Nunca aceptes el primer plan de tu IA sin ver al perdedor
Nunca aceptes el primer plan de tu IA sin ver al perdedor. Cuando un agente te entrega un solo enfoque con un párrafo prolijo de justificación, no estás viendo una decisión: estás viendo un valor por defecto. El modelo tomó el primer patrón plausible de su distribución de entrenamiento y luego lo racionalizó. Eso no es lo mismo que sopesar opciones y elegir.
Por qué una sola opción es una señal de alerta
Una elección solo significa algo en relación con lo que rechazaste. Si no se rechazó nada, no se eligió nada. La salida de una sola opción esconde tres fallas a la vez: el modelo nunca exploró el espacio, así que no puede decirte qué se saltó; no puede mostrar el trade-off que de verdad te importa; y cuando el plan choca contra una pared en la segunda semana, no tienes ningún plan de respaldo documentado ni registro de por qué ganó este camino.
Esto no es una rareza de un modelo: es cómo funciona la generación greedy. Pide "la respuesta" y obtienes la continuación de mayor probabilidad, que es segura, fluida y completamente muda sobre los caminos no tomados.
La solución: divergir y luego converger
Haz que el agente cumpla dos tareas separadas en orden. Primero divergir: generar enfoques genuinamente distintos, no tres versiones de la misma idea. Luego converger: puntuarlos y comprometerse con uno, dejando al segundo mejor en el registro.
| Fase | Qué exiges | Qué rechazas |
|---|---|---|
| Divergir | 3+ enfoques que difieren en arquitectura, no en redacción | "La opción B es la opción A con caché" |
| Juzgar | Puntuar por costo, riesgo y reversibilidad | Intuición, o "esta se siente más limpia" |
| Converger | Una elección más el segundo mejor y exactamente por qué perdió | Un ganador sin alternativa nombrada |
Coloca esto en tu prompt o en el paso de planificación de tu agente:
Before recommending anything, generate at least THREE genuinely different
approaches. They must differ in structure, not just naming.
Score each on: implementation cost, blast radius / risk, and reversibility.
Then output:
1. Your pick and why.
2. The strongest runner-up and the SPECIFIC reason it lost.
3. The trigger that would make the runner-up the right call instead.Esa última línea es la que la gente olvida. "Por qué perdió" es un veredicto estático; "qué lo cambiaría" es un plan de respaldo vivo sobre el que puedes actuar cuando la realidad contradice al plan.
El beneficio
El segundo mejor se gana su lugar dos veces. Cuando la elección se estanca —la biblioteca que elegiste queda obsoleta, la API que asumiste no existe— ya tienes escrito el siguiente movimiento, junto con las condiciones que ahora lo favorecen. Y la opción rechazada es el rastro de auditoría que prueba que la elección fue razonada, no el camino de menor resistencia. Por eso los equipos de ingeniería maduros escriben Architecture Decision Records con secciones obligatorias de "Considered Options" y "Pros and Cons": registrar solo al ganador tira a la basura el análisis que hizo defendible la decisión.
Jugadas avanzadas
- Fuerza la divergencia muestreando, no preguntando. Pedir tres opciones en una sola respuesta greedy suele dar tres casi duplicados. En cambio, genera las opciones en ejecuciones separadas a mayor temperatura y luego haz que una llamada nueva las juzgue. Es la misma idea de "muestrear muchos caminos de razonamiento y luego reconciliar" detrás de self-consistency y Tree of Thoughts: la divergencia viene de muestras independientes, no de pedirle amablemente a una sola pasada que sea creativa.
- Nombra primero los criterios de decisión. Antes de que el agente proponga nada, haz que liste los criterios que la solución debe satisfacer. Las opciones juzgadas contra criterios explícitos superan a las juzgadas por intuición, y puedes verificar si el ganador realmente los cumple.
- Prohíbe el empate. Si el modelo dice que dos opciones son "más o menos iguales", no terminó de pensar. Fuerza una elección ordenada y un desempate concreto; un verdadero segundo mejor pierde por una razón específica y enunciable.
Recursos
- About MADR — la plantilla Markdown ADR — hace obligatorias las secciones "Considered Options" y "Pros and Cons of the Options".
- ADR Templates — plantillas de registro de decisiones completas y mínimas para copiar.
- Self-Consistency Improves Chain of Thought Reasoning (Wang et al., 2022) — muestrear caminos de razonamiento diversos y luego reconciliar.
- Tree of Thoughts: Deliberate Problem Solving with LLMs (Yao et al., 2023) — explorar múltiples ramas antes de comprometerse.
¿Construyes agentes que de verdad deciden? Yeda AI diseña, audita y despliega sistemas LLM en producción que razonan en lugar de recurrir a valores por defecto.