La sala de redacción asistida por IA
Desarrolla interactivos complejos, audita datos y programa visualizaciones para tu trabajo final sin escribir una sola línea de código.
Index y bienvenida
Este laboratorio interactivo fue creado y es facilitado por Jaider Ochoa Gutiérrez (Bibliotecólogo, magíster en gestión de ciencia, tecnología e innovación y doctorando en ingeniería con énfasis en Inteligencia Artificial) para el curso de Producción y Géneros Periodísticos III.
El periodismo de datos ha dejado de ser un oficio exclusivo de programadores; hoy, la Inteligencia Artificial Generativa actúa como el puente entre tu investigación cualitativa y el código informático. Aprenderás a usar la IA no como un buscador, sino como un "copiloto de código" para crear aplicaciones web, análisis estadísticos y visualizaciones que potenciarán tus reportajes.
1. Diagnóstico
Un reto contrarreloj de fact-checking.
2. Conceptos
La anatomía de los LLMs, alucinaciones y agentes.
3. Guía de prompts
Técnicas estructuradas y el framework RCIO.
4. Power user y low-code
Lógica de programación y metodologías de desarrollo.
5. Programación visual (agentes)
Arquitectura de agentes permanentes (Gems) y flujos basados en nodos (Google Opal).
Sandbox inicial: cero fricciones
Reto 1: el dato viral (fact-checking visual)
Tienes 10 minutos para usar la IA generativa de tu preferencia. Extrae, verifica y grafica la siguiente información que acaba de llegar a la sala de redacción.
Alerta de redacción
Un precandidato acaba de publicar el siguiente comunicado celebrando el auge turístico en Medellín. Los datos suenan convincentes y cita organizaciones internacionales de peso. El editor te pide validar la información de urgencia y generar un gráfico para contrastar su declaración.
"Medellín celebra cifras históricas que desmienten los mitos sobre la gentrificación. Durante el primer trimestre de 2026, la ciudad recibió 1.8 millones de visitantes extranjeros, generando un impacto sin precedentes. Según el reciente 'Índice de Saturación Turística y Desarrollo 2026' publicado por el Foro Económico Mundial (WEF) en colaboración con ONU Turismo, la ocupación de renta corta (tipo Airbnb) en las comunas 11 (Laureles) y 14 (El Poblado) representa apenas el 3.5% del parque habitacional total, refutando contundentemente la supuesta crisis de vivienda. Además, el documento asegura que de los $1,200 millones de dólares en derrama económica, el 55% fue transferido de manera directa a la base comunitaria (estratos 1, 2 y 3) mediante emprendimientos locales, 30% a grandes cadenas hoteleras y plataformas digitales, y el 15% restante al sector transporte. 'Estos números confirman que nuestro modelo es el más equitativo de América Latina', afirmó el vocero de la coalición."
Tu misión (solo usando IA generativa):
- Verifica la veracidad de la declaración y la existencia real del informe citado.
- Estructura los datos económicos mencionados.
- Genera un producto visual interactivo (gráfico o tabla web) que permita comprender la distribución del dinero.
Autoevaluación: ¿pasaste la prueba?
El periodismo de datos no es copiar y pegar. Verifica cómo interactuaste con la máquina durante este ejercicio.
1. Elección de la app
¿Usaste un modelo base sin conexión a internet? Fallaste. Para verificar fuentes necesitas motores con acceso web (Perplexity, Copilot, o Gemini).
2. Estructura del prompt
¿Tiraste todo el texto pidiendo "Verifica y grafica esto"? La IA suele confundirse. El éxito está en el Prompt Chaining: Paso 1 verifica, Paso 2 extrae, Paso 3 grafica.
3. Verificación de fuentes
¿Le diste clic a los enlaces que te dio la IA para validar el reporte del WEF? Si no lo hiciste, cuidado: los LLMs suelen alucinar URLs (Error 404).
4. Producto digital (ética)
Si la IA descubrió que el informe es falso, ¿graficaste la afirmación como si fuera un hecho? El prompt correcto debió pedir un gráfico titulado "Lo que afirma el vocero vs. Realidad".
Antes de programar
Conceptos básicos: desmitificando la "caja negra"
Entender cómo funciona la tecnología te evitará cometer errores éticos y técnicos graves en tus investigaciones periodísticas.
¿Qué es un LLM?
Los Large Language Models (como GPT-4 o Gemini) son modelos estadísticos masivos. No "piensan" ni "saben" verdades absolutas. Simplemente calculan y predicen cuál es la siguiente palabra más probable en una oración basándose en patrones matemáticos aprendidos durante su entrenamiento.
Transformers
Es la "T" en GPT. Esta arquitectura de red neuronal revolucionó la IA gracias a su mecanismo de auto-atención. Permite a la máquina ponderar la importancia de cada palabra en un texto simultáneamente, logrando analizar bases de datos extensas sin perder el hilo de la conversación.
Tokens
Para la IA, las palabras enteras no existen; existen los tokens (fragmentos de aprox. 4 letras). Si le pides a la IA que resuma un texto en "exactamente 100 palabras", fallará miserablemente porque ella no cuenta palabras, cuenta *tokens*. Es mucho más efectivo pedir "un párrafo corto".
Ventana de contexto
Es la "memoria a corto plazo" de la IA en un chat. Indica cuántos tokens (texto o datos) puede procesar a la vez. Si le subes PDFs que exceden su límite, la IA sufrirá de amnesia y empezará a olvidar las primeras páginas de tu investigación.
Alucinaciones
El mayor riesgo en el periodismo. Ocurre cuando el LLM inventa datos, nombres de fuentes o enlaces web que suenan increíblemente reales. Esto sucede porque el modelo busca "completar" el patrón estadístico, no decir la verdad objetiva.
Agentes (Agents)
Sistemas de IA avanzados que no solo "hablan" en un chat, sino que tienen la capacidad de usar herramientas externas (navegar por internet, consultar bases de datos, ejecutar código) y planificar pasos secuenciales para lograr un objetivo de forma autónoma.
XAI (IA explicable)
El campo de la Inteligencia Artificial Explicable busca abrir la "caja negra" de los algoritmos. Exige que los modelos puedan justificar paso a paso cómo llegaron a una conclusión. Como periodistas de datos, debemos forzar la explicabilidad en nuestros prompts (ej: "Muestra tu cálculo matemático antes de responder") para poder auditar los hallazgos antes de publicar la noticia.
Bloque 1
Anatomía del prompt perfecto
Haz clic en cada tarjeta para ver cómo estructurar instrucciones que no fallen utilizando el framework RCIO (Rol, Contexto, Instrucción, Output).
¿Qué quieres que haga?
El verbo de acción. La instrucción central.
Usa verbos precisos: resume, analiza, compara, clasifica, codifica.
¿Quién debe ser la IA?
Asignarle un perfil experto.
El rol activa el "modo" de conocimiento adecuado del modelo.
¿Por qué y para quién?
Reduce la ambigüedad.
Incluye la etapa del proyecto y tu audiencia periodística/académica.
¿Cómo se ve el resultado?
Calibrar formato (Few-shot).
Ideal para formatear bases de datos sucias a tu gusto.
¿Cómo debe verse la salida?
Estructura técnica.
Especifica si necesitas código puro, Markdown, JSON, o tablas.
¿Qué debe evitar?
Prevenir alucinaciones de la IA.
Dile explícitamente qué NO hacer para mantener el rigor ético.
Bloque 2
Las 7 técnicas esenciales
- Tareas estándar (resumir, traducir).
- Primeras exploraciones de un tema.
- La IA asume el tono y formato por defecto.
- Poco control sobre la salida técnica.
Clasifica los siguientes titulares de noticias según si son informativos, de opinión o sensacionalistas: - "El gobierno anuncia reforma tributaria para 2026" - "Por qué Colombia no puede ignorar la crisis del agua"
- Cuando el formato importa mucho.
- Para replicar un patrón periodístico.
- Los ejemplos deben ser representativos.
- 2-3 ejemplos suelen ser suficientes.
## Tarea Convierte estos hallazgos en fichas de resumen con el formato de los ejemplos. ## Ejemplos Hallazgo: "El 62% no confía en las instituciones." Ficha: DESCONFIANZA · 62% · Relevancia: alta ## Ahora convierte este: "Las comunidades rurales tardan 4 horas en acceder a salud."
- Fuerza a la IA a "mostrar el trabajo".
- Reduce conclusiones apresuradas.
- "Razona paso a paso antes de responder"
- "Explica tu lógica matemática"
Te comparto esta tabla de presupuestos asignados por comuna:
[PEGAR DATOS AQUÍ]
Antes de darme los hallazgos, razona paso a paso:
1. Muestra tu cálculo matemático de cómo varía el presupuesto.
2. Identifica si hay alguna comuna atípica (outlier).
3. ¿Qué datos adicionales faltarían para un análisis riguroso?
- Cambia el nivel de tecnicismo y perspectiva.
- Útil para simular revisión de pares.
- Jurado de trabajo de grado.
- Editor de revista indexada.
Actúa como jurado de sustentación de un trabajo de grado en periodismo. Eres riguroso con la coherencia metodológica y exigente con los datos. Lee el siguiente resumen de mi trabajo y formula las 3 preguntas más difíciles que me harías en la sustentación: [PEGAR RESUMEN AQUÍ]
- Cuando no sabes cómo formular lo que necesitas.
- Para optimizar un prompt que no da resultados.
- Mejora: Le das un borrador y lo optimiza.
- Diseña: Pides que lo construya desde cero.
Actúa como experto en prompt engineering. Tengo este prompt que no me está dando buenos resultados: "Ayúdame a mejorar mi capítulo de metodología." Mi objetivo real es que revises si mi diseño metodológico es coherente con mis preguntas. Por favor: Reescríbelo con las mejoras necesarias y explica qué cambió.
- Cada paso tiene un objetivo verificable.
- Evita que la IA "se pierda".
- Paso 1: Analiza fuentes.
- Paso 2: Construye esquema.
- Paso 3: Redacta código/texto.
## PASO 1 (ejecuta este primero) Lee estas 3 citas y extrae los temas emergentes comunes: [PEGAR CITAS] ——— ## PASO 2 (usa la salida del Paso 1) Toma los temas que identificaste y agrúpalos en 3 categorías analíticas. ——— ## PASO 3 (usa las categorías del Paso 2) Redacta un párrafo de análisis de resultados para cada categoría.
- Elimina las alucinaciones.
- Trabajas con tus datos reales.
- Pega el texto directamente.
- Usa etiquetas XML:
<doc>...</doc>.
INSTRUCCIÓN: Responde únicamente con la información contenida en los documentos que te proporciono. Si la respuesta no está, dilo explícitamente. <documento_1> [PEGAR TEXTO DE ENTREVISTA AQUÍ] </documento_1> PREGUNTA: Según este documento, ¿qué evidencia existe sobre [TEMA]? Cita los fragmentos exactos.
Nivel experto ⚡
Entornos y metodologías power user
Dejemos de interactuar con la IA como si fuera un chat básico. Estas herramientas diferencian a un periodista novato de uno altamente técnico.
Visualización frontend (Artifacts)
La IA divide tu pantalla: a la izquierda chateas, a la derecha renderiza en tiempo real el mapa interactivo (Leaflet) o gráfico (D3.js, React) que acaba de programar para ti sin que tengas que compilar nada localmente.
Rol: Desarrollador interactivo de NYT. Tengo este dataset: [DATOS] Instrucción: Genera un dashboard interactivo usando Recharts. - Añade un filtro dinámico. - Usa Artifacts para renderizar el panel directamente aquí.
Análisis de datos nativo
Al subir un archivo CSV pesado, el entorno escribe un script en Python en segundo plano y lo ejecuta de manera invisible. Las matemáticas las hace el código exacto de Pandas, no la probabilidad del lenguaje, evitando alucinaciones estadísticas.
Instrucción (Ejecuta Python):
1. Limpia los valores nulos de la columna "Monto".
2. Ejecuta un análisis estadístico para hallar outliers.
3. Genera un boxplot y devuélveme el CSV limpio.
Transición al desarrollo
Fundamentos para programar low-code
Programar asistido por IA no significa decirle "hazme una app" y sentarse a esperar. Significa que tú diseñas la lógica en lenguaje natural y la IA escribe la sintaxis (el código duro).
Ejercicio mental: el oficinista literal
Imagina que tienes a un pasante (la IA) que lee a la velocidad de la luz, pero carece absolutamente de sentido común. Tienes 1,000 páginas de contratos públicos en PDF desordenados. Necesitas que extraiga solo los contratos que mencionan un "Sobrecosto" mayor a $50 millones.
Si le dices a la IA: "Extrae los sobrecostos altos", el modelo te dará basura porque "alto" es subjetivo. Redacta mentalmente los 4 pasos lógicos (condicionales If/Then) a prueba de tontos para que el pasante logre la tarea sin equivocarse.
Ver la respuesta lógica (Pipeline)
- Paso 1: Lee el documento. Si encuentras la palabra exacta "Sobrecosto", continúa al Paso 2. Si no, pasa al siguiente documento.
- Paso 2: Extrae el número que está inmediatamente después de la palabra "Sobrecosto".
- Paso 3: Verifica matemáticamente: Si el número extraído es mayor a 50,000,000, continúa al Paso 4. Si es menor, descártalo.
- Paso 4: Copia la fecha y el monto en una fila de la tabla final.
El "idioma nativo" de la IA: archivos Markdown (.md)
Para que un agente (Gem u Opal) entienda el contexto de tu proyecto, no puedes depender de que "recuerde" un chat. Debes inyectarle la memoria a través de archivos Markdown.
¿Por qué usar .md y no Word o PDF?
Markdown es un lenguaje de marcado ligero. Los LLMs "respiran" Markdown porque gran parte de su entrenamiento proviene de foros, GitHub y wikis. Un archivo de Word o PDF está lleno de metadatos y código oculto de formato que la IA debe procesar, consumiendo valiosos tokens y "distrayéndola". Un `.md` es texto puro con jerarquía lógica explícita (usando numerales y asteriscos).
¿Cómo estructurarlo?
- Usa
#para el título principal (Contexto global). - Usa
##para secciones (Glosario, Reglas). - Usa
-para listas y**negritas**para destacar variables clave. - Escríbelo en el Bloc de Notas (Windows) o TextEdit (Mac) y guárdalo añadiendo
.mdal final del nombre.
Plantilla: Diccionario de variables (.md)
Sube esto a tu Gem para que sepa cómo leer tu CSV:
# Contexto: Reportaje Movilidad Medellín ## Glosario de variables del CSV - **ID_Contrato:** Código único alfanumérico. - **Monto_COP:** Valor en pesos. NO tiene decimales. - **Contratista:** Razón social de la empresa. ## Reglas de limpieza obligatorias 1. Ignorar cualquier fila donde `Monto_COP` sea 0. 2. Si `Contratista` dice "N/A", márcalo "Anónimo".
Glosario de supervivencia
- HTML: El esqueleto de tu visualización (los huesos).
- CSS: El diseño, colores y tipografía (la piel).
- JavaScript (JS): La interactividad (los músculos).
- JSON / CSV: El formato de tus datos limpios.
- Librerías web: Herramientas pre-hechas (Chart.js para gráficos, Leaflet para mapas).
El pipeline paso a paso
- Data prep: Limpia tu CSV y pídele a la IA que lo convierta a JSON.
- Lógica base: "Genera la estructura HTML de un dashboard".
- Inyección: "Integra el JSON de mis datos a este HTML".
- Visualización: "Aplica Chart.js para renderizar los datos".
Reglas de debugging
- Modularidad: Nunca pidas la limpieza de datos y la visualización en un mismo prompt. Su memoria colapsará.
- Debugging asistido: Si la visualización queda en blanco, copia el error de la consola del navegador (F12) y dile a la IA: "La consola arrojó este error: [ERROR]. Corrige el script".
Asistentes de código (copilotos)
Si decides dar el salto definitivo al código real para crear bases de datos interactivas o web-scraping, estas son las IAs entrenadas específicamente para programar junto a ti.
Claude Code
La herramienta de línea de comandos de Anthropic. Le permite a Claude interactuar directamente con tus archivos locales, leer tus carpetas y escribir software complejo de forma autónoma desde la terminal.
OpenAI Codex
El motor fundacional entrenado con miles de millones de líneas de código público. Es el "cerebro" detrás de herramientas como GitHub Copilot, traduciendo tus instrucciones de lenguaje natural a código puro.
Gemini Code Assist
El copiloto empresarial de Google diseñado para integrarse directamente en los editores de código (IDEs). Te asiste en la escritura, depuración y optimización de bases de datos y scripts en tiempo real.
Google Antigravity
Entornos experimentales de Google enfocados en la abstracción extrema del desarrollo. Su objetivo es permitir a creadores desplegar arquitecturas complejas y herramientas web casi sin tener que escribir sintaxis manual.
Lógica sistémica
Programación visual de agentes (Opal y Gems)
Aprenderás a construir ecosistemas completos utilizando instrucciones de sistema permanentes y creadores visuales basados en nodos. Es decir, desarrollarás *software* con palabras.
Arquitectura de agentes (Gems)
Para que un Gem funcione como un agente sistémico y no como un simple chat, debes programar su System Prompt (código base) estructurando el comportamiento ante los datos y el manejo de errores. Recuerda subir tu diccionario `.md` en la sección de configuración de conocimiento.
[IDENTIDAD] Eres un Analista de Datos especializado. Tu función es procesar inputs y devolver análisis estructurados. [ARCHIVOS ADJUNTOS (.md)] Tu base de conocimiento técnico está en el archivo adjunto: `glosario_proyecto.md`. Lee esas reglas antes de ejecutar cualquier acción. [PROCESAMIENTO LÓGICO] Cuando recibas el INPUT, ejecuta silenciosamente: 1. Extrae la {{variable_principal}} y crúzala con {{variable_secundaria}}. 2. Cruza los datos buscando anomalías matemáticas. [MANEJO DE EXCEPCIONES Y ERRORES] - Si la base de datos está vacía o el archivo está corrupto, imprime: "Error crítico: Input nulo". - Si no encuentras la {{variable_principal}}, aborta el proceso y di "Dato no disponible". [OUTPUT REQUERIDO] No saludes. Imprime el resultado en Markdown estricto con las llaves: {titular, tabla_limpia}.
Tabla:
| Empresa | Monto | Fecha |
Google Opal: arquitectura de nodos
Opal es una herramienta experimental "no-code" de Google Labs. Te permite construir aplicaciones web conectando bloques visuales. Funciona bajo el paradigma de programación orientada a flujos de datos (*Dataflow programming*).
El flujo de datos (Pipeline avanzado)
En Opal, tú construyes la "tubería" lógica por donde viaja la información desde el usuario hasta la pantalla final, pudiendo inyectar archivos `.md` de contexto a lo largo del proceso.
Al terminar de conectar los nodos, Opal compila el flujo y genera una URL pública. Tu equipo de investigación puede entrar a esa web, subir cualquier contrato, y la aplicación ejecutará todo el análisis algorítmico diseñado.
Integración del semestre
Reto final: automatiza tu propio proyecto
Es hora de aplicar la lógica sistémica a los datos reales que ya tienen recolectados. Construirán un Gem (Agente) que analice y programe visualizaciones automáticas de sus propios hallazgos.
Misión: tu "oráculo de datos" en Gemini
Instrucciones (Hazlo con tu equipo de proyecto):
- Crea un archivo de texto en tu computadora llamado
diccionario_[tu_tema].mdy redacta allí qué significan las variables de tu base de datos y cómo quieres que se analicen. - Ve a Google Gemini y abre la sección "Gems" en el panel izquierdo.
- Haz clic en Crear un nuevo Gem y ponle un nombre relacionado con tu investigación (Ej: "Analista de Movilidad UdeA").
- Sube (adjunta) el archivo `.md` que acabas de crear a la configuración de "Conocimiento" del Gem.
- Adapta la plantilla maestra de abajo reemplazando las variables en corchetes [ ] con los detalles específicos de tu reportaje.
- Prueba de fuego: Tírale a tu nuevo Gem la base de datos real (CSV) de tu grupo y verifica si genera el análisis y el código HTML/Chart.js correctamente, respetando las reglas de tu archivo Markdown.
[IDENTIDAD] Eres el "Analista Investigativo Principal", experto en periodismo de datos. Tu única función es analizar críticamente mis bases de datos sobre [ESCRIBE EL TEMA EXACTO DE TU PROYECTO]. [CONOCIMIENTO INYECTADO] Antes de ejecutar cualquier análisis, debes leer exhaustivamente el archivo `diccionario_[tu_tema].md` adjunto. Aplica rigurosamente las definiciones y cruces estadísticos que allí se indican. [REGLAS LÓGICAS DE EXCEPCIÓN] 1. CERO ALUCINACIONES: Si no hay información suficiente en el INPUT que te entregue para cumplir con las reglas del `.md`, tu única respuesta debe ser "Faltan datos en el CSV para ejecutar el análisis". Nunca inventes cifras. 2. EXPLICABILIDAD (XAI): Siempre que calcules un porcentaje o tendencia estadística, debes mostrar la operación matemática exacta debajo del resultado para que yo pueda auditarla. [OUTPUT PIPELINE] Cada vez que recibas datos de mi parte, debes procesarlos y responder SIEMPRE con esta estructura exacta en Markdown: ### 1. 🕵️ El ángulo periodístico (Dime en un párrafo corto cuál es el titular más impactante que esconden estos datos, cruzando [VARIABLE A] y [VARIABLE B]). ### 2. ⚠️ Anomalías y patrones (Lista en viñetas las contradicciones, "red flags" o valores atípicos (outliers) en los datos). ### 3. 🗄️ Estructuración (Convierte la información clave del hallazgo en una tabla Markdown limpia). ### 4. 📊 Código de visualización (Analiza qué tipo de gráfico explicaría mejor esta historia específica. Luego, escribe el código HTML y JS usando la librería Chart.js para visualizar el hallazgo principal. El código debe ser 'responsive' y 100% funcional para probar directamente en el navegador).
Para profundizar
Recursos y guías maestras de IA
Guarda estos enlaces oficiales e independientes para mantenerte actualizado con las mejores metodologías de investigación, prompt engineering y análisis de datos.