Dharmesh Shah: para confiar en el trabajo de la IA, pídele pruebas, no notas

¿Qué plantea Dharmesh Shah?

El 4 de noviembre de 2026, Dharmesh Shah, cofundador y CTO de HubSpot, publicó en su newsletter Simple.ai una columna sobre una pregunta práctica: por qué algunas personas pueden dejar a la IA trabajando sola y volver a encontrar un resultado terminado, mientras otras terminan revisando cada línea.

Su respuesta es la verificación. La IA rinde mejor en tareas donde su trabajo se puede comprobar, y por eso el código es el terreno donde más ha avanzado: tiene un propósito definido que se puede probar. Cuando no hay forma de verificar, el modelo se detiene cuando el trabajo parece terminado, y el usuario termina siendo la prueba.

¿Por qué una nota no es lo mismo que una prueba?

Shah distingue entre «notas» y «checks». Una nota es una autoevaluación: pedirle al modelo que califique su propio trabajo. El problema es que la misma IA que cometió el error es la que lo juzga. Un check, en cambio, es una prueba de pasa o no pasa con una sola respuesta correcta.

De ahí su recomendación para escribir instrucciones: definir el resultado esperado y cómo se va a comprobar, en lugar de prescribir paso a paso el método. A medida que los modelos mejoran, especificar el «qué» importa más que el «cómo».

¿Cuáles son los tres tipos de checks?

La columna propone tres formas concretas de verificar:

• Contarlo: reglas con una sola respuesta correcta, como que un correo no supere las 150 palabras.
• Buscarlo: confirmar datos contra una fuente nombrada, como precios con su fuente citada.
• Probarlo: usar el resultado como lo haría un usuario real, por ejemplo revisando que los botones de una landing funcionen en escritorio y en celular.

Shah también reconoce el límite: la verificación solo atrapa lo que alguien pensó en escribir. En sus palabras, «Your verification is only as good as the rules you give it».

¿Cómo se aplica esto a un proceso de ingresos?

Aunque Shah escribe para cualquier usuario de IA, su marco calza directo con el trabajo de RevOps, porque los procesos de ingresos están llenos de reglas verificables:

• Enriquecimiento de registros: un agente que completa empresas en el CRM puede pasar checks simples, como dominio válido, industria dentro de la lista permitida y país en el formato correcto.
• Correos de prospección: largo máximo, sin promesas de precio, con el nombre y el cargo verificados contra el registro del contacto.
• Actualización de negocios: ningún negocio avanza de etapa sin los campos obligatorios completos, y el monto cuadra con la cotización asociada.

Escritos como criterios de aceptación, estos checks convierten la revisión humana en algo excepcional: la persona revisa lo que falla, no todo lo que el agente produce.

¿Qué significa para equipos comerciales en Chile y Latinoamérica?

En Chile y Latinoamérica, muchos equipos comerciales están en la etapa de pilotos de IA, y el cuello de botella suele ser la confianza: nadie quiere que un agente toque el CRM sin supervisión. La propuesta de Shah ofrece una salida concreta: en vez de revisar todo, definir qué debe cumplir el resultado y dejar que la máquina lo compruebe.

Para empresas medianas de la región, con equipos de operaciones pequeños, esto tiene un efecto directo en costos: cada check bien escrito es una revisión manual que deja de existir. También obliga a algo que muchas organizaciones postergan: documentar cuáles son las reglas de calidad de sus datos comerciales.

¿Dónde se queda corta la tesis?

Hay dos matices. Primero, buena parte del trabajo comercial no se puede reducir a pasa o no pasa: el tono de una propuesta o el criterio para priorizar una cuenta requieren juicio humano. Segundo, Shah es cofundador de HubSpot, una empresa que vende agentes de IA, por lo que su interés en que confiemos más en ellos es evidente. Eso no invalida el marco, pero conviene leerlo con ese contexto.

Nuestra lectura editorial

Este texto es el análisis de Revenue Hub sobre la columna de Dharmesh Shah, no una reproducción de ella. Coincidimos en que la confianza en la IA se construye con pruebas y no con autoevaluaciones, y creemos que RevOps es el área natural para escribir esos criterios de aceptación. Te recomendamos leer la columna original de Dharmesh Shah en Simple.ai, en inglés.