ELEV8: Lo que debe aportar una buena colaboración con IA

Desarrollar ideas incompletas con investigación, criterio e imaginación, bajo la dirección de las personas.

Por David Azofeifa · VirtuAmerica

ELEV8 v44 · 1 de octubre de 2026

Imagine un pequeño hospedaje junto al mar que se prepara para otra temporada lluviosa. Su propietario le pide a un asistente de IA ayuda para atraer huéspedes. Una respuesta competente podría mejorar la publicidad, identificar públicos adecuados y proponer una oferta de temporada. Tal vez eso sea exactamente lo que necesita el negocio. También hay una posibilidad que conviene explorar antes de preparar la campaña: qué podría hacer que un fin de semana de lluvia en ese lugar resulte deseable por sí mismo.

Supongamos que el hospedaje tiene una sala común amplia, visitantes que disfrutan las actividades manuales y un taller textil cercano con espacio para grupos pequeños. Esos detalles, considerados juntos, podrían sugerir una estadía dedicada a aprender una artesanía local, comer bien y disfrutar tardes sin prisa. La lluvia pasa a formar parte del ambiente. El propietario puede reconocer una posibilidad que la solicitud original nunca contempló.

Desarrollar esa propuesta exige descubrir los detalles, consultar el interés del taller, comprender qué valoran los huéspedes y determinar si la experiencia justifica el esfuerzo de organizarla. El propietario debe poder darle forma antes de que se convierta en un compromiso. Una propuesta atractiva cobra valor cuando puede llegar a ser una experiencia que las personas realmente quieran vivir.

Ese es el aporte que ELEV8: Apt Elevation for Human–AI Collaboration espera de quien colabora con IA. El método desarrolla una solicitud incompleta mediante investigación, conocimiento del campo, razonamiento y exploración creativa hasta convertirla en un resultado valioso que las personas puedan comprender y orientar. La persona aporta propósito y contexto; la colaboración ayuda a descubrir qué más puede llegar a ser el trabajo y qué haría falta para realizarlo.

Los escenarios de este ensayo son ilustraciones inventadas de distintos sectores y de la vida cotidiana. Sus datos locales, preferencias y pruebas propuestas forman parte de los ejemplos; no presentan resultados medidos.

TL;DR

Una buena colaboración con IA debe ayudarle a descubrir conocimiento pertinente, reconocer posibilidades valiosas y elegir con criterio. ELEV8 conecta ese aporte con la realización del trabajo y con lo que las personas obtienen del resultado. Su juicio central es la aptitud: escoger una ambición que responda al propósito y justifique las cargas que trae consigo. Puede ser una dirección audaz, una solución conocida y bien resuelta o un pequeño cambio que facilite la vida diaria. El propósito humano orienta la elección y la evidencia ayuda a determinar si el aporte funcionó. El valor añadido del método todavía debe evaluarse frente a alternativas competentes.

ELEV8 hace visibles las responsabilidades mediante cinco roles: el Originator aporta la necesidad, el Elevator desarrolla la interpretación y las posibilidades, el Steward asume las decisiones importantes, el Builder realiza la dirección aceptada y el Verifier examina las afirmaciones y la evidencia. El refinamiento repetido les ofrece un conjunto compartido que pueden revisar, corregir y desarrollar.

Quién hace qué en ELEV8

En el hospedaje, el propietario sabe por qué importa el trabajo y qué debe conservarse del lugar. La IA puede investigar y proponer una experiencia. Alguien debe decidir qué compromisos asumirá el negocio, alguien debe preparar la oferta y alguien debe comprobar que el precio, el horario y las promesas coincidan. ELEV8 nombra esas responsabilidades para que la iniciativa útil no confunda quién puede decidir ni qué se ha comprobado realmente.

Rol	Quién lo asume	Responsabilidad
Originator	La persona o las personas cuya necesidad da origen al trabajo	Expresar propósito, experiencia, valores y reconocimiento: ¿el resultado que se desarrolla responde a la necesidad? No tienen que redactar una especificación completa.
Elevator	Una IA colaboradora, un especialista humano o ambos	Investigar, interpretar, explorar y recomendar. Hacer visibles los supuestos y aportes, y revisar la especificación cuando la persona corrige su sentido.
Steward	La persona responsable de la decisión	Fijar prioridades, resolver decisiones importantes y autorizar el alcance y los efectos. Preservar el propósito del Originator y los derechos de otras personas afectadas.
Builder	La persona, el equipo o el sistema de IA que realiza el trabajo autorizado	Convertir la dirección aceptada en un resultado coherente. Aplicar las correcciones a todas las partes afectadas e informar qué se produjo, qué falta y qué evidencia existe.
Verifier	Un revisor calificado o un proceso de revisión con independencia adecuada	Cuestionar el fundamento de la interpretación, el comportamiento entregado y la evidencia frente a lo prometido. Informar defectos y límites sin cambiar la promesa para ajustarla al resultado.

Una persona puede asumir varios roles. El propietario puede ser Originator y Steward; la IA puede actuar como Elevator al desarrollar la propuesta y como Builder al redactar los materiales. El cambio de responsabilidad debe quedar claro. Investigar da fundamentos para recomendar, pero no autoriza compromisos. La afirmación de éxito del Builder todavía necesita revisión. Una IA que revisa su propia respuesta debe identificarla como autorrevisión; otro modelo que usa los mismos supuestos no aporta independencia automáticamente.

La distinción entre Originator y Steward importa aunque los asuma la misma persona. Como Originator, el propietario puede decir: «Esto ya no se siente como la estadía tranquila que quería». Como Steward, puede decidir: «Desarrollen una prueba dentro de este presupuesto, pero no la anuncien hasta que el aliado acepte». El reconocimiento trata del sentido y del encaje; la autorización determina qué puede ocurrir. El Verifier puede comprobar los materiales frente a ambas declaraciones, pero no puede aportar la preferencia ni la aprobación del propietario.

Los roles siguen presentes conforme avanza el trabajo. El Elevator expone la interpretación actual; el Originator la reconoce o corrige; el Steward resuelve las decisiones importantes; el Builder actualiza el conjunto; y el Verifier examina las afirmaciones pertinentes en el momento acordado. Una corrección puede devolver el trabajo a una pregunta anterior. Las tareas pequeñas pueden necesitar solo las responsabilidades del Originator y del Elevator. El trabajo más amplio asigna explícitamente las demás, sin exigir cinco personas, cinco agentes ni una nueva aprobación en cada pasada.

Comience por la posibilidad que contiene la solicitud

Una idea incompleta puede tener más potencial del que sus palabras alcanzan a expresar. Un docente pide una hoja de ejercicios porque es una manera conocida de ayudar a sus estudiantes a practicar. Un gerente de fábrica pide un manual porque una persona experimentada está por jubilarse. Alguien que acaba de mudarse pide un itinerario para el fin de semana porque explorar la ciudad parece una forma de empezar a sentirse en casa. Cada solicitud ofrece un punto de partida útil y deja espacio para el aporte de conocimiento experto.

Parte de la información que falta le pertenece a la persona: una preferencia, un compromiso o una preocupación que todavía no ha mencionado. Otra parte se puede encontrar en registros, investigaciones o prácticas profesionales. También hay aportes que nacen como posibilidades que nadie había considerado. Un buen colaborador responde de forma distinta a cada caso: pregunta por la preferencia, investiga el dato y presenta la idea nueva como una propuesta.

Esa distinción hace útil la iniciativa. Una IA puede recomendar un fin de semana de artesanía porque conecta detalles pertinentes. No puede afirmar que el propietario siempre quiso, sin saberlo, organizar retiros. La idea pasa a formar parte del propósito cuando él la elige.

Kreminski y Chung (2024) distinguen una intención que alguien no ha expresado de otra que todavía está formando. Esa diferencia cambia el trabajo en este caso. Pedir un encargo publicitario más detallado puede aclarar las restricciones del propietario, pero no descubre una preferencia ya definida sobre una estadía con artesanía que nunca había considerado. Una propuesta concreta le ofrece algo sobre lo cual reflexionar. Su respuesta ayuda a formar el rumbo, incluida la posibilidad de que no quiera crear ninguna oferta nueva.

Aquí, una especificación es sencillamente una descripción de lo que el trabajo debe lograr y de las condiciones de un buen resultado. Puede ocupar unas pocas oraciones en una conversación. ELEV8 considera la solicitud inicial como el comienzo de esa descripción. El colaborador ayuda a desarrollarla mientras un descubrimiento todavía puede cambiar el rumbo.

La evolución del encargo del hospedaje sigue un patrón conocido en diseño. Dorst y Cross (2001) describen cómo problemas y soluciones se desarrollan juntos; Dorst (2011) examina cómo el encuadre relaciona el valor buscado con una posible manera de lograrlo. La propuesta del taller cambia la pregunta: de cómo anunciar una estadía existente a qué experiencia la haría valiosa. Ese reencuadre resulta útil si el propietario acepta su propósito y la operación puede sostenerlo.

La propuesta de ampliación de capacidades de Engelbart (1962) sitúa la capacidad en las personas que trabajan con métodos y herramientas. Aplicada aquí, lleva la atención más allá de la propuesta de la IA: ¿puede el propietario evaluar la oferta, puede el equipo realizarla y pueden aprender lo suficiente para mejorarla o dejar de ofrecerla? El aporte de ELEV8 debe sostenerse en esas tareas humanas y organizacionales.

La exigencia práctica es considerable: aportar conocimiento que la persona no debería tener que traer, explicar las incorporaciones importantes y llevar la dirección aceptada hasta el resultado. Una lista impresionante de ideas deja la parte más difícil de la selección en manos de quien pidió ayuda. Una recomendación razonada le ofrece algo que puede evaluar y mejorar.

Siga una idea desde la solicitud hasta su realización

Volvamos al hospedaje. El propietario pidió atraer huéspedes. Para desarrollar esa solicitud, el colaborador necesita comprender qué significaría una buena temporada. Supongamos que busca suficientes reservaciones rentables para mantener empleado a un equipo pequeño y conservar el ambiente tranquilo que aprecian sus huéspedes habituales. Un programa lleno de actividades chocaría con ese propósito, aunque vendiera habitaciones.

La IA puede comenzar con el material que el propietario haya puesto a disposición: ofertas anteriores, patrones de reservación, comentarios de huéspedes, horarios del personal e información sobre el edificio. Puede investigar experiencias comparables y posibles aliados locales. Ese trabajo debe producir hallazgos que influyan en la propuesta. Pedirle al propietario que complete un cuestionario extenso antes de revisar el material disponible le devolvería la tarea de investigar.

En este ejemplo, supongamos que los registros describen a huéspedes que prolongan el desayuno compartido y disfrutan la sala común. La información publicada por el taller cercano indica que enseña a principiantes, pero no menciona sesiones privadas durante el fin de semana. El propietario confirma su interés en explorar una colaboración. Son puntos de partida útiles. Aún hace falta consultar con el taller su disponibilidad, interés y condiciones.

Explore varias direcciones viables

Ahora hay posibilidades realmente distintas para comparar. Una buena opción convencional mejoraría la estadía existente: fotografías honestas de la temporada lluviosa, recomendaciones claras de actividades bajo techo y una oferta para quienes ya disfrutan una escapada tranquila a la costa. Exigiría poca coordinación adicional.

Una opción más ambiciosa combinaría dos noches de hospedaje con un pequeño taller textil y suficiente tiempo libre. Los huéspedes podrían pasar una mañana aprendiendo algo que pueden hacer con sus manos y continuar luego a su propio ritmo en la sala común. Aparece así una razón para visitar el lugar que una mejora publicitaria, por sí sola, no puede ofrecer.

Una tercera posibilidad sería prestar la sala común para talleres locales ocasionales, sin crear un paquete de hospedaje. Eso permitiría explorar la demanda y la relación de trabajo a menor escala, aunque no atendería directamente el objetivo de ocupar habitaciones.

ELEV8 propone tres perspectivas creativas para esta exploración. Obvious Excellence desarrolla la mejor respuesta conocida. Un Signature Leap ofrece una alternativa distintiva y útil, nacida de las circunstancias. Constraint Inversion examina si una aparente desventaja puede sugerir otro camino. En este caso, la temporada lluviosa ayuda a definir la experiencia. Estas perspectivas invitan a generar ideas diferentes; no obligan a elegir la más novedosa.

Generar alternativas aporta material para decidir. Runco y Acar (2012) distinguen el pensamiento divergente del logro creativo, de modo que la cantidad de propuestas no determina su valor. También existe el riesgo de que opciones aparentemente variadas compartan los mismos supuestos. Doshi y Hauser (2024) encontraron que la asistencia de IA mejoraba las valoraciones de relatos individuales y aumentaba la similitud entre relatos. Ese hallazgo sugiere examinar la variedad de alternativas además de la calidad de la favorita. Aquí, tres versiones del mismo taller explorarían menos que una mejor estadía convencional, una experiencia de artesanía con hospedaje y un evento local. Es una implicación de diseño derivada del estudio; el estudio no valida las perspectivas de ELEV8 ni evalúa propuestas de hospedaje.

Recomiende una experiencia coherente

Supongamos que el propietario y el taller están interesados en una prueba limitada. El colaborador puede recomendar la estadía con artesanía y explicar qué tendría que hacerla valiosa: suficiente interés a un precio aceptable, una remuneración justa para quien enseña, preparación manejable para el personal y tiempo para que los huéspedes disfruten el lugar.

Los detalles deben reforzar ese propósito. Los principiantes necesitan saber qué van a elaborar y qué apoyo tendrán. La estadía requiere un horario coherente, claridad sobre lo que incluye y una alternativa viable si la persona instructora no puede asistir. Quienes prefieran una tarde tranquila deben poder disfrutarla. Añadir actividades nocturnas obligatorias debilitaría la experiencia que la propuesta busca ofrecer.

El propietario ya puede orientar una dirección concreta. Quizá le interese el taller, pero no un programa recurrente, o prefiera la oferta de temporada más sencilla. La IA debe explicar la decisión con claridad y presentar alternativas que también sean viables. El criterio humano tiene un papel real cuando cambiar de rumbo todavía es posible.

Horvitz (1999) plantea la asistencia como un juicio que considera la incertidumbre, el beneficio esperado y el costo de interrumpir. Eso da un límite práctico a la dirección humana: la IA puede desarrollar un borrador reversible con material autorizado, mientras que comprometer al personal y a un aliado merece la atención del propietario. Consultar cada elección de palabras consumiría esa atención sin resolver el riesgo importante. Las pautas de corrección de Amershi y colaboradores (2019) y el planteamiento de Shneiderman sobre control humano (2020) precisan lo que debe mostrar la propuesta: sus supuestos, las alternativas y las decisiones que siguen abiertas. El propietario debería poder rechazar un programa recurrente y conservar el trabajo útil para una sola prueba.

El brief resultante podría decir:

Prepare una prueba limitada de una estadía de dos noches en la costa, con un taller textil opcional para principiantes y suficiente tiempo libre. Cobre el taller por separado, solo a quienes decidan participar. Confirme sus condiciones y capacidad antes de anunciarlo. Aclare los precios y lo que incluyen, conserve el ambiente tranquilo del hospedaje y acuerde una alternativa si el taller no puede realizarse. Antes de repetir la experiencia, compare el interés de los huéspedes y el esfuerzo del personal con una versión mejorada de la oferta de temporada existente.

La solicitud original aportó la necesidad del negocio. La investigación aportó contexto. El razonamiento hizo visibles las dependencias. La imaginación conectó hospedaje, artesanía, clima y ritmo. La elección humana reunió esos elementos en una oferta que el negocio podría decidir llevar a cabo. Ese aporte visible es el ELEV8 Delta: lo que cambió entre la solicitud recibida y el valor propuesto o realizado.

Mantenga visible el propósito original mientras desarrolla el brief. Si el propietario elige talleres locales sin hospedaje, el evento puede ser valioso y dejar sin resolver las habitaciones vacías. Él puede elegir un nuevo propósito, pero el informe debe explicar ese cambio. Cumplir un brief revisado no demuestra por sí solo que se atendió la necesidad original.

Lleve la idea a la práctica

Una vez autorizado el trabajo, los colaboradores preparan la oferta, el horario, la información para huéspedes y los acuerdos concretos. Las decisiones deben mantenerse en esa transición. Si el taller era opcional en el brief, pero obligatorio en las condiciones de reservación, la experiencia entregada contradiría la idea aceptada.

Una revisión puede establecer que los materiales coinciden y los acuerdos están confirmados. Saber si la estadía beneficia al negocio y a sus huéspedes requiere observarla en la práctica. El propietario podría comparar el interés con el de la oferta habitual, registrar las horas adicionales de trabajo y preguntar a huéspedes e instructor qué funcionó. Si aumentan las reservaciones mientras el equipo termina agotado, hace falta examinar mejor ese aparente éxito. Una prueba decepcionante también puede seguir a una decisión razonable tomada con incertidumbre. Evalúe la elección según lo que se sabía al tomarla y use luego el resultado observado para decidir si conviene continuar. Un desenlace favorable no convierte en sólido un razonamiento sin fundamento.

Este ejemplo contiene los seis movimientos de ELEV8, llamados Elevation Track:

Los movimientos pueden coincidir. La propuesta de un taller revela una pregunta para el posible aliado; su respuesta puede cambiar la oferta. Una tarea pequeña puede recorrer el proceso entero en un solo intercambio. La secuencia ayuda a mantener el aporte conectado con el propósito mientras crece la comprensión del trabajo.

El refinamiento repetido forma parte de este proceso central. La primera versión coherente permite reconocer o corregir algo concreto: qué propósito entendió el colaborador, a quién sirve el resultado y cómo se relacionan sus partes. Una versión posterior ofrece otra oportunidad de revisar esa interpretación a medida que se hace visible más del conjunto. En el hospedaje, el propietario puede reconocer las actividades y aun así notar que el horario propuesto perdió la tranquilidad que quería ofrecer. Esa corrección debe llegar a la oferta, los horarios y la información para huéspedes antes de seguir puliendo cada parte.

El colaborador registra la corrección, actualiza el conjunto y elige el siguiente nivel de detalle útil. Puede surgir una preferencia nueva; no hay que presentarla como algo que la persona pretendía desde el principio. Al trabajar sin supervisión continua, el colaborador usa la última dirección aceptada y conserva visibles los supuestos pendientes para revisarlos después. El silencio no confirma que una interpretación sea correcta. Esta revisión recurrente permite orientar el sentido y la dirección del trabajo; la corrección técnica y el beneficio real todavía necesitan su propia evidencia.

Elija una ambición que justifique su esfuerzo

La Elevación Apta consiste en desarrollar una idea hasta donde su propósito y sus circunstancias lo justifiquen. El juicio considera qué se vuelve posible y qué deben aportar las personas para hacerlo realidad. Una ampliación considerable puede ser apta si abre una oportunidad valiosa. La sencillez puede ser apta cuando el trabajo adicional aporta poco.

La Aptness Check, o comprobación de aptitud, compara la recomendación con una base competente: la mejor respuesta directa razonable, el proceso existente o una solución convencional. Para el hospedaje, esa base sería una oferta de temporada bien diseñada. Comparar la estadía con un anuncio deliberadamente mediocre la haría parecer mejor sin establecer su valor.

Kano y colaboradores (1984) distinguen las cualidades necesarias de las incorporaciones atractivas. En el hospedaje, esto implica separar las condiciones de una oferta viable de las características que podrían hacerla deseable. Unas condiciones claras de reservación y un instructor confirmado son requisitos de esta propuesta; el atractivo del taller no compensa su ausencia. Una vez satisfechos, se puede comparar su valor esperado con el de la estadía más sencilla. La distinción organiza el juicio, mientras que el interés real de los huéspedes todavía exige investigación.

La comparación incluye dinero y tiempo, pero también atención, coordinación, mantenimiento y dependencia de otras personas. Examina quién gana y quién asume el trabajo. El entusiasmo del propietario no demuestra que el instructor considere justo el acuerdo ni que el personal pueda absorber la preparación. Esas perspectivas deben formar parte de la decisión.

Considere una cooperativa agrícola que pide ayuda para vender más cajas semanales de verduras. Supongamos que las conversaciones con clientes revelan que algunas personas quieren suscribirse, pero les cuesta usar productos desconocidos antes de la siguiente entrega. Una campaña publicitaria podría llegar a más personas; el obstáculo seguiría presente.

Una propuesta más completa podría relacionar cada caja con dos comidas adaptables, indicar qué ingredientes usar primero y ofrecer una selección limitada entre tipos de caja. Eso exige más trabajo que una campaña. También podría atender la razón por la que la suscripción no encaja en la semana de una familia. El colaborador debe compararlo con unas sencillas tarjetas de recetas y examinar la carga de empaque y planificación para los productores. Si la personalización crea más complejidad de la que la cooperativa puede sostener, un cambio menor puede conservar gran parte del beneficio.

ELEV8 llama Human Return, o retorno humano, al cambio que se busca para las personas: lo que pueden comprender, elegir, hacer, compartir o dejar de cargar. En la cooperativa, podría ser la confianza para cocinar los alimentos y un menor esfuerzo para decidir qué preparar. Los productores podrían conseguir una relación más estable con sus clientes. Esos beneficios siguen siendo expectativas hasta que se observen; la cantidad de suscripciones contaría solo una parte de la historia.

El desarrollo y bienestar de las personas dan propósito al método. En el trabajo diario, ese propósito se vuelve concreto: una habilidad adquirida, una oportunidad abierta, una relación fortalecida o una carga recurrente que se alivia. Las personas involucradas ayudan a definir qué vale la pena. Ni el modelo ni quien financia el trabajo pueden resolver esa pregunta por todas las personas afectadas.

La teoría de la autodeterminación relaciona la autonomía, la competencia y los vínculos con la motivación y el bienestar (Ryan y Deci, 2000). En la cooperativa, esas preocupaciones sugieren preguntar si la orientación ayuda a los hogares a adaptar una comida a sus necesidades, aprender a usar ingredientes desconocidos y elegir cuánta asistencia quieren. Un plan inflexible podría reducir las decisiones y también la libertad de elección. El Informe sobre Desarrollo Humano del PNUD de 2025 también sitúa la elección humana en el centro de las posibilidades de la IA.

El diseño sensible a valores amplía la investigación a las personas afectadas por el acuerdo (Friedman, Hendry y Borning, 2017). La comodidad de una familia puede depender de que un productor asuma más trabajo de clasificación. Por eso ELEV8 pide considerar ambas perspectivas antes de afirmar que el servicio mejoró. Estas teorías ayudan a identificar preguntas y decisiones difíciles; no establecen lo que valoran estas personas ficticias ni ofrecen una puntuación universal de retorno humano.

También hay un momento para detenerse. Continúe cuando otra investigación o mejora pueda influir en una decisión importante lo suficiente para justificar su costo. Deténgase cuando el resultado cumpla el propósito, una opción más sencilla lo atienda mejor o la evidencia ya no respalde el rumbo. Ante una solicitud precisa de corregir la puntuación de un párrafo, esa corrección puede ser el aporte completo.

Propósitos distintos requieren aportes distintos

El hospedaje muestra cómo la colaboración puede revelar una oferta nueva. Otras situaciones requieren otra clase de conocimiento. Estos ejemplos cambian tanto el contexto como la naturaleza del aporte.

Manufactura: conserve el criterio que hay detrás del manual

Un gerente de fábrica pide un manual de capacitación antes de que se jubile un maquinista experimentado. Un buen trabajo de documentación puede ordenar procedimientos e ilustraciones. Durante una conversación, sin embargo, el maquinista podría decir: «Esa es la secuencia normal, pero en este trabajo revisaría otra cosa primero». Parte del conocimiento útil está en la razón para apartarse de la secuencia.

Con autorización, la IA podría ayudar a comparar explicaciones grabadas de varios trabajos e identificar cuándo cambia de rumbo el maquinista. Podría proponer una colección comentada de decisiones que acompañe al manual: qué observó el experto, qué explicación consideró, qué evidencia cambió su criterio y cuándo pidió ayuda. El experto aporta y revisa el conocimiento operativo. Las conjeturas generadas por el modelo no pueden sustituirlo.

La investigación pública puede ayudar a identificar temas que conviene explorar. El perfil de maquinistas de O*NET, consultado el 29 de septiembre de 2026, incluye interpretar información del trabajo y comprobar las piezas terminadas. No puede aportar los procedimientos de la fábrica ni establecer qué observó este experto ficticio. Ese límite debe conservarse en el material de capacitación.

El recurso resultante daría al aprendiz una forma de practicar su criterio ante un caso desconocido. Un supervisor podría evaluar su razonamiento y su capacidad de reconocer límites, con la asistencia apropiada para el puesto. El número de páginas producidas diría poco sobre esa capacidad.

Esta dirección justifica el tiempo adicional de grabación y revisión si las decisiones merecen conservarse. Un manual claro puede bastar para tareas rutinarias. Cuando el conocimiento importante depende del contexto, el aporte adicional podría ayudar a otra persona a comprender cuándo el procedimiento habitual necesita atención experta.

Educación: haga visible el pensamiento del estudiante

Un docente pide una hoja de ejercicios sobre fracciones. El resultado inmediato es fácil de definir. Supongamos que también aporta ejemplos anónimos que muestran que sus estudiantes aplican bien una regla en ejercicios conocidos, pero no pueden explicar qué significan las fracciones. Más ejercicios del mismo tipo podrían aportar poca información nueva al docente.

El colaborador puede ayudar a desarrollar una lección en la que se comparan porciones, se hace una predicción y se explica un desacuerdo antes de comprobar el cálculo. Podría proponer varias representaciones visuales y dejar que el docente elija las adecuadas para su grupo. La hoja pasa a formar parte de una secuencia en la que los estudiantes expresan y revisan una idea. La observación del docente cambia lo que debe lograr la práctica.

El retorno humano esperado es una comprensión que los estudiantes puedan volver a usar. Un problema nuevo, con los apoyos apropiados, revelaría más que una página de respuestas completada con asistencia. Si el docente necesita una hoja breve de repaso para estudiantes que ya comprenden el concepto, la solicitud original puede ser completamente apta. El mismo método respalda decisiones docentes distintas porque la necesidad de aprendizaje cambia.

La investigación cambia lo que esta lección debe procurar conservar. Bastani y colaboradores (2025) encontraron que un tutor general de IA mejoraba la práctica matemática asistida, pero reducía el desempeño posterior sin asistencia. Un tutor con resguardos definidos con aportes docentes evitó en gran medida ese daño sin demostrar una mejora posterior. Evitar un perjuicio y mejorar el aprendizaje son logros distintos. En el ejemplo de fracciones, esto da motivos para conservar la predicción y la explicación del estudiante antes de que la asistencia proporcione la respuesta, y luego examinar la comprensión con un problema nuevo. El docente todavía tendría que evaluar si ese diseño funciona.

Shen y Tamkin (2026) encontraron una brecha relacionada entre completar con IA una tarea de programación desconocida y demostrar conocimientos después. En conjunto, los estudios muestran por qué una hoja de ejercicios terminada no basta para evaluar el propósito de esta lección. Motivan la observación separada del aprendizaje; ninguno evalúa esta lección de fracciones ni ELEV8.

Vida cotidiana: encuentre un lugar al que pueda volver

Alguien que acaba de mudarse a una ciudad pide un itinerario para el fin de semana. Una buena respuesta directa seleccionaría lugares atractivos, verificaría sus horarios y organizaría una ruta práctica. Supongamos que la persona explica que ha disfrutado conocer sitios, pero también quisiera encontrar caras familiares y un lugar al que pueda regresar.

Esa información cambia la propuesta. Además de algunos lugares por explorar, el colaborador podría sugerir una actividad periódica en una huerta comunitaria o una clase de cerámica para principiantes que admita participación recurrente. Antes de recomendar una actividad real, investigaría horarios, costos, acceso y expectativas de participación. La persona decide qué le resulta atractivo y cuánto compromiso desea asumir.

El aporte útil puede ser un itinerario más pequeño, con una actividad que se pueda repetir y tiempo libre a su alrededor. Un calendario lleno de atracciones podría consumir el tiempo necesario para regresar. El beneficio esperado es un sentido de pertenencia creciente; asistir puede abrir una oportunidad de conexión, pero no garantiza una amistad. La persona decide si la experiencia merece continuar.

En estos ejemplos, el aporte toma formas distintas: una posibilidad de negocio, conocimiento que otros pueden usar, mayor comprensión, una rutina doméstica más viable o una manera de participar. Tienen en común que el conocimiento y la imaginación cambian lo que el trabajo puede hacer por las personas.

Ocho principios que orientan el criterio

El 8 de ELEV8 se refiere a ocho principios. El nombre expresa de forma compacta la idea de elevar. Estos principios ayudan a realizar los juicios que requieren los ejemplos y pueden retomarse conforme avanza el trabajo.

Principio	Qué le pide al colaborador
Reframe	Comprender el propósito detrás del resultado solicitado y proponer una interpretación más clara cuando ayude. Permitir que la persona la corrija.
Enrich	Incorporar investigación, conocimiento del campo y experiencia pertinentes. Mostrar qué hallazgo cambia la propuesta.
Align	Ajustar la dirección a las prioridades, la voz, las circunstancias y las restricciones de las personas. Incluir a quienes también se verán afectados.
Unify	Hacer que las partes sostengan una experiencia coherente. La promesa, los acuerdos prácticos y el resultado deben coincidir.
Calibrate	Elegir una ambición y un esfuerzo que justifiquen sus costos. Conservar una propuesta valiosa y retirar trabajo innecesario.
Empower	Ofrecer una recomendación que las personas puedan comprender y orientar. Apoyar la capacidad o el alivio que realmente valoran.
Ground	Distinguir datos aportados, evidencia verificada, criterio experto, propuestas creativas y preguntas pendientes. Comprobar las afirmaciones importantes.
Anticipate	Considerar el uso posterior, la adopción, las excepciones, el mantenimiento y la recuperación. Identificar qué podría invalidar la recomendación.

En el hospedaje, estos principios conectan la estadía propuesta con el personal que debe prepararla, el taller que debe enseñar y los huéspedes que deben encontrarla valiosa. También explican por qué un colaborador podría recomendar la oferta de temporada más sencilla después de investigar la alianza. Aplicar los principios puede cambiar la decisión en cualquiera de las dos direcciones.

Conserve el aporte durante la realización

Una idea prometedora puede perder sus cualidades esenciales al pasar entre personas o sesiones. Quien planifica recuerda que el taller es opcional; un colega que prepara el paquete supone que todos participan. Ambos pueden producir un trabajo pulido y, aun así, crear promesas incompatibles.

Cuando el trabajo continúa después de una conversación, conserve en un registro compartido y breve el propósito aceptado, las decisiones importantes y sus razones, las preguntas pendientes y la evidencia. La siguiente persona necesita comprender la decisión. Conserve junto al brief la fuente realmente consultada y la decisión del propietario; identifique cualquier reconstrucción posterior. Una explicación persuasiva redactada después del evento no demuestra qué información sustentó la elección.

Coactive Design considera la posibilidad de observar y orientar el trabajo como requisitos de la actividad conjunta (Johnson y colaboradores, 2014). Un registro compartido útil cumple esa función: otra persona puede comprender la decisión y reconocer cuándo necesita corregirse.

El Delivery Rail de ELEV8 apoya esa continuidad cuando existe autorización para modificar sistemas, gastar dinero, publicar contenido o asumir compromisos. Su peso depende de las consecuencias. Tres modos expresan esa elección: Spark, para tareas pequeñas, conocidas y reversibles; Studio, para investigación y desarrollo creativo de cierta profundidad; y Mission, para una realización con consecuencias que requiere coordinación y comprobación explícitas. El hospedaje puede explorar su oferta en Studio y usar las responsabilidades de Mission al organizar y anunciar una prueba real.

En un proyecto largo de software, la continuidad también depende del orden de construcción. Imagine un museo que encarga un servicio de reservas. Si se pule el calendario antes de crear las reservas de visitantes, la planificación del personal y las cancelaciones, la dirección todavía no puede ver si el servicio completo se adapta a su trabajo. ELEV8 comienza con una versión básica y conectada de todos esos recorridos, con navegación, criterios visuales y límites de datos compartidos. Así, la dirección puede reconocer un error de base antes de que el trabajo detallado lo extienda por todo el servicio.

Las siguientes pasadas completan el comportamiento y afinan la experiencia del conjunto. Las unidades de trabajo conservan todo el alcance acordado y registran la profundidad alcanzada en cada área. La primera versión identifica lo que falta y evita que produzca efectos reales; ya respeta la seguridad, la privacidad y la accesibilidad. La revisión temprana permite orientar el trabajo sin exigir una nueva aprobación en cada paso. Las pruebas siguen el calendario acordado para el proyecto. Este orden busca facilitar la coherencia y las correcciones tempranas; no se afirma un resultado comparativo. La base conectada es el comienzo del trabajo, y completarlo todavía exige toda la funcionalidad aceptada y la evidencia correspondiente.

Los cinco roles conectan ahora la idea aceptada con su realización. Sigue visible el propósito de tranquilidad del Originator; el Elevator conserva las razones para que el taller sea opcional; el Steward decide los límites de la prueba; el Builder prepara precios y materiales coherentes; y el Verifier los examina frente al acuerdo. Cada defecto vuelve al rol correspondiente: un propósito mal interpretado necesita corrección humana, un compromiso no autorizado necesita al Steward y un precio incorrecto necesita una corrección del Builder y su verificación.

La autorización corresponde a una acción concreta. Preparar una oferta y comprometer a un aliado tienen efectos distintos. Un colaborador debe conservar la autoridad válida, completar el trabajo ya autorizado y presentar las nuevas decisiones importantes a la persona responsable mediante una propuesta concreta que pueda examinar.

El marco de gestión de riesgos de IA del NIST (2023) y su perfil de IA generativa (Autio y colaboradores, 2024) organizan la gestión de riesgos y la evaluación en contexto. La guía de OWASP para aplicaciones agénticas aborda sistemas que pueden actuar. El brief de ELEV8 puede identificar las responsabilidades pertinentes; realizarlas exige los controles y el conocimiento especializado correspondientes.

La verificación parte de la promesa. En el hospedaje, revise juntos la información para huéspedes, el horario, el precio y el acuerdo con el taller. El brief establece que solo quienes participan pagan el taller: ¿detectaría la revisión un paquete que cobra a todos? Llamar opcional a la asistencia no resolvería esa contradicción en el precio. ELEV8 llama a esto Oracle Challenge: comprobar que la evidencia puede revelar el fallo que importa.

Una explicación por sí sola no basta. Bansal y colaboradores (2021) encontraron que las explicaciones aumentaban la tendencia a seguir incluso recomendaciones incorrectas, sin demostrar una mejora del desempeño frente a la asistencia de IA que mostraba su nivel de confianza. En el hospedaje, otro argumento persuasivo sobre las ventajas del taller sería una verificación débil. Comparar el precio anunciado con el carácter opcional acordado examinaría una manera concreta en que la recomendación podría haber fallado.

Una oferta con el precio correcto que no atrae huéspedes plantea otra pregunta sobre la demanda y la idea elegida. Seguir el aporte hasta su realización ayuda a localizar el problema: ¿faltaba conocimiento pertinente, se eligió mal la propuesta o se perdió un requisito aceptado durante la entrega? Cada caso exige un trabajo distinto.

Buçinca y colaboradores (2021) encontraron que exigir más deliberación podía reducir la dependencia excesiva y recibir valoraciones menos favorables. Esto introduce un costo que ELEV8 debe examinar: una revisión exigente puede detectar errores e imponer trabajo evitable. Concentre la atención en las afirmaciones importantes, evalúe si la revisión detecta sus fallos y mida el esfuerzo que exige. Ni la satisfacción ni la cantidad de comprobaciones demuestran que la revisión haya valido la pena.

Mantenga separadas las afirmaciones resultantes. Los materiales pueden estar completos; los acuerdos, confirmados; la prueba, realizada según lo previsto; y huéspedes y personal pueden considerarla valiosa. La evidencia de una cosa no establece las demás. Si el trabajo termina antes de conocer el beneficio humano, indique quién lo revisará y cuándo, o deje claro que ese seguimiento no tiene responsable. Así, el retorno humano esperado sigue presente después de la entrega inicial.

La medición de la innovación distingue una cuestión relacionada. El Manual de Oslo de la OCDE y Eurostat (2018) exige implementación en su definición de innovación. La estadía con artesanía sigue siendo una propuesta hasta que se ofrece; ofrecerla todavía deja por examinar su valor para huéspedes, personal y taller.

Qué respalda la investigación y qué debe demostrar ELEV8

Las fuentes de este ensayo explican sus fundamentos intelectuales y las preguntas que deben responder sus afirmaciones. Incluyen estudios empíricos, trabajos conceptuales, estándares y aportes profesionales identificados como tales. La selección es una revisión dirigida, sin pretensión de cubrir sistemáticamente toda la literatura. Ninguna fuente evalúa ELEV8 como método completo.

Desarrollar una propuesta tiene antecedentes importantes

El Double Diamond del Design Council conecta el descubrimiento y la definición del problema con la exploración y la prueba de soluciones. El marco COFI de Rezwana y Maher (2023) examina cómo la iniciativa, el aporte y la comunicación organizan la interacción creativa. CoExploreDS, de Chen y colaboradores (2025), apoya el desarrollo conjunto de problemas y soluciones y lo evalúa con diseñadores. Junto con los trabajos sobre diseño y formación de intenciones utilizados antes, estos antecedentes acotan la afirmación de ELEV8: cambiar un encargo mediante la colaboración ya es una preocupación establecida. La pregunta es si seguir los aportes elegidos hasta la entrega y los resultados humanos añade una disciplina útil a un costo aceptable.

El prompting también abarca más que la redacción. The Prompt Report, de Schulhoff y colaboradores (2025), revisa la descomposición, la iteración y la evaluación; el tutorial de Loweimi y colaboradores (2026) desarrolla explícitamente la intención informal hasta convertirla en especificaciones de trabajo. SpecBench, de Hamblin y colaboradores (2026), evalúa la detección de deficiencias en propuestas de software por parte de agentes. Las críticas históricas de expertos ofrecen una referencia para identificar problemas, mientras que la utilidad de una solución propuesta exige otra evaluación. El argumento a favor de ELEV8 debe sostenerse en el valor de su integración, sin definir esas alternativas de forma artificialmente estrecha.

Las mejoras dependen del trabajo y de la comparación

Existe evidencia de asistencia útil. Noy y Zhang (2023) encontraron menores tiempos y mayor calidad evaluada en tareas de redacción profesional. Brynjolfsson, Li y Raymond (2025) encontraron mejoras de productividad al introducir asistencia de IA en atención al cliente, especialmente entre trabajadores con menos experiencia. El experimento Cybernetic Teammate, de Dell’Acqua y colaboradores (2026), encontró mejores propuestas de innovación entre profesionales de P&G y distinguió la generación de la selección. Son hallazgos sobre tareas y organizaciones concretas.

Una misma tecnología puede ayudar en una tarea y dificultar otra. El experimento con consultores de Dell’Acqua y colaboradores (2026) encontró mejoras dentro del alcance de capacidades evaluado y menos respuestas correctas en una tarea situada fuera de él. Becker y colaboradores (2025) encontraron que desarrolladores experimentados de código abierto tardaban más cuando podían usar herramientas de IA de comienzos de 2025. Las diferencias de contexto impiden extraer una conclusión única para todos los flujos de trabajo. También cambian lo que ELEV8 debe demostrar: un método que dedica más tiempo a investigar y revisar tiene que mostrar qué mejora ese esfuerzo. Una propuesta más sólida podría justificar tiempo adicional; un resultado igualmente útil obtenido con mayor lentitud contaría en contra de su adopción. La comparación debe conservar ambas posibilidades y examinar la tarea y la experiencia de las personas, sin promediar contextos distintos en una única tasa de mejora.

El comparador también cambia la conclusión. Vaccaro y colaboradores (2024) revisaron 106 experimentos publicados entre enero de 2020 y junio de 2023. Las combinaciones de personas e IA superaron, en promedio, a las personas solas, pero quedaron por debajo de la mejor alternativa entre la persona sola y la IA sola. Una base competente es necesaria para establecer qué agrega realmente la colaboración.

El ahorro en una tarea también difiere del cambio organizacional. Dillon y colaboradores (2025) encontraron ahorro de tiempo en el correo electrónico en un estudio laboral aleatorizado, sin detectar cambios en la cantidad o composición de tareas medidas. El informe de la OCDE sobre pymes (2025) y las encuestas a ejecutivos de Yotzov y colaboradores (2026) describen adopción, efectos percibidos y expectativas. Aportan contexto, pero no establecen que un rediseño concreto vaya a mejorar un negocio. La evaluación debe incluir el esfuerzo del personal, los traspasos de trabajo y el uso real.

Aprobación, evidencia y capacidad pueden divergir

La dependencia excesiva y la mala distribución de responsabilidades son problemas anteriores a la IA generativa (Parasuraman y Riley, 1997). En los modelos de lenguaje, la retroalimentación humana puede mejorar las respuestas preferidas sin eliminar los errores, como muestran Ouyang y colaboradores (2022). Sharma y colaboradores (2024) documentan la complacencia: respuestas que favorecen coincidir con las creencias del usuario por encima de la verdad. Turner y Eisikovits (2026) examinan sus implicaciones éticas. Estas fuentes dan motivos para conservar la corrección y el desacuerdo en ELEV8; no muestran que sus instrucciones resuelvan el problema.

Huang y colaboradores (2025) revisan los riesgos de alucinación, lo que refuerza la necesidad de inspeccionar las fuentes citadas. Lee y colaboradores (2025) recogen percepciones de trabajadores sobre pensamiento crítico y confianza. Esos relatos pueden orientar el diseño, pero afirmar que una habilidad se conserva requiere observar el desempeño. Una persona confiada y una respuesta fluida aportan evidencia distinta de la que ofrece resolver una tarea nueva.

Las decisiones técnicas apoyan la colaboración

Las discusiones técnicas ayudan a identificar cómo apoyar este trabajo. El ensayo de Liatko en una comunidad de desarrolladores (2025) defiende flujos estructurados; el artículo de Genkina en IEEE Spectrum (2024) trata la optimización automática de prompts. Aplicadas al hospedaje, esas ideas sugieren maneras de conservar las condiciones aceptadas al pasar el trabajo entre colaboradores y mejorar el texto generado. Ninguna establece la demanda de la estadía propuesta. El preprint Prompting Inversion de Khan (2025) estudia los efectos de las restricciones de un prompt en distintos modelos sobre un banco de problemas matemáticos. Recursive Language Models, de Zhang, Kraska y Khattab (2026), aborda el razonamiento sobre entradas extensas. Esos trabajos dan motivos para comprobar qué instrucciones y formas de procesar información ayudan en la tarea concreta.

La guía de Anthropic para construir agentes (2024) recomienda ajustar la complejidad a la tarea, y Grace y colaboradores (2026) explican cómo evaluar las transcripciones y los estados resultantes. Estas prácticas pueden apoyar la realización del trabajo. En el hospedaje, la pregunta correspondiente es si la oferta real conserva las condiciones acordadas, más allá de lo que un colaborador dice haber hecho.

Qué permitiría establecer el valor añadido de ELEV8

ELEV8 propone conectar el aporte experto, la selección según el contexto, la orientación humana, la realización y el aprendizaje sobre el beneficio humano en una práctica que se pueda enseñar. Su registro sigue una incorporación importante desde su fundamento, pasando por su aceptación o rechazo, hasta el trabajo realizado. Una comparación justa debe permitir que diseñadores, especialistas en prompts y otros profesionales competentes investiguen y mejoren la propuesta con recursos equivalentes.

Conserve la solicitud inicial, siga los hallazgos y propuestas que cambian el resultado y evalúe la especificación y el producto mediante criterios elegidos antes de ver las respuestas. Incluya preparación, revisión, corrección y esfuerzo continuo. Registre los cambios de propósito autorizados sin reescribir la comparación original. Consulte a las personas afectadas sobre adecuación y carga, y observe el beneficio afirmado. Conserve los resultados decepcionantes y los casos en que gana la opción más sencilla. Son requisitos para una evaluación futura; los ejemplos ficticios no aportan resultados comparativos.

ELEV8 también puede convertirse en parte del problema. El reencuadre puede sustituir el propósito de alguien, la investigación puede acumularse sin cambiar una decisión y una propuesta persuasiva puede dificultar el desacuerdo. Los controles de entrega pueden consumir la atención que buscaban proteger. Una valoración favorable debe tener en cuenta esos costos y fallos. El aporte del método también debe justificar el esfuerzo que exige.

Pruébelo en un trabajo concreto

Comience con una tarea que importe y todavía tenga espacio para desarrollarse. Aporte la idea, el contexto disponible y las restricciones que deben mantenerse. La instrucción inicial puede ser breve:

Ayúdeme a desarrollar esta idea hasta convertirla en un resultado valioso. Comprenda qué intento lograr y use el material disponible antes de pedirme que lo repita. Investigue lo que falta, proponga posibilidades útiles y recomiende una dirección con razones. Muestre qué agregó, compárelo con una buena opción más sencilla y facilite que yo oriente las decisiones importantes. Lleve a cabo el trabajo acordado dentro de mi autorización y explique cómo podremos saber si ayudó.

Juzgue la respuesta por su aporte. Usted debería aprender algo pertinente, ver una posibilidad con mayor claridad o poder elegir mejor. Un cuestionario extenso, una lista sin prioridades o una reformulación elegante pueden dejar el trabajo donde comenzó.

Para una tarea considerable, pida un Elevation Brief breve que explique el propósito, el hallazgo importante, la recomendación y su mejor alternativa, el retorno humano esperado y el siguiente paso. Acuerde un límite inicial de esfuerzo y la incertidumbre que conviene resolver primero. El brief debe facilitar una decisión y darle al trabajo posterior una dirección que se pueda usar.

Pruebe la versión más pequeña que conserve el valor propuesto. Para el hospedaje, podría ser un fin de semana de artesanía bien organizado, comparado con una oferta convencional mejorada. Un borrador de anuncio podría explorar el interés; no revelaría cómo es organizar la experiencia. Elija la observación que corresponda a la decisión que necesita tomar y use lo aprendido para continuar, ajustar, simplificar o detenerse.

El propietario comenzó con habitaciones vacías y una solicitud de ayuda para atraer huéspedes. La colaboración podría llevar a una experiencia nueva, una versión más sólida de la oferta existente o la conclusión de que la alianza exigiría demasiado. Su valor estaría en comprender la oportunidad lo suficiente para elegir y luego hacer que esa elección funcione para las personas involucradas.

Una idea incompleta le da a un buen colaborador un lugar por donde comenzar. ELEV8 le pide aportar conocimiento e imaginación, ayudar a las personas a dar forma a lo que se vuelve posible y asumir la responsabilidad de llevar ese aporte hasta un resultado que valga la pena.

Referencias

Las fuentes siguientes respaldan las afirmaciones citadas en el texto. Incluyen investigaciones, antecedentes conceptuales y orientación profesional identificada como tal; ninguna evalúa ELEV8 como método completo.

• Amershi, S., Weld, D., Vorvoreanu, M., Fourney, A., Nushi, B., Collisson, P., Suh, J., Iqbal, S., Bennett, P. N., Inkpen, K., Teevan, J., Kikin-Gil, R., & Horvitz, E. (2019). Guidelines for human-AI interaction. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Paper 3, 1–13. doi:10.1145/3290605.3300233.

• Anthropic. (2024, 19 de diciembre). Building effective agents. Orientación técnica. Artículo.

• Autio, C., Dunietz, J., Hall, P., Jain, S., Roberts, K., Schwartz, R., Stanley, M., & Tabassi, E. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. doi:10.6028/NIST.AI.600-1.

• Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. T., & Weld, D. S. (2021). Does the whole exceed its parts? The effect of AI explanations on complementary team performance. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (Article 81, pp. 1–16). Association for Computing Machinery. doi:10.1145/3411764.3445717.

• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. doi:10.1073/pnas.2422633122. Corrección asociada: doi:10.1073/pnas.2518204122.

• Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity [Preprint]. arXiv. Versión citada, 25 de julio de 2025.

• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. Publicado en línea el 4 de febrero de 2025. doi:10.1093/qje/qjae044.

• Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188, 1–21. doi:10.1145/3449287.

• Chen, P., Yao, J., Cheng, Z., Cai, Y., Li, J., You, W., & Sun, L. (2025). CoExploreDS: Framing and advancing collaborative design space exploration between human and AI. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 20 páginas. doi:10.1145/3706598.3713869. Manuscrito de los autores.

• Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (2026). The cybernetic teammate: A field experiment on generative AI and teamwork. Organization Science, 37(4), 1217–1242. Publicado en línea el 12 de junio de 2026. doi:10.1287/orsc.2025.20702.

• Dell’Acqua, F., McFowland, E., III, Mollick, E. R., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. doi:10.1287/orsc.2025.21838.

• Design Council. (n.d.). The Double Diamond. Consultado el 7 de septiembre de 2026. Descripción del marco.

• Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting work patterns with generative AI. NBER Working Paper 33795, revisión de noviembre de 2025. doi:10.3386/w33795. Versión citada, 13 de noviembre de 2025.

• Dorst, K. (2011). The core of “design thinking” and its application. Design Studies, 32(6), 521–532. doi:10.1016/j.destud.2011.07.006.

• Dorst, K., & Cross, N. (2001). Creativity in the design process: Co-evolution of problem–solution. Design Studies, 22(5), 425–437. doi:10.1016/S0142-694X(01)00009-6. Manuscrito aceptado.

• Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. doi:10.1126/sciadv.adn5290.

• Engelbart, D. C. (1962). Augmenting human intellect: A conceptual framework. Stanford Research Institute, report AFOSR-3233. Informe alojado por el instituto.

• Friedman, B., Hendry, D. G., & Borning, A. (2017). A survey of Value Sensitive Design methods. Foundations and Trends in Human-Computer Interaction, 11(2), 63–125. doi:10.1561/1100000015.

• Genkina, D. (2024). AI Prompt Engineering Is Dead. IEEE Spectrum. Artículo periodístico; publicado en la edición impresa de mayo de 2024 con el título “Don’t Start a Career as an AI Prompt Engineer.” Artículo.

• Grace, M., Hadfield, J., Olivares, R., & De Jonghe, J. (2026, 9 de enero). Demystifying evals for AI agents. Engineering at Anthropic. Orientación profesional. Artículo.

• Hamblin, G., Song, K., Zhu, Z., Jayarajan, A., Liu, S., Vijaykumar, N., & Pekhimenko, G. (2026). SpecBench: Evaluating specification-level reasoning for software engineering LLM agents. arXiv:2605.30314v1. 28 de mayo de 2026. Preprint. Versión citada.

• Horvitz, E. (1999). Principles of mixed-initiative user interfaces. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 159–166. doi:10.1145/302979.303030. Manuscrito alojado por el autor.

• Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2), Article 42, 1–55. doi:10.1145/3703155.

• Johnson, M., Bradshaw, J. M., Feltovich, P. J., Jonker, C. M., van Riemsdijk, M. B., & Sierhuis,

  13. (2014). Coactive Design: Designing support for interdependence in joint activity. Journal of Human-Robot Interaction, 3(1), 43–69. doi:10.5898/JHRI.3.1.Johnson.

• Kano, N., Seraku, N., Takahashi, F., & Tsuji, S. (1984). Attractive quality and must-be quality. Journal of the Japanese Society for Quality Control, 14(2), 147–156. doi:10.20684/quality.14.2_147.

• Khan, I. (2025). You Don’t Need Prompt Engineering Anymore: The Prompting Inversion. arXiv:2510.22251v1. Presentado el 25 de octubre de 2025. Preprint. Versión citada.

• Kreminski, M., & Chung, J. J. Y. (2024). Intent elicitation in mixed-initiative co-creativity. Joint Proceedings of the ACM IUI Workshops 2024. Manuscrito de los autores.

• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery. doi:10.1145/3706598.3713778.

• Liatko, S. (2025, 12 de julio). Prompt Engineering Is Dead, and Context Engineering Is Already Obsolete: Why the Future Is Automated Workflow Architecture with LLMs. OpenAI Developer Community. Ensayo profesional. Publicación original.

• Loweimi, E., Daneshvar, H., Loveymi, S., Ouelha, S., Yue, Z., Mozaffar, H., & Luz, S. (2026). A Tutorial on Prompt Engineering: From Messy Thoughts to AI Workflows. arXiv:2609.22249v1. 5 de septiembre de 2026. Tutorial en prepublicación. Versión citada.

• National Center for O*NET Development. (n.d.). Machinists: 51-4041.00. O*NET OnLine. Sección de tareas, consultada el 29 de septiembre de 2026. Perfil ocupacional.

• National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). NIST AI 100-1. doi:10.6028/NIST.AI.100-1.

• Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi:10.1126/science.adh2586.

• Organisation for Economic Co-operation and Development & Eurostat. (2018). Oslo manual 2018: Guidelines for collecting, reporting and using data on innovation (4th ed.). OECD Publishing. doi:10.1787/9789264304604-en.

• Organisation for Economic Co-operation and Development. (2025). Generative AI and the SME workforce: New survey evidence. OECD Publishing. Publicado el 5 de noviembre de 2025. doi:10.1787/2d08b99d-en.

• Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. Artículo de conferencia.

• OWASP Foundation. (2026). OWASP Top 10 for agentic applications 2026. Orientación profesional de seguridad. Orientación.

• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. doi:10.1518/001872097778543886.

• Rezwana, J., & Maher, M. L. (2023). Designing creative AI partners with COFI: A framework for modeling interaction in human-AI co-creative systems. ACM Transactions on Computer-Human Interaction, 30(5), 1–28. doi:10.1145/3519026. Prepublicación de los autores, 2022.

• Runco, M. A., & Acar, S. (2012). Divergent thinking as an indicator of creative potential. Creativity Research Journal, 24(1), 66–75. doi:10.1080/10400419.2012.652929.

• Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78. doi:10.1037/0003-066X.55.1.68.

• Schulhoff, S., et al. (2025). The Prompt Report: A systematic survey of prompt engineering techniques. arXiv:2406.06608v6. Primera publicación: 2024; revisión citada: 26 de febrero de 2025. Preprint. Versión citada.

• Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. The Twelfth International Conference on Learning Representations. Artículo de conferencia.

• Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation. arXiv:2601.20245v2. Primera publicación: 28 de enero de 2026; revisión citada: 1 de febrero de 2026. Preprint. Versión citada.

• Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. doi:10.1080/10447318.2020.1741118.

• Turner, C., & Eisikovits, N. (2026). Programmed to please: The moral and epistemic harms of AI sycophancy. AI and Ethics, 6, Article 168. doi:10.1007/s43681-026-01007-4.

• United Nations Development Programme. (2025). Human Development Report 2025: A matter of choice: People and possibilities in the age of AI. Informe.

• Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. doi:10.1038/s41562-024-02024-1.

• Yotzov, I., Barrero, J. M., Bloom, N., Bunn, P., Davis, S. J., Foster, K. M., Jalca, A., Meyer, B. H., Mizen, P., Navarrete, M. A., Smietanka, P., Thwaites, G., & Wang, B. Z. (2026). Firm data on AI. NBER Working Paper 34836. Febrero de 2026; revisión de marzo de 2026. Documento de trabajo. doi:10.3386/w34836. Proyecto y materiales de los autores.

• Zhang, A. L., Kraska, T., & Khattab, O. (2026). Recursive Language Models. arXiv:2512.24601v3. Primera publicación: 31 de diciembre de 2025; revisión citada: 11 de mayo de 2026. Preprint. Versión citada.

Historial de versiones

Las entradas registran revisiones del método o de su explicación. Las fechas no establecen despliegues ni evaluaciones comparativas. Las revisiones sustanciales avanzan un número; las correcciones que conservan el significado pueden mantener la versión.

Versión	Fecha	Aporte
1	2026-05-06	Artículo inicial: aporte experto, roles, especificaciones y maximización.
2	2026-05-07	La Elevación Apta sustituye la maximización; nueve dimensiones, reencuadre y tríadas.
3	2026-05-07	Revisión editorial de metadatos, diagramas, roles, ejemplos y argumento final.
4	2026-05-07	Reestructuración: resumen, aplicación, trampa de la fidelidad y explicación de fases y auditorías.
5	2026-05-07	Registro duradero de hallazgos, aclaraciones, decisiones y lecciones reutilizables.
6	2026-05-07	Conjunto de reauditoría: fuentes, hallazgos, siguiente responsable, aprendizaje y dictamen.
7	2026-05-07	Prompts guardados e invocaciones breves permiten recuperar instrucciones entre sesiones.
8	2026-05-07	Preparación editorial, contexto de capacidades y riesgos de la IA y responsabilidades más claras.
9	2026-05-07	La reverificación de cierre comprueba intención original, cambios aceptados, evidencia y aprendizaje.
10	2026-05-07	Alineación de modos, registro universal de decisiones y delegación limitada con revisión del Steward.
11	2026-05-07	Límites de afirmaciones, redacción para ámbitos sensibles y reglas de decisión coherentes.
12	2026-05-08	Auditoría de especificación del proyecto y mayor precisión en especificaciones, auditorías y fases.
13	2026-05-09	Identidad ELEV8 y nombres de los ocho principios duraderos.
14	2026-05-09	Propiedad canónica de la metodología y alineación del artículo, responsabilidades, referencias y glosario.
15	2026-05-10	Reorganización de descubrimiento y entrega; escalamiento, aprendizaje, autorización y reauditoría.
16	2026-05-10	Metadatos públicos, rutas a fuentes y kit, flujo de decisiones y aclaración del cierre final.
17	2026-05-13	Borrador de límites de autoridad con reversibilidad, campos de decisión y limitaciones explícitas.
18	2026-05-13	Borrador complementario que recupera citas, razonamiento sobre aptitud, dirección humana y comprobaciones.
19	2026-05-13	Reescritura narrativa: argumento inicial, guía de lectura, arco de complejidad y roles para el público.
20	2026-05-31	Ajustes de agilidad para entregas con consecuencias: aceleración limitada y revisión proporcionada.
21	2026-05-31	Planificación progresiva, decisiones graduadas, trabajo reversible y señales opcionales del proceso.
22	2026-05-31	Lente de completitud, reencuadre previo de tareas, registro de dirección y comprobación de elevación.
23	2026-05-31	Usabilidad e integridad: listas de construcción, ejemplos, notas del Elevator y requisitos graduados.
24	2026-05-31	Punto de comprobación de la versión de las publicaciones.
25	2026-05-31	Artículo y blog en inglés alineados con los mecanismos acumulados; diagramas actualizados.
26	2026-05-31	Alineación de metodología, artículo, traducciones, kit, habilidad y referencias de proyectos.
27	2026-06-10	Correcciones en capas operativas, orden de controles, aceptación, glosario y registros de ejemplo.
28	2026-06-23	Captura de la voz humana, marcos alternativos, validación temprana de supuestos y visibilidad continua.
29	2026-08-26	Separación de la vía creativa y la vía de entrega; Spark, Studio, Mission y cinco responsabilidades.
30	2026-08-26	Se refuerzan la narrativa, los fundamentos de investigación y las explicaciones causales tras la reescritura.
31	2026-09-07	Retorno Humano, comprobación de aptitud, novedad opcional, dimensiones de evidencia y nombre formal.
32	2026-09-08	La transformación de especificaciones pasa al centro; método académico, ejemplo, procedencia y materiales comparativos.
33	2026-09-23	Comparación con prompting y cocreación, selección apta, procedencia de decisiones y límites de novedad.
34	2026-09-23	Título, firma, resumen, introducción y argumento de adopción condicional para lectores empresariales.
35	2026-09-23	Ampliación de investigación que distingue mejoras en tareas, cambio organizacional, selección y capacidad conservada.
36	2026-09-23	Publicación coordinada de los ajustes acumulados de investigación, metodología, kit y textos.
37	2026-09-23	Revisión editorial completa que aclara el argumento, reduce repeticiones y mejora la presentación académica.
38	2026-09-24	Vacíos concretos de requisitos y ejemplos variados de taller, museo, coro, archivo, librería y entrevista.
39	2026-09-24	Desarrollo anticipado de especificaciones: experiencia, documentos, investigación y razonamiento resuelven vacíos antes de entregar.
40	2026-09-24	Historial completo de versiones enteras y obligación explícita de numerar los cambios sustanciales de forma coherente.
41	2026-09-28	Reescritura narrativa con ejemplos ficticios de distintos sectores y la vida cotidiana, en consonancia con el manuscrito académico.
42	2026-09-29	Recuperación de referencias y uso de sus hallazgos para desarrollar los ejemplos, las decisiones del método, el aporte académico y los límites de evaluación.
43	2026-09-29	Revisión final del argumento: distingue cambios de propósito, fundamentos de las decisiones y beneficios observados; precisa el aporte y corrige el ejemplo de verificación.
44	2026-10-01	Sitúa los cinco roles y el refinamiento repetido en el centro de la revisión de la intención interpretada. Los proyectos de software lo aplican con una base conectada de toda la solución y pasadas coordinadas que conservan el alcance, la orientación humana, los controles esenciales y el calendario de pruebas.

Nota de publicación

Campo	Valor
Autor	David Azofeifa
Editorial	VirtuAmerica
Versión	ELEV8 v44
Fecha de publicación	2026-09-07
Fecha de la versión	2026-10-01
Tipo de publicación	Ensayo profesional; sin revisión por pares
Clase de evidencia	Propuesta metodológica con ilustraciones ficticias; eficacia comparativa no establecida
Ruta pública canónica	/blog/elev8

La versión 44 sitúa los cinco roles y el refinamiento repetido en el centro de ELEV8 para que las personas puedan revisar y corregir la interpretación de su intención conforme evoluciona. Los proyectos de software lo aplican mediante una implementación básica conectada de la idea completa, seguida de mayor profundidad y refinamiento en sus recorridos. El proceso conserva el alcance, los controles esenciales y el calendario de pruebas acordado. Los ejemplos ficticios explican la propuesta; su eficacia comparativa todavía no se ha medido.