Ideas clave

  • Lucy mantiene separados cinco pasos: observar, interpretar, confirmar o corregir, medir y reutilizar con cuidado.
  • Si corriges la suposición de Lucy, tu corrección prevalece para ti; todo lo que se reutilice entre personas debe superar antes los filtros de privacidad.
  • El activo que se multiplica es el conocimiento de qué ayuda, a quién ayuda y cuándo, no más observación.

Cinco pasos que se mantienen separados

«Lucy aprende qué funciona» es una afirmación precisa, no un eslogan. El diseño de nuestro producto mantiene separados cinco pasos, porque mezclarlos es lo que lleva a los productos de IA a exagerar.

  1. Observar

    Con tu permiso, Lucy anota lo que ocurrió realmente: las aplicaciones, los pasos y los tiempos del trabajo real.

    Ejemplo: Alguien está investigando una empresa.
  2. Interpretar

    Formula su mejor hipótesis sobre el objetivo, anota lo segura que está y qué otra cosa podría ser, y guarda silencio cuando la evidencia es débil.

    Ejemplo: ¿Preparar una reunión? ¿Comprobar un proveedor? ¿Simplemente aprender?
  3. Confirmar

    Pregunta. La persona confirma o la corrige, y una corrección siempre prevalece para esa persona.

    Ejemplo: «Es para una revisión de proveedores el viernes.»
  4. Medir

    La finalización, la adopción, la capacidad y el valor se miden por separado. Una tarea terminada no es prueba de habilidad.

    Ejemplo: La preparación de la revisión que construyó se vuelve a usar la semana siguiente.
  5. Reutilizar, con cuidado

    Lo que funcionó se valida antes de ayudar a nadie más, y llega a otras personas solo tras superar controles de privacidad, como agregados protegidos o como soluciones que quienes las construyen deciden compartir, nunca tus procesos de negocio ni tus secretos comerciales.

    Ejemplo: Un flujo de trabajo de revisión de proveedores, ofrecido a la siguiente persona que lo necesite.

Por qué importan las distinciones

Lo que Lucy vio no es lo mismo que lo que ella cree que significa. Lo que cree no es lo mismo que lo que la persona le dice. Una tarea terminada no es lo mismo que una habilidad nueva, y una habilidad nueva no es lo mismo que valor de negocio. Y el éxito de una persona tiene que validarse antes de orientar a nadie más. Cada una de esas confusiones es una forma habitual de que los productos de IA afirmen más de lo que saben.

Un ejemplo

Alguien que investiga una empresa podría estar preparando una reunión, evaluando a un proveedor o simplemente aprendiendo. La actividad por sí sola no determina el objetivo. Lucy formula su mejor hipótesis con alternativas, guarda silencio si la evidencia es débil y pregunta. Si la persona dice que es para una revisión de proveedor el viernes, esa corrección prevalece. Se aplica a la intención de esa persona y no reescribe la evidencia en bruto.

Después, los planes trabajan hacia atrás desde el objetivo, pasando por sus requisitos previos: la habilidad actual de la persona, las herramientas que se le permite usar y el siguiente paso viable. Un principiante y un experto reciben caminos distintos hacia el mismo resultado, y el primer plan útil puede partir de un objetivo que la persona expresa, sin esperar semanas de observación.

Medir lo que de verdad cambió

Lucy mide la finalización, la adopción, la capacidad y el valor por separado, frente a una línea base. El éxito es la capacidad, no el uso: necesitar menos a Lucy para una tarea puede ser el logro, porque la persona ya puede hacerla sola. En todo momento, la persona elige las herramientas, realiza las acciones y valida la solución; nada en el diseño permite que Lucy haga clic, escriba, instale o despliegue en su nombre.

Simple por fuera, ciencia por dentro

Tenemos previsto contratar en seis disciplinas, cada una responsable de una pregunta distinta: la investigación de flujos de trabajo (qué hace realmente la gente), la ciencia aplicada (qué intenta hacer alguien y cuándo preguntar), la ciencia del comportamiento (qué coaching cambia los hábitos), la ingeniería del conocimiento (qué requiere un objetivo), la evaluación de IA (si la inferencia es correcta, contrastada con ejemplos independientes) y la ciencia de datos de producto (si mejoraron la capacidad y el trabajo, y por qué).

Lo que se multiplica

El activo que crece no es un montón de datos de pantalla. Es conocimiento estructurado sobre qué ayuda, a quién ayuda y cuándo se aplica. Por eso cada logro hace de Lucy una mejor coach: aprende a ayudar a las personas a construir mejores soluciones, a adaptarse a distintas preferencias y a entender distintos sectores, y un mejor coaching ayuda a la siguiente persona. Consulta Cómo aprende Lucy para ver la versión visual.

Siguiente: Observar el trabajo se abarató. La confianza y el coaching, no.

Fuentes y notas

  1. Basado en el diseño interno de producto de Lucy Labs (borrador, octubre de 2026).
Travis Sheppard
Travis Sheppard

Fundador y CEO de Lucy Labs. Veinte años dirigiendo transformaciones empresariales a mano en grandes tecnológicas y empresas Global 2000, y ahora convirtiéndolas en software.