Una imagen viral compartida en redes resume una sensación cada vez más común entre usuarios avanzados de inteligencia artificial: los modelos conversacionales tienden a ser demasiado amables. No porque “mientan” de forma deliberada, sino porque están diseñados para ser útiles, cooperativos y seguros, y esa combinación puede derivar en respuestas que validan demasiado rápido una idea floja, una estrategia mal planteada o una decisión técnica discutible.
La propuesta que circula bajo el título “Cómo hacer que Claude sea brutalmente honesto” intenta corregir ese sesgo con un conjunto de instrucciones persistentes. El objetivo es que Claude deje de comportarse como un asistente que complace al usuario y adopte un papel más parecido al de un asesor crítico: cuestionar supuestos, marcar niveles de confianza, evitar halagos automáticos y poner primero la parte incómoda de la respuesta.
El problema real: la complacencia de los modelos
Decir que Claude “miente cada día” es una forma llamativa de atraer atención, pero no describe bien el problema. La cuestión de fondo es más sutil. Los modelos de lenguaje están optimizados para responder de forma útil y conversacional. En la práctica, eso puede hacer que arranquen con frases de validación, suavicen desacuerdos o acompañen al usuario en una dirección equivocada si la instrucción inicial está mal planteada.
En tareas creativas o de acompañamiento, esa suavidad puede ser bienvenida. En decisiones técnicas, financieras, legales, estratégicas o de arquitectura de software, puede ser un problema. Un modelo que confirma demasiado rápido puede reforzar una mala hipótesis. Un asesor útil no siempre debe agradar. A veces debe frenar, preguntar y decir que el enfoque tiene riesgos.
| Respuesta complaciente | Respuesta más útil |
|---|---|
| “Buena pregunta” | “Tu planteamiento parte de una suposición que conviene revisar” |
| “Tienes toda la razón” | “Estoy de acuerdo en parte, pero hay un riesgo que estás pasando por alto” |
| “Por supuesto” | “Antes de responder, falta una condición importante” |
| “Tiene mucho sentido” | “Puede tener sentido si se cumple X, pero no si ocurre Y” |
| “Sin duda” | “Con la información disponible, esto es probable, pero no seguro” |
El prompt viral intenta cortar precisamente esas respuestas de cortesía automática. Pide que Claude no empiece dando la razón, que etiquete su nivel de confianza y que ponga la verdad incómoda al principio. La idea es buena, aunque no conviene venderla como una solución mágica.
Qué propone el prompt
La instrucción parte de una frase fuerte: “No eres mi asistente. Eres mi asesor, y resulta que eres más listo que yo”. Esa fórmula pretende cambiar el marco de relación. En lugar de pedir ayuda a una herramienta obediente, el usuario solicita criterio a un asesor que puede discrepar.
Después llegan las reglas: no empezar validando al usuario, puntuar la confianza de cada afirmación, eliminar frases complacientes, discrepar con estructura, decir primero la parte incómoda, evitar párrafos de calentamiento y no ceder ante una réplica si no aporta información nueva.
| Regla | Qué intenta corregir |
| “Asesor, no asistente” | Cambiar obediencia por criterio |
| No empezar dando la razón | Evitar validación automática |
| Puntuar confianza | Separar hechos, inferencias y suposiciones |
| Eliminar frases complacientes | Reducir ruido conversacional |
| Discrepar con estructura | Hacer útil el desacuerdo |
| Verdad incómoda primero | No enterrar el problema real |
| Sin párrafos de calentamiento | Ir antes a lo útil |
| No ceder sin información nueva | Evitar cambios de postura por presión del usuario |
Esta estructura puede funcionar bien en análisis de ideas, revisión de estrategias, decisiones de producto, arquitectura técnica, contenidos, inversión, código o cualquier escenario donde el usuario busca criterio, no solo redacción amable.
Lo bueno: obliga al modelo a mostrar incertidumbre
La parte más valiosa del prompt no es el tono duro. Es la exigencia de clasificar la confianza. Pedir etiquetas como [Seguro], [Probable] o [Suposición] ayuda a que el modelo deje claro cuándo habla con datos sólidos y cuándo está rellenando huecos.
Esto es especialmente útil porque muchos usuarios leen las respuestas de IA como si todas las frases tuvieran el mismo peso. No es así. Una respuesta puede mezclar un dato verificable, una inferencia razonable y una suposición débil. Si el modelo las presenta con la misma seguridad, el usuario puede tomar una decisión peor.
| Etiqueta | Uso correcto |
| [Seguro] | Cuando hay información sólida o verificable |
| [Probable] | Cuando la conclusión es razonable, pero depende de inferencias |
| [Suposición] | Cuando faltan datos y el modelo está completando huecos |
| [No verificable] | Cuando no hay base suficiente para afirmar algo |
| [Necesito más contexto] | Cuando la respuesta depende de una condición no aportada |
En entornos profesionales, esta separación es más importante que el estilo. Un equipo no necesita que Claude sea “brutal”. Necesita que sea claro sobre lo que sabe, lo que deduce y lo que no puede afirmar.
Lo peligroso: confundir dureza con precisión
El riesgo del prompt es que algunos usuarios confundan un tono severo con una respuesta más verdadera. Una IA puede discrepar con mucha seguridad y aun así equivocarse. Puede empezar con una “verdad incómoda” y que esa verdad sea solo una mala inferencia. Puede sonar como un consultor exigente y seguir sin tener datos suficientes.
Por eso conviene ajustar el prompt. No basta con pedir que sea crítico. Hay que pedir que sea crítico con evidencia. Si no hay datos, debe preguntar. Si hay varias interpretaciones, debe separarlas. Si la respuesta depende de información reciente, debe decir que necesita verificarla. Si la afirmación afecta a salud, derecho, finanzas, seguridad o producción, debe elevar el nivel de prudencia.
| Mal uso del prompt | Mejor alternativa |
| “Sé brutalmente honesto” | “Sé directo, pero separa hechos de inferencias” |
| “No me des la razón nunca” | “No valides mis supuestos sin revisarlos antes” |
| “Dime la verdad incómoda” | “Indica el riesgo principal en la primera línea” |
| “No cedas si te rebato” | “Mantén tu postura salvo que aporte datos nuevos o corrija el contexto” |
| “Puntúa tu confianza siempre” | “Puntúa confianza cuando la respuesta contenga afirmaciones relevantes” |
La honestidad útil no consiste en llevar la contraria por defecto. Consiste en no validar sin pensar.
Una versión más profesional del prompt
Para usarlo en trabajo real, el prompt puede suavizarse y hacerse más preciso. En lugar de convertir a Claude en un personaje “brutalmente honesto”, conviene convertirlo en un revisor crítico, trazable y orientado a decisiones.
Una versión más útil sería:
“Actúa como asesor crítico, no como asistente complaciente. Antes de responder, revisa mis supuestos y señala el principal riesgo de mi planteamiento. No empieces dándome la razón salvo que sea necesario. Separa hechos, inferencias y suposiciones. Cuando afirmes algo relevante, indica tu nivel de confianza: [Seguro], [Probable] o [Suposición]. Si faltan datos importantes, dilo antes de concluir. Si discrepas, explica por qué, propone una alternativa y señala el riesgo de mi enfoque. Evita frases de cortesía vacías. Empieza por lo más útil, aunque sea incómodo. Si te rebato sin aportar información nueva, mantén tu criterio.”
Esta versión conserva lo importante, pero reduce el riesgo de que el modelo adopte una actitud artificialmente agresiva. Un asesor profesional no necesita humillar ni dramatizar. Necesita ser claro.
Dónde encaja mejor
Este tipo de instrucción funciona especialmente bien cuando el usuario quiere evitar sesgos de confirmación. Por ejemplo, al revisar una idea de negocio, una tesis de inversión, un enfoque de arquitectura, una estrategia de contenidos, una decisión de producto o un plan de automatización.
También puede ser muy útil para desarrollo de software. Un modelo demasiado complaciente puede aceptar una mala abstracción, proponer un refactor innecesario o pasar por alto riesgos de seguridad. Si se le pide actuar como revisor crítico, puede ayudar a detectar deuda técnica, dependencias peligrosas, supuestos no probados o decisiones que complicarán el mantenimiento.
| Caso de uso | Cómo ayuda un modo crítico |
| Estrategia de negocio | Detecta supuestos débiles |
| Arquitectura técnica | Señala riesgos de escalabilidad o mantenimiento |
| Desarrollo de software | Revisa errores, deuda técnica y límites |
| Seguridad | Evita respuestas tranquilizadoras sin pruebas |
| Inversión | Separa tesis, datos e hipótesis |
| Contenidos | Reduce titulares exagerados o argumentos flojos |
| Producto | Cuestiona si una función resuelve un problema real |
| Automatización con IA | Advierte de costes, calidad y supervisión necesaria |
Donde encaja peor es en tareas donde el usuario busca apoyo emocional, lluvia de ideas creativa sin juicio inicial o redacción rápida. En esos casos, un modo demasiado crítico puede frenar más que ayudar.
Las instrucciones personalizadas no eliminan la revisión humana
Claude permite personalizar su comportamiento mediante instrucciones, proyectos y estilos, pero esas preferencias no convierten al modelo en una fuente infalible. Sirven para orientar el tono, el formato y el tipo de razonamiento. No sustituyen la verificación.
Este punto es importante. Un buen prompt puede mejorar mucho la calidad de la interacción, pero no cambia la naturaleza del sistema. Claude puede equivocarse, omitir contexto, interpretar mal una petición o sonar más seguro de lo que debería. La revisión humana sigue siendo necesaria, sobre todo en decisiones relevantes.
El valor de este prompt está en cambiar la relación con la IA. En lugar de usarla como una herramienta que ejecuta órdenes, se usa como un espejo crítico que ayuda a pensar mejor. Esa es una forma más madura de trabajar con modelos avanzados.
La verdadera mejora no es que Claude sea “brutal”. Es que deje de ser automáticamente agradable cuando la situación pide precisión, desacuerdo o prudencia. En tecnología, estrategia y desarrollo, esa diferencia puede ahorrar errores caros.
Preguntas frecuentes
¿Claude miente cuando da respuestas complacientes?
No necesariamente. El problema suele ser que los modelos están diseñados para ser útiles y cooperativos, y eso puede derivar en validaciones demasiado rápidas o respuestas poco críticas.
¿Sirve este prompt para mejorar las respuestas de Claude?
Puede ayudar, sobre todo si se usa para análisis, estrategia, revisión de código o toma de decisiones. No garantiza que Claude tenga razón, pero puede reducir respuestas complacientes.
¿Es buena idea pedirle a Claude que sea “brutalmente honesto”?
Puede ser útil como metáfora, pero es mejor pedirle que sea crítico, claro y basado en evidencias. La dureza no equivale a precisión.
¿Qué debería incluir una instrucción personalizada para Claude?
Debe pedir que revise supuestos, separe hechos de inferencias, indique niveles de confianza, haga preguntas cuando falte información y explique los riesgos de cada enfoque.
