Un equipo de 5 personas que deja que cada una cree sus propios prompts de AI no solo está desperdiciando tokens: está desperdiciando horas y entregando trabajo incoherente. Este es un caso práctico representativo (una combinación, no un cliente real identificado) que muestra cómo se ve realmente ese desperdicio mes a mes y qué cambia cuando el mismo equipo pasa a utilizar una pequeña biblioteca compartida de archivos de habilidades de AI.
En esta página
- La configuración: un flujo de trabajo normal y ad hoc con AI
- Las cuentas: 5 personas, varias sesiones al día, todos los días
- El coste real no son los tokens: son los minutos, multiplicados por cinco
- El segundo coste: el desvío de calidad
- Qué cambia con una biblioteca compartida de Skills
- Incorporación: el beneficio menos valorado
- Preguntas frecuentes
Caso práctico ilustrativo · Por el equipo de KissMySkills
La configuración: 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/analítica, una coordinadora de operaciones y una fundadora que interviene un poco en todo. Todas usan Claude, ChatGPT o Gemini a diario. Nadie configuró nada formal. Simplemente... escriben.
Eso significa que cada chat nuevo 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», «no digas nunca "profundizar"», «termina siempre con una CTA clara»)
- Estándares de formato (encabezados, estilo de las viñetas, intervalos de cantidad de palabras)
- Para qué canal es esto y cómo es algo «bueno» en él
- Contexto sobre la campaña, el producto o el trimestre actuales
Nada de eso está escrito como un recurso reutilizable. Vive como conocimiento tribal, medio recordado y reescrito - con ligeras diferencias - cada vez.
Las cuentas: 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 lleva a cabo entre 4 y 6 sesiones de chat con AI al día para trabajar: redactar un texto, reescribir un correo electrónico, revisar el titular de una landing page, resumir una llamada. Si siquiera la mitad de esas sesiones comienza con un bloque nuevo de 150-300 palabras del tipo «deja que vuelva a explicar el tono de nuestra marca y las reglas de formato», el resultado es aproximadamente:
- 5 personas × ~3 sesiones con mucho contexto al día = 15 reexplicaciones redundantes del contexto al día
- 15 × ~20 días laborables/mes = alrededor de 300 reexplicaciones redundantes al mes
- Con unos conservadores 200 palabras de contexto reescritas cada vez, estamos hablando de más de 60.000 palabras al mes de pura reexplicación: contexto que no produce ningún resultado nuevo, solo restablece 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 la sobrecarga de 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 nuestro formato» lleva 2-4 minutos por sesión, además del intercambio adicional cuando el primer borrador de la AI no da en el blanco porque el contexto estaba incompleto o redactado de otra manera que la vez anterior. En un equipo de cinco personas, es muy fácil dedicar 1-2 horas a la semana por persona a restablecer un contexto que debería haberse definido una sola vez.
En 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 AI cómo hacerlo. En un equipo de 5 personas, esto se acumula hasta acercarse al equivalente de una persona adicional dedicada al «impuesto de contexto» cada mes.
Introduce a Maya en Claude, ChatGPT o Gemini una vez y todos los pies de foto, calendarios y publicaciones adaptadas a cada plataforma se redactarán con tu voz, sin tener que volver a explicar el tono o el formato en cada sesión.
Ver a Maya - Gestora de redes sociales →El segundo coste: el desvío de calidad
Los tokens redundantes y el tiempo perdido son los costes visibles. El más silencioso es el desvío. Cuando cinco personas distintas escriben de memoria su propia versión de «así 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 es más formal, otra introduce expresiones coloquiales que la marca no usa realmente 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 tiene un matiz ligeramente diferente. Los clientes y posibles clientes lo notan, aunque nadie del equipo pueda explicar del todo por qué algo parece incoherente. Es una muerte por mil pequeñas desviaciones.
Esto se hace especialmente evidente en dos áreas: el flujo de trabajo de CRO/analítica, donde una interpretación incoherente de «qué mejora es significativa» lleva a distintas personas a sacar conclusiones diferentes de los mismos datos, y la automatización de marketing, donde la lógica de las secuencias y las suposiciones sobre la puntuación de leads se reinventan de manera informal cada vez que alguien nuevo trabaja en una campaña.
Beck diagnostica antes de hacer pruebas: análisis de abandono del embudo, diseño de pruebas A/B e interpretación de resultados coherente, independientemente de 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. Es 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 la 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 5 personas, normalmente eso se traduce en 3-4 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 cambia realmente:
- La repetición innecesaria del contexto se reduce casi a cero - la voz de la marca y las reglas de formato ya están incorporadas en el archivo de Skill, en lugar de volver a escribirse en cada sesión
- Aumenta la coherencia de los resultados - cinco personas que ejecutan el mismo archivo de Skill producen un trabajo que parece hecho por un solo equipo, no por cinco personas distintas
- La incorporación se acelera drásticamente - la persona recién contratada recibe los archivos de Skill en lugar de tener que buscar entre antiguos hilos de Slack para reconstruir «cómo solemos redactar esto»
- El tiempo por sesión se reduce - menos configuración, menos revisiones porque al primer resultado le faltaba contexto implícito y resultados más utilizables 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 menos valorado
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 dos primeras semanas absorbiendo por ósmosis «cómo hacemos las cosas aquí» y reciba 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 bastante al estilo de la marca. El conocimiento institucional que antes solo existía en la cabeza de las personas con más experiencia - y que se perdía de la organización cada vez que alguien se marchaba - ahora es un archivo portátil que acompaña al equipo.
Si tu equipo trabaja con más de una de estas funciones, vale la pena explorar la biblioteca completa de Skills de Marketing & Ads en lugar de crear prompts aislados 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 resultado, produce contenido incoherente. Estandarizarse en una pequeña biblioteca compartida - Maya para contenido y redes sociales, Beck para CRO y analítica, y Finn para automatización de marketing - reduce la reescritura, refuerza la coherencia y convierte la incorporación en entregar un archivo a una nueva persona en lugar de embarcarla en una arqueología de Slack.
Introduce cómo usas realmente los chats con AI (o cómo los usa tu equipo) y obtén una estimación mensual real del desperdicio de tokens y del coste en dólares de volver a escribir prompts frente a usar un archivo Skill persistente. Sin registro ni correo electrónico: solo las matemáticas de esta publicación aplicadas a tus cifras.
Prueba la calculadora →Preguntas frecuentes
¿Se basa esto en las cifras de un cliente real?
No: es un estudio de caso ilustrativo y compuesto, creado a partir de patrones habituales que observamos en equipos pequeños de marketing y operaciones que usan herramientas de chat con AI de manera improvisada; no son datos auditados de un cliente real identificado. Las cifras de tokens y tiempo son orientativas para mostrar 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 que tienen 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 usa. Un archivo Skill es una única versión mantenida que todo el equipo pega o carga como instrucción de un Project, para que todos partan de la misma base en lugar de usar cinco versiones ligeramente diferentes.
¿Los archivos Skill funcionan 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 GPT personalizados, y Gemini Gems. El equipo no necesita estandarizarse en una sola herramienta de AI para estandarizarse en un mismo contexto compartido.