El conocimiento ya se instala: skills, conectores y una nueva forma de desarrollar
Durante años, desarrollar una aplicación significaba acumular conocimiento en tres sitios: la cabeza de quien programaba, la documentación y el código ya escrito. Hoy está apareciendo una cuarta capa: conocimiento empaquetado para que una inteligencia artificial pueda seguir una forma de trabajar.
Es lo que ocurre con las skills —habilidades formadas por instrucciones, criterios y procedimientos reutilizables— y con los conectores que permiten a un agente consultar herramientas, archivos o datos reales. No son lo mismo, aunque a veces los metamos en el mismo saco: una habilidad le explica a la IA cómo debe trabajar; un conector le permite acceder, con permisos concretos, a dónde está el contexto o dónde debe actuar.
Del conocimiento que se consulta al conocimiento que se instala
Antes buscábamos un tutorial, copiábamos un fragmento de código y tratábamos de adaptarlo. Ahora podemos incorporar a un agente una metodología completa: cómo revisar una interfaz, cómo estructurar un componente, qué comprobaciones hacer o qué errores evitar.
Repositorios como UI Skills hacen visible este cambio. Ya no reúnen solo ejemplos finales. Reúnen formas de abordar el trabajo que se pueden instalar y reutilizar. Pablo Carballo lo explica bien al hablar de skills para diseñar webs con IA sin obtener siempre el mismo resultado: el valor está en añadir criterio y restricciones, no en pedir otra vez “hazme una web moderna”.
Esto cambia el papel de quien desarrolla. Saber sintaxis sigue siendo útil, pero deja de ser suficiente. Cada vez importa más saber definir el problema, escoger el método, aportar contexto, limitar permisos y verificar el resultado.
Los conectores no aportan criterio; aportan alcance
Un conector puede permitir que un agente consulte un calendario, lea documentación, busque una tarea o trabaje con una base de datos. Las guías de conectores para Claude y de conectores MCP para ChatGPT muestran hasta dónde puede llegar este ecosistema.
Pero conectar no significa gobernar. Dar acceso a más herramientas no mejora automáticamente el trabajo. También amplía la superficie de error. Por eso una integración seria debe empezar con el mínimo permiso posible, preferiblemente en lectura, y añadir capacidad solo cuando existe una necesidad comprobada. Leer una tarea no implica poder modificarla. Consultar un correo no implica poder enviarlo. Y generar una propuesta no debería equivaler a publicarla.
El riesgo: repositorios enormes que no contienen nada nuevo
Hay una paradoja interesante. La IA facilita crear habilidades, conectores, plantillas y ejemplos a una velocidad enorme. Pero si nadie experimenta, contrasta y aporta conocimiento nuevo, esos repositorios pueden terminar convertidos en colecciones de ejemplos generados a partir de otros ejemplos generados por IA.
Una biblioteca con diez mil skills que se copian entre sí puede ser, en realidad, el mismo libro encuadernado de diez mil maneras.
La IA combina muy bien lo que ya existe. Puede proponer una variante inesperada y ayudarnos a recorrer opciones con rapidez. Pero el conocimiento útil aparece cuando algo se enfrenta a la realidad: un usuario que no entiende la interfaz, un proceso que falla, un permiso excesivo, una integración que parecía sencilla y no lo era, o una decisión que mejora el resultado medido.
Si esa experiencia no vuelve al repositorio, solo estaremos almacenando apariencia de conocimiento.
La metodología de trabajo también tiene que cambiar
Para mí, el flujo ya no debería ser “escribo un prompt y acepto el resultado”. Lo razonable se parece más a esto:
- Definir el problema real. Qué debe mejorar, para quién y con qué límites.
- Elegir el método. Usar una skill existente, adaptarla o crear una nueva si aporta un criterio que todavía no está recogido.
- Conectar solo el contexto necesario. Datos, herramientas y permisos mínimos para ejecutar la tarea.
- Construir. Aprovechar la velocidad de la IA sin confundir velocidad con calidad.
- Verificar. Probar funcionamiento, seguridad, accesibilidad, rendimiento y experiencia de uso.
- Registrar lo aprendido. Convertir el hallazgo validado en una instrucción reutilizable, no en otra plantilla genérica.
Esta forma de trabajar enlaza con algo que ya defendía al explicar el método PENSAR: la IA es más útil cuando nos obliga a estructurar mejor el razonamiento, no cuando sustituye la decisión.
El nuevo valor no está en producir más, sino en aprender mejor
Las skills pueden convertirse en memoria operativa. Los conectores pueden acercar esa memoria al trabajo real. Juntos permiten construir aplicaciones con más rapidez y conservar decisiones que antes se perdían entre conversaciones, documentos y cabezas.
Pero el sistema solo mejora si alguien sigue observando, probando, descartando y creando. El repositorio no debería ser un museo de resultados generados. Debería ser una memoria viva de prácticas que han demostrado funcionar.
El desarrollo de aplicaciones está cambiando. Quizá el profesional más valioso ya no sea quien escribe más líneas de código, sino quien sabe qué merece construirse, con qué método, qué acceso necesita y cómo demostrar que funciona.
