La semana en que conectar más exigió revisar mejor
La IA ganó acceso a más contexto y trabajo real. La señal útil estuvo en las revisiones, los límites y las métricas que permiten operarla con criterio.
Esta semana vi a la inteligencia artificial entrar más hondo en el trabajo: buscar entre tus archivos, preparar una clase con fuentes curriculares, revisar código y sostener tareas dentro de un repositorio.
Con ese acceso también creció la superficie que tengo que vigilar. Un agente puede encontrar más contexto y cometer un error en un lugar más delicado.
Yo evalúo un agente por el contexto que usa, los límites que respeta y la evidencia que deja.
Encontrar tu propio contexto ya forma parte del trabajo #
El 14 de julio, OpenAI amplió la búsqueda de ChatGPT para encontrar conversaciones, proyectos, imágenes y documentos desde un mismo lugar. Para mí, el cambio útil está en recuperar una decisión o un archivo sin reconstruir el contexto desde cero.
También me obliga a ordenar mejor lo que guardo. Si lleno mis proyectos con borradores duplicados, nombres vagos y decisiones contradictorias, el buscador recupera ese desorden con mucha eficiencia.
Esta semana probaría una búsqueda que hoy me cuesta: una decisión vieja, el último archivo aprobado o la conversación donde cambié un criterio. Si no aparece con claridad, primero arreglaría la estructura.
Claude para docentes muestra el valor de trabajar con fuentes delimitadas #
Anthropic presentó Claude for Teachers el 14 de julio. El producto conecta estándares académicos, materiales curriculares y skills para tareas concretas como planear una lección o adaptar materiales a distintos niveles.
Para mí, el aprendizaje rebasa el salón de clases. Cuando delimito las fuentes y el trabajo esperado, puedo revisar mejor el resultado. También sé qué información no debería entrar. Anthropic aclara que el docente controla los datos compartidos y que la política del distrito o del estado sigue mandando sobre el uso de información estudiantil.
Yo copiaría ese patrón en cualquier flujo: una tarea específica, fuentes identificables y una regla clara sobre los datos que el sistema puede consultar.
GPT-Red deja claro que el contenido externo también puede dar órdenes #
OpenAI publicó GPT-Red el 15 de julio. El equipo entrenó un modelo para buscar ataques de prompt injection en páginas, archivos, correos y respuestas de herramientas, y después usó esos ataques para fortalecer GPT-5.6.
La parte que me sirve en el trabajo diario es sencilla: una página o un archivo puede traer instrucciones diseñadas para desviar al agente. Yo trato el contenido externo como material para analizar, no como autoridad para cambiar permisos, subir datos o ejecutar una acción.
También separaría lectura y ejecución. Un agente que investiga no necesita permiso para publicar, pagar o borrar. Si después quiero que actúe, le doy una herramienta limitada y dejo la aprobación en el punto exacto donde puede haber daño.
Las métricas por repositorio permiten ver dónde trabaja Copilot #
GitHub llevó a disponibilidad general sus métricas de Copilot por repositorio el 17 de julio. La API reporta pull requests creados o fusionados por el agente y revisiones hechas por Copilot, con desglose diario.
Yo usaría ese dato para ubicar actividad, no para declarar productividad. Un repositorio con más pull requests también puede acumular más retrabajo. Después cruzaría la actividad con pruebas, errores, tiempo de ciclo y revisiones humanas.
La métrica útil depende del objetivo. Si el agente prepara cambios, quiero saber cuántos pasan revisión sin correcciones graves y cuánto tiempo recupera el equipo.
Con qué me quedo esta semana #
Cuanto más contexto y herramientas entrego, más explícito vuelvo el contrato de trabajo. Defino la fuente, el alcance, la salida y la acción que debe regresar a mí.
Esta semana elegiría un solo flujo y comprobaría cuatro cosas: si encuentra el contexto correcto, si ignora instrucciones ajenas, si se detiene antes de una acción sensible y si deja una señal que puedo medir.
Nos leemos el próximo viernes.