Juicio, Ejecución, Revisión y Bucle: Construir tu Runtime Personal de IA

Usa objetivos, anclas, estructura y fronteras para mantener la colaboración humano-IA en una trayectoria clara.

Una de las ideas centrales de System and Freedom / Sistema y Libertad es el Infinito Acotado.

La libertad real emerge dentro de fronteras claras. Una frontera real no es solo algo que afirmas haber establecido. Es un hecho estructural que otros pueden leer, reconocer y elegir no cruzar.

La colaboración humano-IA funciona de la misma manera.

Los grandes modelos de lenguaje son poderosos, pero derivan de forma natural. Pueden alucinar, inventar falsedades internamente consistentes y perder contexto importante durante sesiones largas de trabajo. Son como un compañero extremadamente inteligente, de manos rápidas, memoria imperfecta y un talento peligroso para sobreoptimizar el problema equivocado.

El problema más profundo viene incorporado. Todavía no comprendemos plenamente, a nivel matemático, los principios de funcionamiento de los grandes modelos. Gran parte del campo sigue avanzando mediante ajuste de parámetros, observación de salidas y acumulación de experiencia difícilmente ganada. La escala cruza un umbral, la inteligencia empieza a emerger, y todavía no podemos explicar del todo por qué.

Por eso, un gran modelo se entiende mejor como un sistema empírico de ingeniería en rápida evolución, no como una máquina a la que puedas confiarlo todo después de leer un manual.

Si no le das un objetivo, no sabe qué debe hacer. Si no calibras sus anclas, se alejará mediante una serie de mejoras aparentemente razonables. Si no estableces fronteras, expandirá la complejidad de tu proyecto hasta volverlo difícil de mantener. Si no defines un bucle, se detendrá después de cada paso y preguntará qué debe hacer a continuación.

La clave de la colaboración humano-IA es construir un runtime personal de IA: un estado operativo acotado en el que la IA puede seguir ejecutando, comprobando, reparando y avanzando, mientras permanece dentro de una trayectoria fijada por objetivos, anclas, estructura y fronteras.

Llamo a esta estructura un runtime personal de IA.

JERL — Judgment, Execution, Review, Loop — se explica aquí en español como juicio, ejecución, revisión y bucle.

Aquí, runtime no significa una herramienta aislada. Significa una estructura de trabajo en la que la IA sigue ejecutando, varias conversaciones o threads de IA pueden revisarse entre sí, y el sistema espera el juicio humano en la frontera.

El resultado mínimo no es una IA totalmente automática. Es un asistente personal semi-automático de agente de IA: puede liberar tiempo consumido por trabajo repetitivo y ayudarte a empujar ideas creativas, pero no reemplaza la voluntad humana. Los objetivos y el juicio pertenecen a la frontera de la voluntad humana.

Así se construye una primera versión mínima.

1. Prepara tu punto de entrada de trabajo

Mi configuración actual de trabajo, en junio de 2026, es esta:

PC Windows Codex Windows App GPT mobile app GPT subscription account

Esta es solo una configuración disponible. Puedes usar Claude, Gemini, Copilot, Grok o productos similares de otros proveedores de modelos. La marca no es el punto central. La combinación de capacidades es lo que importa.

Necesitas un punto de entrada de trabajo con IA que pueda leer un directorio local, ejecutar tareas de forma continua, preservar el contexto del proyecto y colaborar contigo a lo largo del tiempo. La aplicación móvil sirve para capturar, iniciar, comprobar y añadir tareas. El PC sigue siendo el entorno principal para leer archivos locales y sostener ejecución continua.

2. Crea un directorio de trabajo en tu PC

Crea un directorio principal del proyecto. Dentro, crea al menos tres carpetas:

01_raw_materials_and_documents 02_AI_work_documents 03_outputs

01_raw_materials_and_documents contiene el material que preparas tú mismo: notas, borradores, capturas de pantalla, registros de conversación, referencias, versiones antiguas y documentos de contexto. El punto importante es simple: el humano coloca primero la materia prima en un espacio legible. La IA necesita acceso a la base factual.

02_AI_work_documents contiene los documentos que la IA mantendrá: reglas de colaboración, memoria del proyecto, protocolos de tarea, terminología, reglas de bucle y listas de revisión. Puedes y debes revisar estos documentos tú mismo.

03_outputs contiene artefactos finales: ensayos, planes, traducciones, textos de página, versiones publicables y archivos de entrega. Separar los outputs evita confusión semántica y preserva una frontera limpia.

3. Escribe una guía inicial de colaboración

A continuación, escribe una guía simple de colaboración humano-IA.

Mantenla breve. Empieza por las partes importantes:

Cómo quieres que trabaje la IA. Qué no debe hacer la IA. Qué requiere aprobación humana. Qué materiales no deben publicarse. Qué afirmaciones factuales no deben cambiarse. Dónde deben colocarse los outputs. Cómo debe verificarse el trabajo. Cuándo debe detenerse la IA.

Esta guía no tiene que estar completa el primer día. Crecerá durante el uso y se convertirá gradualmente en tu sistema operativo.

Por ejemplo:

No cambiar el objetivo del proyecto sin aprobación. No reescribir la posición del autor. No sacrificar el juicio original solo para suavizar un pasaje. No tratar material no confirmado como hecho público. Cuando aparezca un nuevo objetivo, una nueva frontera o un nuevo significado público, detenerse y esperar el juicio humano.

Este paso importa porque lo más peligroso de la IA muchas veces no es que no pueda hacer el trabajo. Es que puede hacer que el trabajo equivocado parezca razonable. La guía es la primera frontera que escribes.

4. Crea tres conversaciones de proyecto

En la aplicación Codex de tu PC, crea conversaciones de proyecto y apúntalas al directorio de trabajo que acabas de configurar.

Recomiendo al menos tres:

thread de discusión thread de ejecución thread de revisión

La thread de discusión comprende materiales, descompone objetivos y diseña planes. Ahí alineas objetivo, ancla, estructura y frontera.

La thread de ejecución avanza tareas según el plan. No reinventa la dirección. Trabaja dentro de la estructura confirmada.

La thread de revisión encuentra errores, lagunas y riesgos. No saltes la revisión.

El handoff mínimo viable es simple: las tres threads comparten el mismo directorio de trabajo; la thread de discusión crea una tarjeta de tarea; el humano pasa la tarjeta de tarea a la thread de ejecución; el resultado de la ejecución va a la thread de revisión. Cuando estés cómodo, puedes automatizar más partes del handoff.

Las tres conversaciones comparten el mismo directorio de trabajo, pero desempeñan papeles diferentes. Esto separa juicio, ejecución y revisión. También mantiene claras las fronteras e impide que una sola conversación crezca hasta convertirse en un bloque de contexto incontrolado.

5. Usa la primera conversación para inicializar el entorno

No le pidas a la IA que empiece a producir trabajo inmediatamente.

Primero, pide a la thread de discusión que lea tus reglas de colaboración y luego lea 01_raw_materials_and_documents.

Puedes decir:

Please read the collaboration rules and raw materials in the working directory. Build project background context first.

O:

First understand what this project is, what materials exist, what the goal is, what positions are already confirmed, and which parts must not be changed without approval.

El propósito es mover la IA del modo de chat temporal al modo de comprensión de proyecto.

Muchas personas tienen problemas con la IA porque cada tarea empieza desde un prompt aislado. La IA no conoce tu historia, tus líneas rojas, tu objetivo de largo plazo ni qué expresiones ya aprobaste. Solo puede adivinar dentro de la ventana actual.

6. Deja que la thread de discusión genere los cuatro documentos operativos

Ahora pide a la IA que genere los cuatro documentos operativos del entorno de colaboración:

AGENTS: AI behavior guide MEMORY: long-term project memory Protocol: task execution protocol LOOP: loop mechanism

Estos cuatro archivos pueden empezar a partir de mis open-source Personal AI Runtime Templates:

Personal AI Runtime Templates

Da los templates a la IA; después proporciona la materia prima, el objetivo y la frontera. Deja que la thread de discusión genere la primera versión adecuada para tu proyecto. Tu papel es revisar los juicios clave.

AGENTS es la guía de comportamiento de la IA para el workspace. Le dice a la IA quién es en este proyecto, cómo debe trabajar, qué estilo debe seguir y cuándo debe detenerse.

MEMORY es la memoria de largo plazo del proyecto. Registra hechos del proyecto, preferencias del autor, términos clave, estado actual, juicios confirmados y contexto que no debería preguntarse una y otra vez.

Protocol define la ejecución de tareas. Dice cómo se reciben las tareas, cómo se leen los materiales, dónde van los outputs, cómo se comprueba el trabajo, cuándo la IA puede continuar y cuándo debe volver al juicio humano.

LOOP define el ciclo de handoff entre discusión, ejecución, revisión, reparación y continuación. Sin bucle, la IA a menudo termina un paso y se detiene.

Si usas Codex o un entorno similar que pueda leer archivos locales, los nombres de archivo pueden ser:

AGENTS.md MEMORY.md TASK_PROTOCOL.md LOOP.md

Cada archivo solo necesita al principio un esqueleto mínimo:

AGENTS.md: role, default behavior, forbidden actions, stop rules. MEMORY.md: project background, key terms, confirmed judgments, current state. TASK_PROTOCOL.md: how to define target, input, output, and acceptance checks. LOOP.md: discussion -> execution -> review -> repair -> update memory -> continue.

También especifica quién mantiene qué:

Discussion thread: mainly updates MEMORY, TASK_PROTOCOL, and LOOP. Execution thread: follows TASK_PROTOCOL and updates task records and outputs when needed. Review thread: provides hallazgos and does not change goals or anchors. Human: confirms AGENTS, boundaries, public positions, and major direction changes.

Cuando estos cuatro documentos existen, has construido la versión mínima utilizable de tu entorno de colaboración humano-IA.

Pero un esqueleto todavía necesita una prueba real.

7. Ejecuta un bucle mínimo

No empieces con una tarea grande. Empieza con algo pequeño, verificable y que produzca un archivo.

Por ejemplo:

Using the materials in 01_raw_materials_and_documents, create a project introduction under 800 words, and place it in 03_outputs.

Primero, pide a la thread de discusión que cree una tarjeta de tarea. La tarjeta de tarea debe indicar:

Cuál es el objetivo. Dónde está el material de entrada. Dónde debe ir el archivo de salida. Cuáles son las comprobaciones de aceptación. Qué partes no debe decidir la IA por sí misma.

Después entrega la tarjeta de tarea a la thread de ejecución. Tras la ejecución, entrega el output a la thread de revisión. La thread de revisión tiene una sola tarea: determinar si el output se desvió del objetivo, el ancla, la estructura o la frontera.

Si la revisión encuentra un problema, envíalo de vuelta a la thread de ejecución para reparación. Después de la reparación, pide a la thread de discusión que actualice MEMORY.md o LOOP.md con cualquier regla o lección recién confirmada.

En este punto, no solo has creado algunos archivos. Has completado un bucle real:

discusión -> ejecución -> revisión -> reparación -> actualización de memoria

Cuando este bucle funciona, tu entorno de trabajo humano-IA empieza a vivir.

8. Mira de nuevo la estructura

Este método puede reducirse a cuatro puntos de bloqueo:

objetivo ancla estructura frontera

También puede desplegarse en cuatro acciones:

juicio ejecución revisión bucle

El objetivo responde: ¿qué estamos intentando terminar exactamente?

El ancla responde: ¿qué juicios, hechos, decisiones de estilo y posiciones no pueden derivar?

La estructura responde: ¿cómo se divide la tarea, dónde vive el material, cómo se separan los roles, cómo se entrega el output y cómo se relacionan las partes?

La frontera responde: ¿qué no debe hacerse, qué no debe publicarse, qué afirmación factual no debe cambiar y qué decisiones exigen confirmación humana?

Los humanos son responsables de estas cosas.

¿De qué es responsable la IA?

La IA lee materiales, organiza información, redacta planes, ejecuta tareas, comprueba outputs, envía trabajo a revisión, repara hallazgos, actualiza documentos de trabajo y sigue avanzando dentro de la trayectoria confirmada.

Esta es la forma futura de la colaboración humano-IA.

Los humanos ya no necesitan vigilar cada paso. Los humanos no deben convertirse en botones de confirmación. Los humanos bloquean objetivo, ancla, estructura y frontera. La IA trabaja de forma continua dentro de esa trayectoria.

9. Por qué necesitas una thread de revisión

Muchas personas preguntan: si la IA principal puede autocorregirse, ¿por qué necesito otra thread de revisión?

La razón es simple: ejecución y revisión deben estar separadas.

La colaboración humano-IA sin una capa de revisión es solo un sistema de outputs derivantes conectado a tu flujo de trabajo.

Una thread empuja el trabajo hacia adelante. Otra thread encuentra errores. Una hace el trabajo. La otra comprueba si el trabajo se desvió del objetivo, introdujo de contrabando un cambio de concepto, añadió complejidad innecesaria o dejó riesgos sin detectar.

Esto es división del trabajo para IA.

Los equipos humanos ya funcionan así. Escritores y editores son roles diferentes. Ingenieros y revisores son roles diferentes. Cuando la colaboración humano-IA se convierte en un entorno de trabajo, necesita la misma separación estructural.

La thread de revisión debe comprobar especialmente:

¿El objetivo fue cambiado silenciosamente? ¿El ancla derivó? ¿La estructura fue expandida en exceso? ¿Se cruzó alguna frontera? ¿Cambió alguna afirmación factual? ¿Cambió el significado público? ¿El output satisface realmente la tarea?

Este paso determina si el bucle de trabajo de la IA puede mantenerse estable con el tiempo.

10. Cuándo la IA debe detenerse y preguntar al humano

La IA puede seguir avanzando, pero no puede correr sin límite.

Pongo estos casos en las reglas de parada:

Aparece un nuevo objetivo. Aparece una nueva estructura. Aparece una nueva frontera. Aparece una nueva ancla. Una afirmación factual necesita cambiar. La posición del autor necesita cambiar. Puede que la materia prima tenga que publicarse. El output crea un nuevo significado público. El trabajo toca consecuencias legales, de copyright, reputación, trading, financieras u otras consecuencias irreversibles.

En estos casos, la IA debe detenerse y volver al juicio humano.

Estos son problemas de juicio. El juicio no puede subcontratarse a un modelo. Un modelo puede ayudar a analizar opciones, pero el juicio final debe hacerlo un humano.

11. El cambio real

El cambio real es mayor que conseguir que la IA haga más tareas.

El cambio real es que empiezas a construir tu propio runtime personal de IA.

Este runtime apunta a una estructura de trabajo: los humanos se encargan del juicio, los objetivos, las anclas y las fronteras; la IA avanza continuamente dentro de la trayectoria; la capa de revisión previene deriva, sustitución de conceptos e inflación de complejidad.

En el modo antiguo, tratábamos a la IA como asistente:

El humano pregunta. La IA responde. El humano continúa. La IA responde de nuevo.

Ese modo es útil, pero fácilmente convierte al humano en un operador que sigue añadiendo contexto, pulsando el botón de confirmación y rescatando el trabajo de la deriva.

El modo futuro debería verse distinto:

Los humanos confirman objetivo, ancla, estructura y frontera. La IA ejecuta, comprueba, hace handoff, repara y continúa. La thread de revisión sigue encontrando problemas. La IA principal no sale del bucle hasta que aparece un nuevo punto de juicio.

Esto construye una trayectoria operativa controlable para la IA e impide que funcione en automático total sin fronteras.

La automatización de IA sin fronteras traerá deriva de modelo, alucinación, optimización local e inflación de complejidad directamente a tu trabajo.

Una vez bloqueada por objetivos, anclas, estructura y fronteras, la IA puede dejar de ser una ventana de chat inteligente y convertirse en un bucle de trabajo que sigue avanzando.

El futuro entorno personal de trabajo no será solo una caja de diálogo más inteligente.

Será un runtime personal de IA hecho de bucles que siguen ejecutando, se revisan entre sí y esperan el juicio humano en la frontera.

Solo lo acotado puede volverse infinito.

Sobre el autor

Wang Xiao es arquitecto de protocolos de IA, autor de System and Freedom, creador del Danbing AI Protocol / SLAPS Framework e iniciador de OathAI.

Su trabajo se centra en la co-creación humano-IA, la gobernanza de protocolos, el anclaje semántico y la continuidad del conocimiento a largo plazo, explorando cómo el conocimiento humano y las estructuras colaborativas pueden preservarse, calibrarse y heredarse en la era de la IA.

Aviso

Este ensayo refleja las observaciones y reflexiones metodológicas actuales del autor, basadas en práctica personal, investigación y experiencia de colaboración humano-IA. Los métodos relacionados con Danbing / SLAPS / OathAI continúan organizándose y desarrollándose. Sus efectos prácticos pueden variar según el contexto de la tarea, la capacidad del modelo, el entorno de ejecución y el nivel de compromiso.

Este ensayo no constituye asesoramiento jurídico, de inversión, médico, profesional ni garantía de implementación técnica. Los lectores que apliquen estos métodos en proyectos reales deben ejercer su propio juicio según su situación y asumir la responsabilidad de los resultados concretos.