--- title: "Quiz de IA para marketing: más allá de escribir copys | Londo" description: "Quiz de IA para marketing: prompts, alucinaciones, RAG, agentes, ventana de contexto, Smart Bidding, Performance Max, Advantage+ y AI Overviews." url: https://londo.info/retos/ia-marketing/ language: es --- # Quiz de IA para marketing: más allá de escribir copys Quince preguntas sobre prompts, RAG, agentes y la IA que ya decide tus pujas. Mide cuánto sabes más allá del copy. 15 preguntas con su respuesta y su fuente. 10 Londi puntos por cada acierto. 1. ## 1. Según las guías de prompting de Anthropic, ¿qué mejora más la respuesta de una IA? Básica - Escribir el pedido en mayúsculas para que lo tome en serio. - Pedirlo en pocas palabras clave, como en un buscador. - Darle rol, objetivo, datos, para qué es y formato de salida. - Repetir la misma instrucción hasta que acierte. **Respuesta: Darle rol, objetivo, datos, para qué es y formato de salida..** Anthropic sugiere tratar al modelo como un empleado brillante pero nuevo, que no conoce tu contexto: entre más preciso, mejor resultado. Prueba de oro: si un colega sin contexto se confundiría con tu prompt, la IA también. Explica el porqué y agrega ejemplos. [Fuente: platform.claude.com](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices) 2. ## 2. ¿Qué es una alucinación en un modelo de IA generativa? Básica - Texto que suena convincente pero es falso o contradice la información dada. - Un error de conexión que corta la respuesta a la mitad. - Una imagen hecha con IA que parece una foto real. - Cuando la IA se niega a responder por sus políticas. **Respuesta: Texto que suena convincente pero es falso o contradice la información dada..** Anthropic la describe como texto factualmente incorrecto o inconsistente con el contexto entregado, y advierte que les pasa incluso a los modelos más avanzados. Antes de publicar, valida cifras, nombres, fechas y citas, sobre todo en decisiones importantes. [Fuente: platform.claude.com](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) 3. ## 3. ¿Cuál de estas prácticas reduce las alucinaciones, según la guía de Anthropic? Intermedia - Pedirle que responda siempre, aunque no tenga datos. - Quitar los documentos de apoyo para que el prompt sea corto. - Subir la temperatura para que explore más opciones. - Permitirle decir "no sé" y pedirle citas textuales del documento. **Respuesta: Permitirle decir "no sé" y pedirle citas textuales del documento..** Darle permiso de admitir que no sabe, anclar la respuesta en citas textuales y exigir la fuente de cada afirmación reduce errores. También sirve limitarla a los documentos que le entregas. Aun así, no los elimina del todo: revisa lo crítico. [Fuente: platform.claude.com](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) 4. ## 4. ¿Qué es RAG (generación aumentada por recuperación)? Básica - Reentrenar el modelo desde cero con los datos de tu empresa. - Buscar información en tus fuentes y sumarla al prompt antes de responder. - Un formato de archivo para guardar prompts reutilizables. - Una técnica para generar imágenes a partir de texto. **Respuesta: Buscar información en tus fuentes y sumarla al prompt antes de responder..** RAG mejora la calidad y precisión de la respuesta al anclarla en fuentes que se recuperan después del entrenamiento: tu catálogo, políticas o base de conocimiento. Es la forma usual de que la IA responda con datos propios y actualizados sin reentrenarla. [Fuente: docs.cloud.google.com](https://docs.cloud.google.com/docs/generative-ai/glossary) 5. ## 5. ¿Qué es la ventana de contexto de un modelo de lenguaje? Básica - Todos los datos con los que se entrenó el modelo. - El tiempo máximo que tarda en generar una respuesta. - Todo el texto que el modelo puede considerar a la vez, incluida su respuesta. - La cantidad de chats que guarda en tu historial. **Respuesta: Todo el texto que el modelo puede considerar a la vez, incluida su respuesta..** Es la memoria de trabajo del modelo y se mide en tokens (pedazos de palabras). No es lo mismo que sus datos de entrenamiento. Más contexto no siempre es mejor: con demasiados tokens baja la precisión, así que dale solo lo relevante. [Fuente: platform.claude.com](https://platform.claude.com/docs/en/build-with-claude/context-windows) 6. ## 6. Tu asistente de IA da precios desactualizados de tu catálogo. Según la guía de OpenAI para mejorar la precisión, ¿qué técnica corresponde a este problema? Avanzada - RAG: darle la información vigente en el contexto de cada consulta. - Ajuste fino con el catálogo para que memorice los precios. - Subir la temperatura para que varíe más sus respuestas. - Cambiar a un modelo más grande, sin tocar el prompt. **Respuesta: RAG: darle la información vigente en el contexto de cada consulta..** OpenAI separa dos problemas: si al modelo le falta conocimiento o lo tiene desactualizado, optimiza el contexto (RAG); si falla en formato, tono o consistencia, considera el ajuste fino. En ambos casos, empieza con un buen prompt y un set de evaluación. [Fuente: developers.openai.com](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy) 7. ## 7. Quieres analizar con IA una base de clientes con nombres, cédulas y datos de salud. ¿Qué es lo correcto? Básica - Pegarla completa en una cuenta gratuita, que es privada por defecto. - Pedirle a la IA en el prompt que no guarde nada. - Subirla en PDF para que la IA no la lea completa. - Anonimizar los datos y usar un plan empresarial que no entrene con ellos. **Respuesta: Anonimizar los datos y usar un plan empresarial que no entrene con ellos..** En los planes personales de ChatGPT (Free, Plus y Pro) las conversaciones pueden usarse para entrenar modelos, salvo que lo desactives; en planes empresariales y la API, por defecto no. En Colombia, los datos de salud son sensibles: quita lo que identifique a la persona antes de analizar. [Fuente: help.openai.com](https://help.openai.com/en/articles/5722486-how-your-data-is-used-to-improve-model-performance) 8. ## 8. ¿Qué controla el parámetro de temperatura en un modelo de lenguaje? Intermedia - Cuántos tokens puede leer el modelo en cada consulta. - Qué tan aleatoria es la elección de cada palabra de la respuesta. - Qué tan seguro está el modelo de que el dato es cierto. - La velocidad con la que el modelo genera la respuesta. **Respuesta: Qué tan aleatoria es la elección de cada palabra de la respuesta..** Una temperatura baja da respuestas más predecibles; una alta, más variadas o creativas. Ojo con los modelos de razonamiento recientes: para Gemini 3, Google recomienda dejarla en 1.0, porque bajarla puede causar bucles o peor rendimiento. [Fuente: ai.google.dev](https://ai.google.dev/gemini-api/docs/prompting-strategies) 9. ## 9. Quieres que una IA clasifique conversaciones de leads en caliente, tibio o frío. ¿Cómo validas que funciona antes de usarla? Intermedia - Le preguntas a la misma IA si está segura de sus respuestas. - Revisas tres conversaciones al azar y, si cuadran, la activas. - Comparas sus etiquetas con un set de casos ya etiquetados por personas. - Confías en el dato de precisión que publica el proveedor. **Respuesta: Comparas sus etiquetas con un set de casos ya etiquetados por personas..** Arma una evaluación con casos que reflejen tu realidad, incluidos los difíciles (sarcasmo, mensajes ambiguos), y mide cuántas etiquetas coinciden con las humanas. Anthropic recomienda automatizar la calificación y preferir muchos casos con señal un poco menor a pocos revisados a mano. [Fuente: platform.claude.com](https://platform.claude.com/docs/en/test-and-evaluate/develop-tests) 10. ## 10. ¿Qué diferencia a un agente de IA de una automatización con pasos fijos, como un flujo armado en una herramienta no-code? Intermedia - El agente decide por sí mismo qué pasos seguir y qué herramientas usar. - El agente siempre es más barato y rápido que un flujo fijo. - El agente solo produce texto y no puede usar herramientas. - El flujo fijo usa IA y el agente no. **Respuesta: El agente decide por sí mismo qué pasos seguir y qué herramientas usar..** Anthropic llama flujos (workflows) a los sistemas con rutas de código predefinidas, y agentes a los que dirigen su propio proceso. Recomienda la solución más simple: un flujo fijo basta para tareas predecibles; usa agentes en tareas abiertas, sabiendo que cuestan más y sus errores se acumulan. [Fuente: anthropic.com](https://www.anthropic.com/engineering/building-effective-agents) 11. ## 11. Tu campaña con CPA objetivo (Smart Bidding) cuenta como conversión cualquier formulario enviado, incluso el spam. ¿Qué es lo más probable? Avanzada - Smart Bidding ignorará esos formularios y optimizará hacia ventas reales. - Nada cambia, porque Smart Bidding optimiza clics y no conversiones. - Google bajará la puja solo en los términos que traen spam. - Pujará por conseguir más formularios así, porque optimiza hacia lo que mides. **Respuesta: Pujará por conseguir más formularios así, porque optimiza hacia lo que mides..** Smart Bidding usa IA para optimizar conversiones o valor de conversión en cada subasta, y depende de tu seguimiento de conversiones. Si cuentas leads basura, buscará más de eso. Mide una conversión de calidad, como lead calificado o venta importada del CRM. [Fuente: support.google.com](https://support.google.com/google-ads/answer/7065882) 12. ## 12. En Performance Max (Google) y en el público Advantage+ (Meta), ¿cómo funcionan las audiencias que tú agregas? Avanzada - Como restricción estricta: solo esas personas verán el anuncio. - Como sugerencias: la IA puede mostrar anuncios a otras personas si convierten. - Como exclusión: la IA evita a esas personas para ampliar alcance. - No tienen efecto, porque la IA ignora cualquier audiencia agregada. **Respuesta: Como sugerencias: la IA puede mostrar anuncios a otras personas si convierten..** Google dice que las señales de audiencia son opcionales y que PMax puede mostrar anuncios fuera de ellas si hay alta probabilidad de conversión; Meta trata tus públicos como sugerencia. Si tienes límites reales (ubicación, edad mínima, idioma, exclusiones), configúralos como controles estrictos. [Fuente: support.google.com](https://support.google.com/google-ads/answer/14530785) 13. ## 13. Generaste con IA cuatro versiones del texto de un anuncio para Meta. ¿Cómo sabes cuál funciona mejor? Intermedia - Con una prueba A/B que cambie solo el texto y deje lo demás igual. - Le pides a la misma IA que elija la versión más persuasiva. - Las publicas en campañas con públicos distintos y comparas clics. - Eliges la que más le guste al equipo y la escalas. **Respuesta: Con una prueba A/B que cambie solo el texto y deje lo demás igual..** En una prueba A/B de Meta, la variable es un único cambio. Si cambias texto, público y ubicación a la vez, no sabrás qué funcionó. La IA te da volumen de variaciones; la prueba te dice cuál gana con resultados reales. [Fuente: facebook.com](https://www.facebook.com/business/measurement/ab-testing) 14. ## 14. ¿Qué pide Google para que tu página pueda aparecer como enlace en AI Overviews o en el Modo IA? Intermedia - Un marcado schema.org especial para IA en cada página. - Estar indexada y poder mostrarse en Google con fragmento; nada adicional. - Un archivo llms.txt en la raíz del dominio. - Tener una campaña activa de Google Ads en esa búsqueda. **Respuesta: Estar indexada y poder mostrarse en Google con fragmento; nada adicional..** Google dice que no hay requisitos extra ni optimizaciones especiales: aplican las bases de SEO. Permite el rastreo, pon lo importante en texto, cuida el enlazado interno y verifica que tus datos estructurados coincidan con lo que se ve en la página. [Fuente: developers.google.com](https://developers.google.com/search/docs/appearance/ai-features) 15. ## 15. Entrenas un modelo de lead scoring solo con los leads que ventas decidió llamar. ¿Qué sesgo corres el riesgo de meter? Avanzada - Sesgo de automatización: confiar de más en lo que dice el sistema. - Sesgo de confirmación: buscar datos que validen tu idea previa. - Sesgo de selección: los datos no representan a todos tus leads. - Ninguno, porque los datos históricos de ventas son neutrales. **Respuesta: Sesgo de selección: los datos no representan a todos tus leads..** Google define el sesgo de selección como elegir ejemplos que no reflejan la distribución real. Si el modelo solo vio los leads que alguien quiso llamar, no sabe cómo se comportan los demás. Incluye una muestra de todos los leads y revisa resultados por segmento. [Fuente: developers.google.com](https://developers.google.com/machine-learning/crash-course/fairness/types-of-bias) **0** de 800 Londi puntos Este reto da hasta **150 Londi puntos**. [Qué te ganas](https://londo.info/retos/canjear/). [Siguiente reto: Arma el embudo](https://londo.info/retos/arma-el-embudo/) [Todos los retos](https://londo.info/retos/) --- Más contexto para agentes: https://londo.info/llms.txt · Mapa del sitio: https://londo.info/sitemap-index.xml · Contacto: https://londo.info/contacto/