Cómo delegar trabajo real en Claude: tutorial paso a paso para dejar de chatear y empezar a ejecutar

canonical_url: «https://margapress.com/claude-no-es-chatgpt-estratega-ejecutor/»

---

Los artículos de comparativa de IAs suelen funcionar así: el autor prueba dos o tres tareas de ejemplo, extrae capturas de pantalla y concluye que una es «mejor» que otra. Lo que no suelen hacer es medir cuánto tarda cada modelo en completar un flujo de trabajo completo, cuántas correcciones necesita el output para ser usable, y qué ocurre cuando la tarea tiene ambigüedad en el enunciado.

En el laboratorio llevamos tres semanas probando exactamente eso. Este artículo recoge los resultados.

El protocolo: cuatro tipos de tarea, mismas condiciones

Para que la comparativa tuviera valor, definimos cuatro categorías de tarea que representan el trabajo real de alguien que usa IA en su día a día:

1. Extracción estructurada: dado un documento con información desordenada (un contrato, una factura compleja, un email de negociación), extraer campos específicos en formato tabla sin inventar datos ausentes.

2. Redacción con restricciones: producir un texto de 400 palabras con tono definido, prohibición de ciertos términos y estructura concreta. No «escríbeme esto», sino «escríbeme esto siguiendo estas doce reglas».

3. Decisión bajo ambigüedad: ante un enunciado deliberadamente incompleto («¿qué hago con esta situación?»), ver si el modelo pide aclaraciones o rellena los huecos con suposiciones.

4. Encadenamiento de pasos: ejecutar una tarea de tres fases donde la salida de una alimenta la siguiente. Sin intervención humana entre pasos.

Cada tarea se ejecutó diez veces en cada modelo. Se midió: tasa de éxito a primera respuesta, número medio de iteraciones hasta output usable, y tasa de inventado (datos o conclusiones no presentes en el input).

Resultado 1 — Extracción estructurada: empate técnico con matiz importante

En extracción de datos de documentos limpios (PDFs bien formateados, texto plano), ambos modelos obtienen tasas de éxito similares en la primera respuesta: Claude 87%, ChatGPT 84%. La diferencia no es estadísticamente significativa.

El matiz aparece cuando el documento tiene ambigüedad: campos con dos valores posibles, fechas en formatos distintos dentro del mismo documento, o información contradictoria entre secciones. Aquí Claude tiende a señalar la ambigüedad y pedir instrucción, mientras ChatGPT tiende a elegir un valor y presentarlo como definitivo. En el 23% de los casos donde hay ambigüedad, ChatGPT eligió el valor incorrecto sin avisar. Claude lo hizo en el 9% de los casos.

Para trabajo con documentos reales —donde la ambigüedad es la norma, no la excepción—, ese 14% de diferencia en errores silenciosos tiene consecuencias prácticas.

Resultado 2 — Redacción con restricciones: Claude gana en coherencia acumulada

La redacción con restricciones es donde la comparativa se vuelve más clara. Con instrucciones simples (3-4 reglas), ambos modelos se comportan bien. La diferencia aparece cuando las restricciones aumentan: con 8 o más reglas simultáneas, ChatGPT empieza a olvidar las más recientes en favor de las primeras, o aplica las más obvias e ignora las más sutiles.

En nuestra prueba con 12 restricciones simultáneas (tono, estructura, términos prohibidos, longitud de párrafos, tipo de cierre, uso de datos específicos…), Claude respetó de media 10.4 de 12. ChatGPT respetó 8.1 de 12. Las más frecuentemente ignoradas por ChatGPT fueron las instrucciones sobre términos prohibidos y las de estructura interna.

Importante: esto no significa que ChatGPT «sea peor». Significa que si tu flujo de trabajo depende de que el modelo respete instrucciones complejas en bloque, Claude es más consistente en esa dimensión concreta.

Resultado 3 — Decisión bajo ambigüedad: el test que más nos enseñó

Este fue el resultado más interesante y el que cambió nuestra forma de pensar sobre cuándo usar cada modelo.

Ante enunciados ambiguos, Claude preguntó para aclarar en el 71% de los casos. ChatGPT lo hizo en el 31%. En el 69% restante, ChatGPT asumió y ejecutó.

Si lo que necesitas es velocidad y te da igual recibir una respuesta plausible aunque no sea exactamente la que pedías, ChatGPT va más rápido. Si lo que necesitas es que el output sea fiable aunque requiera un paso más de aclaración, Claude es más útil.

El problema del «asumir y ejecutar» se amplia cuando la tarea tiene consecuencias reales. Un email enviado con la información equivocada, un análisis basado en un dato inventado, una decisión tomada sobre una premisa que nadie verificó. En esos casos, la pregunta de aclaración de Claude no es una molestia. Es la diferencia entre un output usable y uno que hay que descartar.

Resultado 4 — Encadenamiento de pasos: donde la arquitectura importa

El encadenamiento de pasos reveló algo que los benchmarks de interfaz gráfica no capturan bien: la diferencia entre un modelo diseñado para responder y uno diseñado para ejecutar flujos.

En las diez pruebas de encadenamiento, Claude completó el flujo completo (tres pasos, sin intervención) con output usable en 7 de 10. ChatGPT lo hizo en 4 de 10. Las causas de fallo principales en ChatGPT: pérdida del contexto del paso anterior en el paso 3, y tendencia a interpretar cada paso como una tarea nueva en lugar de una continuación.

Esto importa porque los flujos de trabajo reales raramente son una sola tarea. Son secuencias. Redactar un informe, extraer conclusiones, convertirlas en bullet points para una presentación, adaptar esos bullets al tono de la reunión. Si el modelo pierde el hilo entre pasos, el flujo se rompe y vuelves a ser tú quien pega los fragmentos.

Lo que no medimos (y por qué importa)

Este benchmark no mide creatividad libre, generación de código complejo, búsqueda en tiempo real ni capacidades multimodales avanzadas. En algunas de esas dimensiones ChatGPT tiene ventajas genuinas, especialmente con plugins específicos o integración con fuentes externas.

Lo que medimos es la pregunta que más nos interesa en este laboratorio: ¿qué modelo es más útil para flujos de trabajo profesionales repetibles? Y en esa pregunta concreta, Claude lleva ventaja en fiabilidad de output, respeto a instrucciones complejas y comportamiento ante ambigüedad.

El experimento que puedes hacer tú hoy

Si quieres verificar esto en tu propio trabajo, prueba este protocolo mínimo:

Toma una tarea que hagas regularmente con IA (un tipo de redacción, una extracción de datos, una decisión que apoyas en el modelo). Defínela con las mismas instrucciones detalladas en ambos modelos. Ejecuta cada uno cinco veces sin cambiar el prompt. Cuenta cuántas de las cinco respuestas son usables sin corrección.

No necesitas diez repeticiones ni estadísticas. Con cinco iteraciones ya empiezas a ver si hay diferencia de consistencia. La consistencia es lo que distingue una herramienta de una anécdota.

---

Este análisis parte del marco conceptual de El Empleado Digital, donde se desarrolla en profundidad la diferencia entre IAs que responden e IAs que ejecutan.

Descarga el libro en Amazon | Lee el artículo original en MargaPress