Un equipo de 5 personas que deja que cada integrante cree sus propios prompts de AI no solo está desperdiciando tokens: también está desperdiciando horas y entregando trabajo inconsistente. Este es un caso práctico representativo (una composición, no un cliente real identificado) que muestra cómo se ve realmente ese desperdicio mes a mes y qué cambia cuando el mismo equipo adopta una pequeña biblioteca compartida de archivos de habilidades para AI.
Caso práctico ilustrativo · Por el equipo de KissMySkills
La situación: un flujo de trabajo normal y ad hoc con AI
Imagina un equipo de marketing y operaciones de 5 personas en una startup en fase inicial: una persona responsable de contenidos, una responsable de redes sociales, una persona de CRO y analítica, un coordinador de operaciones y una persona fundadora que interviene un poco en todo. Todos usan Claude, ChatGPT o Gemini a diario. Nadie ha configurado nada formal. Todos simplemente... escriben.
Eso significa que cada nuevo chat empieza desde cero. Antes de que la AI pueda producir un primer borrador utilizable, alguien tiene que volver a explicar:
- Quién es la marca y a quién se dirige
- Las reglas de tono («más directo, menos corporativo», «nunca digas “profundizar”», «termina siempre con un CTA claro»)
- Estándares de formato (encabezados, estilo de las viñetas, rangos de cantidad de palabras)
- Para qué canal es y cómo es allí un resultado «bueno»
- Contexto sobre la campaña, el producto o el trimestre actuales
Nada de eso está escrito como un recurso reutilizable. Vive como conocimiento tácito, medio recordado y reescrito —con ligeras variaciones— cada vez.
La cuenta: 5 personas, varias sesiones al día, todos los días
Estas cifras son orientativas, no auditadas: lo importante es la magnitud del desperdicio, no la precisión decimal. Supongamos que cada persona realiza entre 4 y 6 sesiones de chat con AI al día por trabajo: redactar un texto, reescribir un correo electrónico, revisar el titular de una página de destino o resumir una llamada. Si siquiera la mitad de esas sesiones comienza con un bloque nuevo de 150 a 300 palabras del tipo «déjame explicar otra vez la voz de nuestra marca y las reglas de formato», el resultado aproximado es:
- 5 personas × ~3 sesiones con mucho contexto al día = 15 reexplicaciones redundantes del contexto al día
- 15 × ~20 días laborables al mes = alrededor de 300 reexplicaciones redundantes al mes
- Con una estimación conservadora de 200 palabras de contexto reescritas cada vez, eso equivale a más de 60.000 palabras al mes de pura reexplicación: contexto que no produce ningún resultado nuevo, sino que simplemente vuelve a establecer el punto de partida.
Multiplica eso por los tokens de entrada procesados en cada mensaje del hilo (la mayoría de las herramientas de chat vuelven a enviar el contexto acumulado en cada turno) y el costo en tokens se acumula rápidamente. Pero la factura de tokens es el problema menor. El mayor es el tiempo.
El coste real no son los tokens: son los minutos, multiplicados por cinco
Supongamos que volver a escribir o copiar y pegar un bloque de «este es el contexto de nuestra marca y formato» tarda entre 2 y 4 minutos por sesión, además del intercambio adicional cuando el primer borrador de la IA no da en el blanco porque el contexto estaba incompleto o redactado de forma distinta a la última vez. En un equipo de cinco personas, es muy fácil que cada una dedique entre 1 y 2 horas a la semana a restablecer un contexto que debería haberse definido una sola vez.
A lo largo de un mes, eso supone una parte considerable de una jornada laboral completa por persona, perdida no en hacer el trabajo, sino en volver a explicar a la IA cómo hacerlo. En un equipo de cinco personas, se acumula hasta equivaler prácticamente al trabajo adicional de una persona completa en «impuesto de contexto» cada mes.
Añade Maya a Claude, ChatGPT o Gemini una vez y todos los pies de foto, calendarios y publicaciones nativas de cada plataforma saldrán con tu voz, sin tener que volver a explicar el tono ni el formato en cada sesión.
Ver a Maya - Responsable de redes sociales →El segundo coste: la deriva de calidad
Los tokens redundantes y el tiempo perdido son los costes visibles. El más silencioso es la deriva. Cuando cinco personas distintas escriben de memoria su propia versión de «esta es la voz de nuestra marca», no la redactan igual dos veces, y mucho menos igual que las demás. La formulación improvisada de una persona suena más formal, otra introduce jerga que la marca en realidad no usa y una tercera se olvida por completo de mencionar la regla del CTA.
El resultado: el contenido, los correos electrónicos y los análisis están técnicamente «alineados con la marca», pero cada uno lleva un matiz ligeramente distinto. Los clientes y prospectos lo notan, incluso cuando nadie del equipo puede expresar del todo por qué algo parece incoherente. Es morir por mil pequeñas desviaciones.
Esto se manifiesta sobre todo en dos áreas: el flujo de trabajo de CRO y analítica, donde una interpretación inconsistente de «qué mejora es significativa» lleva a distintas personas a sacar conclusiones diferentes de los mismos datos, y la automatización del marketing, donde la lógica de las secuencias y las suposiciones sobre la puntuación de leads se reinventan informalmente cada vez que alguien nuevo trabaja en una campaña.
Beck diagnostica antes de probar: análisis del abandono del embudo, diseño de pruebas A/B e interpretación de resultados coherente sin importar quién del equipo dirija la sesión.
Ver Beck - Especialista en CRO →Qué cambia con una biblioteca compartida de Skills
La solución no es una herramienta nueva ni otro documento de procesos que nadie lee. Consiste en sustituir los prompts improvisados por una pequeña biblioteca compartida de archivos de Skill: uno por cada función para la que el equipo realmente utiliza AI. Un archivo de Skill no es más que un prompt de sistema guardado: voz de marca, reglas de formato, contexto del rol y estándares internos, escrito una vez y pegado al inicio de cualquier sesión de Claude, ChatGPT o Gemini (o guardado como instrucción de un proyecto de Claude para que siempre se cargue).
Para un equipo de marketing/operaciones de cinco personas, normalmente esto se traduce en 3 o 4 archivos de Skill que cubren las tareas recurrentes: contenido y redes sociales, CRO/analítica y automatización de marketing/ciclo de vida. Todo el equipo utiliza el mismo archivo para la misma tarea, en lugar de escribir su propia versión cada vez.
Lo que realmente cambia:
- La necesidad de volver a explicar el contexto redundante se reduce casi a cero: la voz de la marca y las reglas de formato ya están integradas en el archivo de Skill, en lugar de volver a escribirlas en cada sesión
- Aumenta la coherencia de los resultados: cinco personas que ejecutan el mismo archivo de Skill producen un trabajo que parece provenir de un solo equipo, no de cinco individuos
- La incorporación se acelera drásticamente: la persona recién contratada recibe los archivos de Skill en lugar de tener que rebuscar entre antiguos hilos de Slack para reconstruir «cómo solemos redactar esto»
- Se reduce el tiempo por sesión: menos configuración y menos revisiones porque al primer resultado le faltaba contexto implícito; se obtiene un resultado más utilizable desde el primer intento
Finn diseña sistemas, no secuencias aisladas: arquitecturas de flujos de trabajo y modelos de puntuación de leads que todo el equipo puede reutilizar, en lugar de reconstruir la lógica de memoria cada vez.
Ver Finn - Especialista en automatización de marketing →Incorporación: el beneficio subestimado
El ahorro de tokens y tiempo importa, pero el efecto en la incorporación es lo que más notan los equipos una vez que hacen el cambio. En lugar de que una persona recién contratada pase sus primeras dos semanas absorbiendo por ósmosis «cómo hacemos las cosas aquí» y recibiendo correcciones sobre el tono en cada ciclo de revisión, abre el archivo de Skill correspondiente el primer día y su primer resultado ya se acerca a lo que define a la marca. El conocimiento institucional que antes solo existía en la cabeza de las personas sénior —y se perdía de la organización cada vez que alguien se marchaba— ahora es un archivo portátil que acompaña al equipo.
Si tu equipo trabaja en más de una de estas funciones, vale la pena explorar la biblioteca completa de Skills de Marketing y anuncios en lugar de crear prompts independientes función por función.
En resumen:
Un equipo de 5 personas que vuelve a explicar desde cero la voz de marca y el formato en cada sesión de AI pierde silenciosamente horas a la semana por repetir contexto y, como consecuencia, produce resultados inconsistentes. Estandarizarse con una pequeña biblioteca compartida —Maya para contenido y redes sociales, Beck para CRO y analítica, y Finn para automatización de marketing— reduce lo que hay que volver a escribir, mejora la coherencia y convierte la incorporación de personal en entregar un archivo a la nueva persona en lugar de embarcarla en un proyecto de arqueología de Slack.
Introduce cómo utilizas realmente los chats de AI (tú o tu equipo) y obtén una estimación mensual real del desperdicio de tokens y del costo en dólares de repetir prompts frente a usar un archivo Skill persistente. Sin registro ni correo electrónico: solo aplicamos las matemáticas de esta publicación a tus cifras.
Prueba la calculadora →Preguntas frecuentes
¿Se basa esto en las cifras de un cliente real?
No; este es un caso de estudio ilustrativo y compuesto, creado a partir de patrones habituales que observamos en pequeños equipos de marketing y operaciones que usan herramientas de chat con AI de manera improvisada; no se trata de datos auditados de un cliente real identificado. Las cifras de tokens y tiempo son orientativas y muestran la magnitud del desperdicio, no mediciones exactas.
¿En qué se diferencia un archivo Skill de escribir un buen prompt una vez y reutilizarlo?
Es la misma idea, formalizada y compartida. El problema de la mayoría de los equipos no es que nadie escriba nunca un buen prompt, sino que cada persona escribe su propia versión, la guarda en sus notas personales y nadie más del equipo la utiliza. Un archivo Skill es una única versión mantenida que todo el equipo pega o carga como instrucción de un Proyecto, para que todos partan de la misma base en lugar de usar cinco versiones ligeramente diferentes.
¿Funcionan los archivos Skill fuera de Claude?
Sí. Los archivos Skill son prompts de sistema basados en Markdown, así que funcionan en cualquier lugar donde puedas pegar instrucciones: Claude Projects, las instrucciones personalizadas de ChatGPT o los Custom GPTs, y Gemini Gems. El equipo no necesita estandarizar una sola herramienta de AI para estandarizar un contexto compartido.
