El uso estratégico de modelos de inteligencia artificial local antes de interactuar con plataformas más robustas como ChatGPT está ganando popularidad entre los usuarios avanzados. Este enfoque surge de la necesidad de superar las limitaciones de uso y de mejorar la calidad de las respuestas generadas por los modelos de lenguaje de gran escala.
En lugar de depender únicamente de ChatGPT, un creciente número de usuarios está integrando modelos de IA más pequeños y locales para perfeccionar sus solicitudes antes de enviarlas a la nube. La estrategia consiste en utilizar modelos como LM Studio para actuar como asistentes de ingeniería de prompts, es decir, herramientas que ayudan a formular mejor las preguntas o tareas que se le asignarán a ChatGPT, asegurando un contexto más completo y adecuado.
En su experimento, un usuario decidió probar esta táctica, descubriendo que iniciar el proceso con un modelo de IA local ayudaba a evitar los límites de uso de los modelos en la nube y mejoraba la calidad de las respuestas finales. La IA local actúa como un editor preliminar, haciendo preguntas clave para clarificar y enriquecer el contexto del prompt antes de que ChatGPT lo procese.
Un ejemplo sencillo ilustra la eficacia del método: al planear unas vacaciones, en lugar de sugerir destinos, el modelo local preguntó sobre el presupuesto, el número de viajeros, las preferencias de transporte y la duración del viaje. Estas preguntas llevaron a un contexto más rico y a una respuesta final más ajustada a las necesidades del usuario.
Los modelos locales no requieren de hardware especializado ni de conocimientos técnicos avanzados, gracias a herramientas accesibles como Ollama y GPT4All, que permiten ejecutar modelos de IA pequeños en ordenadores estándar. Además, navegadores como Brave facilitan la integración de estos modelos directamente en sus interfaces.
Entre las opciones de modelos de IA local se encuentran Gemma 4 de Google, Llama 4 Scout de Meta, Phi-4 de Microsoft, y modelos compactos de Mistral y Qwen. Estos modelos, aunque más limitados que ChatGPT, son muy efectivos como entrevistadores que ayudan a mejorar los prompts antes de que sean procesados por los modelos más complejos.
Además de mejorar la calidad de los prompts, el uso de modelos locales tiene un beneficio adicional: actúan como filtros de privacidad. Al revisar los prompts localmente, se pueden eliminar detalles sensibles y reemplazar información personal con marcadores de posición, protegiendo así la privacidad del usuario antes de enviar información a servicios basados en la nube.
Si bien es posible pedir a ChatGPT que haga preguntas aclaratorias, el uso de un modelo local dedicado ofrece un espacio de trabajo libre de distracciones y permite preparar el prompt de manera más detallada antes de usar la capacidad de procesamiento de modelos más grandes.
Este enfoque innovador demuestra que la combinación de IA local y en la nube maximiza la eficiencia y la precisión de las respuestas, moviendo el uso de la IA más allá del simple chatbot hacia un sistema más colaborativo y efectivo. Los usuarios avanzados están adoptando esta metodología, no solo para mejorar los resultados, sino también para optimizar el uso de sus recursos de IA.