Llevo meses trabajando con modelos de IA de una forma que, al principio, me pareció un detalle menor. Luego me di cuenta de que era casi todo.
Trabajo en español.
No porque el modelo no entienda inglés —lo entiende perfectamente, a veces mejor que yo. Lo hago porque en español pienso. No solo me comunico: proceso, matizo, dudo, reconozco cuando una idea no cierra. En inglés puedo transmitir lo que ya sé. En español puedo descubrir lo que no sabía que pensaba.
La diferencia en los resultados es notable. Y no es magia del idioma —es algo más fundamental.
La afinidad no viene instalada
Cuando la mayoría de las personas empieza a usar IA para programar, el flujo es más o menos así: abren el chat, escriben lo que necesitan, obtienen código, lo pegan, siguen adelante. Funciona. A veces muy bien.
Pero hay otro nivel, y la diferencia es parecida a la que hay entre un consultor externo que llega a tu empresa sin contexto y un colega que lleva años trabajando contigo. Ambos pueden ser brillantes. Solo uno sabe cómo piensas.
Con un modelo de IA, esa afinidad no viene configurada de fábrica. Se construye. Y la forma de construirla es, en esencia, la misma que con cualquier colaborador: tiempo, contexto compartido, y —esto es lo que más se subestima— hablar en el registro en el que realmente piensas.
El idioma dominante como variable técnica
Hay una discusión que no se tiene suficiente en equipos de software: el idioma en el que una persona piensa no siempre es el idioma en el que trabaja.
En la industria tecnológica, el inglés es el estándar. La documentación, los frameworks, los errores en consola, las discusiones en Stack Overflow. Todo en inglés. Eso lleva a una asunción silenciosa: si puedes leer y escribir inglés técnico, ya tienes todo lo que necesitas.
No es cierto.
Leer documentación en inglés es una habilidad. Pensar en inglés con la misma densidad que en tu idioma nativo es otra completamente distinta. Y cuando la tarea no es leer código ajeno sino construir algo desde una idea —definir qué problema estamos resolviendo, por qué, cómo debería comportarse— la densidad del pensamiento importa.
Un prompt escrito desde el pensamiento nativo tiene más capas. Más contexto implícito. Más matices sobre lo que se quiere y lo que no se quiere. El modelo, que es extraordinariamente sensible al lenguaje, responde a eso.
Lo que esto implica para un equipo
No estoy diciendo que todos deban usar IA en su idioma materno para todo. Estoy diciendo que vale la pena preguntarlo.
Para tareas de exploración, diseño, evaluación de ideas, retroalimentación —las tareas donde la calidad del pensamiento determina la calidad del resultado— el idioma dominante de cada persona es una variable real de productividad.
Un equipo que reconoce eso no es un equipo con un problema de idiomas. Es un equipo que entiende sus propias herramientas.
La afinidad es recíproca
Hay algo más en esto que el idioma, aunque el idioma es la entrada más tangible.
Cuando llevas tiempo trabajando con un modelo en el mismo contexto —mismo proyecto, misma forma de plantear problemas, misma estructura de pensamiento— el modelo empieza a anticipar lo que necesitas con menos instrucciones. No porque aprenda en el sentido técnico de esa palabra: porque el contexto acumulado hace que tus preguntas sean más precisas y sus respuestas más calibradas.
Es una relación. No en sentido sentimental —en sentido de calibración mutua. Y como toda relación de trabajo que vale la pena, requiere invertir tiempo en establecerla antes de exigirle resultados.
Conócete primero. Sabe cómo piensas. Qué idioma usas cuando el problema es difícil. Qué nivel de detalle necesitas en una respuesta. Qué tipo de preguntas te ayudan a avanzar y cuáles te frenan.
Eso no es saber usar IA. Es saber usarte a ti.
ArchMindset — software, equipos, y lo que cambia cuando la IA entra al cuadro.