar otro. Una campaña puede recuperar una promesa ya descartada. Una nueva inteligencia artificial puede interpretar como vigente un ejemplo que sólo servía para una etapa anterior.

Este problema tampoco nació con la IA. Los equipos siempre distribuyeron decisiones entre reuniones, mensajes, documentos, planillas, presentaciones y archivos de diseño. La diferencia es que la inteligencia artificial aumenta drásticamente la velocidad de producción y, con ella, la cantidad de decisiones que necesitan quedar registradas.

Podemos avanzar más rápido. También podemos fragmentarnos más rápido.

Un prompt puede orientar una tarea. No alcanza para sostener un proyecto

Durante bastante tiempo intenté resolver esta dificultad escribiendo mejores instrucciones. Preparé prompts más largos, agregué ejemplos, recuperé fragmentos de conversaciones anteriores y repetí explicaciones sobre la audiencia, la voz o el objetivo.

Todo ayudaba, pero no resolvía el problema de fondo.

El prompt engineering trabaja sobre la calidad de las instrucciones que recibe un modelo. Un proyecto sostenido en el tiempo necesita, además, una arquitectura capaz de conservar decisiones, establecer relaciones y seleccionar qué información corresponde utilizar en cada situación.

Necesita poder responder preguntas como estas:

• ¿Qué estamos construyendo y para quién?
• ¿Qué decisiones ya están aprobadas?
• ¿Qué partes siguen abiertas a exploración?
• ¿Qué versión reemplazó a la anterior?
• ¿Qué fuente tiene autoridad sobre cada dato?
• ¿Qué elementos no deberían modificarse sin aprobación?
• ¿Qué debe hacer la inteligencia artificial cuando encuentra una contradicción?

La evolución desde instrucciones aisladas hacia una administración deliberada del contexto suele describirse como context engineering. La diferencia me parece importante: el objetivo ya no es solamente escribir una buena orden, sino preparar la información, las herramientas y la memoria que el modelo necesita para resolver una tarea. Anthropic propone, en ese sentido, buscar el conjunto más pequeño posible de tokens con alta relevancia, en lugar de cargar todo lo disponible por defecto.

Más contexto utiliza más tokens. Pero el verdadero problema es la relevancia

Acá aparece una tensión técnica que no conviene ignorar. Las inteligencias artificiales procesan las entradas y las salidas mediante unidades llamadas tokens. El texto, los documentos y, según el modelo, otros tipos de archivos ocupan una parte de la ventana de contexto disponible. OpenAI y Google explican que ese uso se contabiliza a partir de tokens de entrada y salida, aunque cada proveedor y cada modelo los procesan de manera diferente.

En términos simples: agregar información tiene un costo técnico. Puede ocupar más ventana de contexto, aumentar el procesamiento y, en determinados productos o APIs, incrementar el costo económico.

Sin embargo, la relación no es simplemente “más contexto igual a peor resultado”. Para trabajar bien en un proyecto complejo, cierto volumen de contexto es una condición necesaria. El problema aparece cuando ese contexto está desordenado, duplicado, desactualizado o mezclado con información irrelevante.

Un archivo enorme puede contener todo y, al mismo tiempo, hacer más difícil encontrar lo importante.

La investigación Lost in the Middle, publicada en Transactions of the Association for Computational Linguistics, mostró que distintos modelos podían usar peor la información cuando el contenido relevante quedaba en posiciones intermedias dentro de contextos extensos. El rendimiento observado tendía a ser mejor cuando esa información aparecía al principio o al final.

Esto no significa que los contextos largos sean inútiles. Significa que la capacidad de aceptar mucha información no garantiza que el modelo vaya a utilizarla toda con la misma precisión.

La regla que adopté es otra:

Cómo nació Continuum System

Continuum System no nació de una teoría cerrada ni de la intención de inventar una metodología. Apareció mientras trabajaba y trataba de resolver problemas que se repetían.

Cada vez que una decisión se perdía, una pieza contradecía a otra o una nueva conversación me obligaba a explicar nuevamente algo que ya estaba resuelto, incorporábamos una nueva capa.

Primero fue un documento de referencia bastante simple. Después sumó reglas de identidad y diseño. Más adelante incorporó arquitectura web, SEO, contenidos, fotografía, video, formación y criterios técnicos. A medida que los proyectos crecieron, aparecieron el historial de versiones, el registro de decisiones, las fuentes de verdad, los límites operativos y una síntesis preparada específicamente para cargar contexto en una IA.

El nombre Continuum expresa justamente esa intención: permitir que un proyecto evolucione sin cortar la continuidad de lo aprendido.

Por eso me parece importante explicitar cómo se construyó. No lo escribí solo, pero tampoco lo generó ChatGPT de manera autónoma. Lo fuimos haciendo juntos, en el trabajo cotidiano, aunque con responsabilidades muy diferentes.

Yo tomo las decisiones, establezco prioridades, corrijo desvíos y aporto la experiencia profesional. ChatGPT puede ordenar grandes volúmenes de información, encontrar relaciones entre capítulos, detectar repeticiones y advertir contradicciones. Lo valioso no está en que una de las partes trabaje sola, sino en lo que aparece durante ese intercambio.

Qué organiza el sistema

Continuum System no es solamente un manual de marca ampliado. Un manual de marca suele concentrarse en identidad, tono y aplicaciones. El sistema necesita relacionar esas decisiones con el resto del proyecto.

Tampoco es un design system, aunque puede contenerlo o indicar dónde se encuentra. No es una carpeta, un brief, un prompt maestro ni un registro de cambios, aunque también puede integrar esas funciones.

La estructura exacta depende de cada caso. Hoy, después de varias versiones y muchas correcciones, la organizo en estas capas:

La clave no está en que todo viva dentro del mismo archivo. El sistema también puede señalar recursos externos y declarar su autoridad. Una planilla puede gobernar las URLs y palabras clave. Un repositorio puede contener componentes. Un documento puede registrar decisiones. Una biblioteca de piezas puede mostrar implementaciones aprobadas.

Continuum System conecta esas fuentes y establece cómo interpretarlas.

El contexto explica. Los criterios orientan. Los límites protegen

Con el tiempo entendí que acumular información no era suficiente. Una base de conocimiento puede guardar muchísimo y, aun así, dejar a la inteligencia artificial sin una respuesta clara cuando aparece una situación nueva.

Por eso separo tres funciones.

El contexto explica qué es el proyecto, de dónde viene, qué busca y cómo se relacionan sus partes.

Los criterios orientan qué debería priorizarse cuando no existe una regla escrita para el caso concreto.

Los límites operativos protegen aquello que no debería reinterpretarse libremente.

Estos límites —conocidos habitualmente como guardrails— son importantes porque una IA puede producir una respuesta técnicamente correcta y, al mismo tiempo, alejarse del posicionamiento, inventar un dato, recuperar una versión obsoleta o modificar una decisión que ya estaba aprobada. OpenAI describe los guardrails como una defensa por capas para reducir riesgos y mantener el comportamiento dentro del alcance previsto.

En un proyecto de marketing y branding, los límites pueden definir:

• qué es la marca y qué no es;
• qué territorios puede ocupar;
• qué afirmaciones no debería realizar;
• qué datos no puede inventar;
• qué decisiones requieren aprobación humana;
• qué fuente prevalece cuando hay contradicciones;
• cómo debe señalar una hipótesis;
• y cómo se documenta una excepción.

Esto se vincula directamente con la gobernanza y consistencia de marca. Un sistema no sólo documenta la identidad: también distribuye autoridad, define procesos de aprobación y establece cómo se controla la coherencia sin impedir la evolución.

Moverse entre inteligencias artificiales sin empezar completamente de nuevo

Una de las funciones que más valoro es poder mover el contexto sin que quede encerrado en una sola herramienta.

Cuando todo el conocimiento queda encerrado dentro de una conversación o de la memoria de una plataforma, cambiar de herramienta obliga a reconstruir antecedentes, decisiones y correcciones.

Continuum System intenta separar la memoria del proyecto de la inteligencia artificial utilizada.

Una persona puede trasladar un núcleo de contexto a ChatGPT, Claude, Gemini o una herramienta especializada. El archivo no garantiza que todas respondan de la misma manera: cada modelo tiene capacidades, tokenizadores, ventanas de contexto y formas de interpretar documentos diferentes.

La promesa razonable no es obtener resultados idénticos. Es reducir la pérdida de contexto.

El conocimiento deja de pertenecer exclusivamente a una conversación y pasa a formar parte de un recurso controlado por la persona o el equipo.

El formato y el peso también forman parte del problema

Las primeras versiones que armé fueron construidas en HTML. Me resultaba lógico: podía ordenar una gran cantidad de contenido, crear navegación, mostrar componentes y hacer visibles las relaciones entre las distintas partes del proyecto.

Pero el HTML también incorpora etiquetas, estilos y scripts que pueden ser útiles para una persona y poco relevantes para una inteligencia artificial. Un archivo puede pesar pocos megabytes y, sin embargo, contener una gran cantidad de texto procesable.

Por eso, el peso del archivo y la cantidad de tokens no son equivalentes.

Una imagen WebP o AVIF puede reducir almacenamiento y transferencia frente a otros formatos. Eso no significa automáticamente que consumirá menos tokens visuales: el procesamiento depende del modelo, la resolución y la modalidad. Del mismo modo, un SVG externo puede ser muy liviano, mientras que un SVG incrustado como código puede sumar cientos o miles de tokens de texto.

Hoy estoy evaluando una arquitectura que separe mejor esas funciones:

También conviene modularizar.

En lugar de cargar siempre el sistema completo, una IA puede recibir primero un AI Core breve y recuperar los módulos relacionados con la tarea: estrategia, identidad, contenidos, SEO, desarrollo, fotografía o video.

El objetivo no es construir el archivo más pequeño posible. Es conseguir la mejor relación entre profundidad, claridad, portabilidad y mantenimiento.

Lo que Continuum System todavía no resuelve

También sería poco honesto hablar solamente de sus ventajas. Un sistema de este tipo tiene costos y riesgos.

Debe mantenerse actualizado. Puede crecer demasiado. Puede duplicar información. Puede mezclar reglas vigentes con antecedentes históricos. Puede incorporar datos sensibles que no deberían compartirse con cualquier proveedor. También puede volverse tan rígido que termine protegiendo decisiones que ya necesitan cambiar.

Existe otro riesgo todavía más importante:

Si una premisa equivocada se convierte en regla, personas e inteligencias artificiales pueden reproducirla en todas las áreas. La consistencia no garantiza que una decisión sea correcta.

Por eso, Continuum System no reemplaza el criterio profesional, la revisión ni la evidencia. Necesita responsables, fechas, estados de aprobación y una separación clara entre:

• información vigente;
• historial;
• hipótesis;
• experimentos;
• y decisiones pendientes.

Tampoco todos los proyectos necesitan algo así. Para una tarea puntual, un buen brief puede ser suficiente. Para una campaña pequeña, quizás alcance con una guía, algunos ejemplos y un documento compartido.

El sistema empieza a tener más sentido cuando el trabajo dura mucho tiempo, involucra varias áreas, reúne diferentes personas, utiliza distintas inteligencias artificiales o acumula decisiones que necesitan seguir disponibles.

La consistencia no se pide: se diseña

Continuum System todavía está en construcción y probablemente siga estándolo durante mucho tiempo.

Sigo revisando qué información merece permanecer en el núcleo, qué debería recuperarse solamente cuando hace falta, cómo separar el historial de las reglas vigentes y cómo trasladar el contexto entre herramientas sin cargar información innecesaria.

Esa condición abierta no es un defecto accidental. Forma parte de su origen.

El sistema nació trabajando y seguirá cambiando mientras cambien los proyectos y las inteligencias artificiales con las que trabajamos.

No intenta prever una respuesta para cada situación. Busca conservar las condiciones necesarias para que las nuevas respuestas sigan perteneciendo al mismo proyecto.

La inteligencia artificial puede acelerar la ejecución. Pero la continuidad necesita contexto organizado, decisiones trazables, fuentes claras, límites operativos y personas capaces de revisar el conjunto.

Preguntas frecuentes sobre Continuum System

¿Qué es Continuum System?

Es un sistema vivo de contexto, continuidad y gobernanza que organiza decisiones, fuentes de verdad, límites operativos e historial para mantener la coherencia de un proyecto entre personas y diferentes inteligencias artificiales.

¿Es un prompt maestro?

No. Un prompt orienta una tarea. Continuum System conserva el contexto del proyecto y establece qué información debe consultarse, qué decisiones siguen vigentes y qué aspectos no pueden modificarse sin aprobación.

¿Puede utilizarse con distintas inteligencias artificiales?

Sí. Su objetivo es que el contexto pertenezca al proyecto y pueda trasladarse entre herramientas. No garantiza respuestas idénticas, pero reduce la necesidad de reconstruir desde cero todo lo aprendido.

¿Más contexto siempre mejora el resultado?

No. El contexto debe ser suficiente, relevante, vigente y estar bien organizado. Cargar información innecesaria, histórica o contradictoria puede dificultar la tarea en lugar de mejorarla.

Fuentes y lecturas

1. Anthropic: Effective context engineering for AI agents.
2. OpenAI: qué son los tokens y cómo contarlos.
3. Google AI for Developers: comprender y contar tokens.
4. Liu et al.: Lost in the Middle: How Language Models Use Long Contexts.
5. OpenAI: A practical guide to building agents.