Antes de cualquier herramienta, framework o automatización, debe ocurrir un cambio cognitivo. Este módulo instala el sistema operativo mental que marca toda la diferencia entre usar IA y operar con IA.
Diagrama ilustrativo — El Default Shift: toda tarea pasa por la pregunta "¿hasta qué punto puede potenciarla la IA aquí?"
O Cambio de predeterminado es el cambio de hábito más importante de este curso. Antes de ejecutar cualquier tarea con el método antiguo, tu primera pregunta debe ser: "¿cómo podría la IA hacer esto?". Si no es el 100%, al menos los primeros 30%. La pregunta real no es «¿la IA puede hacerlo?» (binaria y bloqueante), sino "¿hasta qué punto se puede aprovechar la IA aquí?".
Imagina que necesitas actualizar enlaces en más de 300 descripciones de YouTube. Método antiguo: abrir cada video manualmente, editar y guardar. Horas de trabajo mecánico.
Con el Default Shift activo: preguntas "¿hasta qué punto puede la IA potenciar esto?". Respuesta: 100%. Mientras vas por agua, Claude Code escribe un script que procesa los 300 videos mediante la API de YouTube. El trabajo que llevaría horas se convierte en minutos.
Tenho 300+ vídeos no YouTube onde preciso trocar o link
"exemplo.com/antigo" por "exemplo.com/novo" em todas
as descrições. Você consegue escrever um script
que faça isso via YouTube Data API v3?
Liste o que você precisa para começar (credenciais,
escopos de OAuth, etc.).El Default Shift empieza con el prompt. Dejas de pensar "qué voy a hacer" y empiezas a pensar "qué voy a delegar".
La mayoría de las personas aborda la IA con una pregunta binaria: "¿la IA puede hacer esto o no?". Este marco es limitante porque fuerza una respuesta que rara vez refleja la realidad. La pregunta correcta es graduada: quizá la IA entregue un resultado con 80% de calidad y tú termines el 20% restante en 10 minutos, en lugar de trabajar 2 horas desde cero.
Trata el Default Shift como aprender a escribir en el teclado. Al principio tienes que pensar conscientemente en cada tecla. Con la práctica, se vuelve un reflejo automático. Reserva 2 semanas para cuestionar activamente cada tarea antes de ejecutarla. El esfuerzo consciente de ahora crea el hábito para siempre.
Usaste la IA para generar el primer borrador o estructura. Te ahorraste el «horror del cursor parpadeante». Haces el 90% del trabajo, pero no lo haces todo.
La IA hace la mitad del trabajo pesado. Tú diriges, revisas, perfeccionas y tomas decisiones estratégicas. Productividad de 2x como mínimo.
Defines el problema y la IA lo ejecuta por completo. Tu papel es verificar la calidad e iterar el prompt si es necesario. El objetivo de todo workflow maduro.
Una de las trampas más comunes: probaste algo con IA hace 3 meses, no funcionó y ahora cargas con ese "esto no se puede hacer con IA" como verdad. ¿El problema? Los modelos mejoran más rápido que nuestra memoria de fracasos pasados. Lo que era imposible en marzo puede ser trivial en julio.
En algún momento, crear infografías de calidad con IA se consideraba "imposible": los modelos generaban imágenes sin coherencia, texto incorrecto y proporciones absurdas.
Tres meses después, un nuevo modelo generó infografías profesionales con un prompt bien estructurado. El trabajo que «no se podía hacer» pasó a ser trivial. El error no fue el intento fallido, sino no volver a intentarlo.
Crea un evento recurrente en el calendario: "Nueva prueba de las limitaciones de la IA". Cada 4–6 semanas, elige 3 tareas que marcaste como "no se puede con IA" y vuelve a probarlas. Te sorprenderá la frecuencia con la que cambia la respuesta.
No automatizas un trabajo. Automatizas una parte de un trabajo. Function Breakdown es el proceso de desglosar tu cargo en funciones, y cada función en microtareas, para luego identificar cuáles de esas microtareas puede ejecutar la IA. La magia ocurre cuando empiezas a encadenar estas piezas.
La tarea «crear un video de YouTube» parece demasiado grande para automatizarla. Pero cuando haces el Function Breakdown:
Cada una de estas microtareas puede tener su propia automatización. No necesitas todas de una vez: empieza por una.
¿A qué te dedicas en el trabajo? No las tareas, sino las funciones. "Crear contenido", "atender clientes", "analizar datos", "gestionar proyectos".
Para cada función, enumera 5–10 actividades específicas y repetibles. Cuanto más granular, mayores las posibilidades de automatización.
Las microtareas más frecuentes y laboriosas son las primeras candidatas. Automatiza una, valida el resultado y luego pasa a la siguiente.
Con el tiempo, las automatizaciones individuales empiezan a conectarse. El output de una se convierte en el input de la siguiente — y creaste un workflow real.
La IA genera outputs rápido. Demasiado rápido para quien no cuestiona. La Curiosity Rule es una disciplina: nunca aceptes un resultado sin preguntar por qué. Pide 3 alternativas. Cuestiona la lógica. Entiende lo que se construyó. Porque "si construiste algo y no puedes explicar cómo funciona, construiste un pasivo, no un activo."
El código oscuro es el código (o la automatización, o el prompt) que funciona, pero nadie sabe exactamente por qué; ni siquiera tú. Cuando deja de funcionar, te quedas paralizado. Cuando necesitas ajustarlo, no sabes por dónde empezar.
El código oscuro es un pasivo disfrazado de productividad. A corto plazo ganaste velocidad. A largo plazo creaste una dependencia ciega.
# Após receber qualquer output técnico:
"Explique cada parte desse código/automação
em linguagem simples. O que acontece se X
mudar? Quais são os pontos frágeis?"
# Pedindo alternativas:
"Dê 3 formas diferentes de resolver este
problema. Para cada uma, explique os
trade-offs e me diga qual você recomenda
e por quê."
# Validando a recomendação:
"Por que essa abordagem é melhor que [X]?
O que eu perderia se escolhesse [Y] em vez?"Replantea la relación: la IA no es una máquina que vende respuestas. Es un mentor con amplios conocimientos, pero sin contexto sobre tu negocio. Cuestionas al mentor. Pides explicaciones. No estás de acuerdo y pides que defienda su postura. Esto te protege del dark-code y acelera tu aprendizaje.
Nadie te cuenta sobre el Dip. En las primeras 1–2 semanas trabajando de verdad con IA, tu productividad baja alrededor del 20%. Los nuevos workflows son lentos. Pruebas cosas que no funcionan. Aprendes qué no pedir. Es incómodo, parece una regresión.
En 2 semanas, la baseline se duplica. No aumenta un 20%: pliegue. Los workflows que probaste y fallaron ya están funcionando. Aprendiste qué preguntar. La inversión en la incomodidad temporal se traduce en productividad permanente.
Pero hay que atravesarlo. Quien se rinde en el Dip — «esto no funciona para mí» — se queda para siempre con el rendimiento anterior, sin llegar a ver el retorno.
Rendimiento normal o ligeramente superior. Tienes motivación y pruebas cosas nuevas. Parece fácil.
El rendimiento cae ~20%. Los flujos antiguos se rompieron y los nuevos todavía no fluyen. Aquí es donde la mayoría se rinde.
Los nuevos workflows están en marcha. Estás operando a un ritmo sostenible. El rendimiento no vuelve a la normalidad: va mucho más allá.
La mayoría de las personas que abandonan la IA abandonaron durante el Dip. No porque la IA no haya funcionado — sino porque no tenían la información de que el Dip es temporal y obligatorio. Saber que viene cambia por completo cómo lo enfrentas.
El aprendizaje real no está en los primeros aciertos, sino en los primeros errores. El objetivo no es evitar fallar: es llegar a tus los primeros 10 errores de la manera más rápida y segura posible. Cada error bien documentado vale más que 10 aciertos que no entendiste.
Rápido: no esperes condiciones perfectas para empezar. Prueba hoy, con la herramienta que tienes, en la tarea que tienes entre manos. La iteración supera la planificación.
Seguro: nunca pruebes automatizaciones en producción sin revisión. Ten un entorno de prueba, haz una copia de seguridad de los datos y revisa los outputs antes de aplicarlos. La velocidad sin cuidado provoca desastres.
Mantén un archivo sencillo (puede estar en Claude Code) con entradas en este formato:
Data: 2026-06-01
Tentei: automatizar relatório de vendas em PDF
Resultado: Claude gerou tabela com dados fictícios
Por que errou: não forneci os dados reais no contexto
Aprendizado: sempre incluir os dados junto com o prompt
Próximo passo: testar com CSV colado no contextoEste registro transforma cada falla en un aprendizaje transferible, para ti y para los demás.
1.2 — Method (Cómo decidir) — Aprende el marco de decisión para elegir cuándo, cómo y cuánto usar IA en cada contexto de tu trabajo.