El buen gusto se convirtió en la única ventaja real en la era de IA. Cuando cualquiera puede generar output competente en minutos (landing pages, pitch decks, product memos), lo que diferencia ya no es la capacidad de producir, sino la capacidad de discriminar qué es genérico, qué es verdadero, qué vale la pena impulsar. Ese criterio editorial—esa “distinction under uncertainty”—es ahora el moat que no tiene sustituto digital.
En 30 segundos
- La IA bajó el costo de producción de output competente casi a cero, pero eso desapareció la ventaja de “yo sé hacer cosas rápido”.
- El buen gusto en la era de IA es la capacidad de detectar qué es genérico, qué es verdadero y qué merece ser mejorado, incluso si fue generado por máquina.
- El riesgo real: convertirse en “reviewer” de máquinas en vez de “builder” con criterio. Un revisor sin product sense solo frena.
- Dos roles emergen: Builders (product sense + code + design) y Reviewers (domain expertise profundo + criterio), pero ambos necesitan entender el negocio.
- El futuro no es AI sin supervisión. Es AI + criterio editorial + constraints reales + willingness a rechazar lo fácil por lo correcto.
Qué pasó: el output competente dejó de ser raro
Hace tres años, si querías un landing page que se viera profesional, necesitabas un designer, mínimo una semana de trabajo, iteraciones. Hoy? Escribís un prompt, esperas tres minutos, y tenés algo que se puede mostrar a inversores. Eso es un cambio brutal.
Un análisis de Rajnandan sobre taste en la era de IA y LLMs lo plantea de forma clara: el output competente es ahora barato. Product memos que parecen salir de una empresa seria se generan en un prompt. Pitch decks pulidos antes de que alguien haya decidido qué es lo que la empresa realmente cree. Código que compila y casi funciona de primera.
La pregunta obvia: si todos pueden hacer eso, ¿de dónde viene la ventaja?
De la capacidad de decir “esto es genérico, lo siguiente”. De rechazar lo que salió rápido porque no es verdadero. De entender qué merece ser empujado más lejos. Eso es buen gusto en la era de IA, y no es subjetivo—se mide en números reales.
Buen gusto no es moda, es distinción bajo incertidumbre
Ponele que tenés un blog de IA. Podés publicar 100 posts al mes generados, sin más criterio que “IA lo escribió, lleno keywords, publicado”. O podés publicar 4 posts al mes con research real, data verificada, perspectiva que no sale de un prompt. ¿Cuál crees que rankea mejor en Google? (Spoiler: no es el primero.)
El buen gusto en este contexto no significa “yo tengo criterio estético refinado”. Significa algo más concreto: es la capacidad de distinguir qué es genuino, qué tiene peso, qué va a resonar con la audiencia real.
Según Rajnandan, el buen gusto es “distinction under uncertainty”—discriminación bajo incertidumbre. Cuando no hay datos perfectos que te digan “este feature vale la pena”, cuando no hay benchmarks públicos que confirmen “este ángulo va a funcionar”, vos necesitás criterio.
Y acá viene lo bueno: ese criterio no es innato. Se entrena.
El error que cometen 90% de las empresas
Ver que IA puede generar landing pages fast, y automatizar la producción de contenido sin filtro editorial. Publicar 50 posts por semana sin revisión. Generar decks de productividad en tanda, sin que nadie pregunte “¿esto tiene sentido?” Esto se conecta con lo que analizamos en ChatGPT cambió la forma en que creamos.
Google penaliza eso ahora—detecta contenido genérico sin expertise real. El algoritmo de search está sintonizado a E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness), y un prompt sin criterio suena hueco ahí.
La diferencia entre un blog que rankea bien y uno que no es brutal. Mientras uno publica 4 posts al mes con investigación real, el otro publica 100 con IA pura. El primero trae 10x más tráfico.
¿Por qué? Porque tiene criterio editorial.
Builders vs Reviewers: dos roles, dos mentalidades
Cuando la barrera de entrada a programar bajó (IA genera código), la barrera crítica se desplazó. Ahora el punto es: ¿vos sabés QUÉ construir? ¿Tenés product sense?
Eso fragmentó los equipos en dos roles que no siempre coexisten bien:
Builders
Gente que tiene criterio de producto, entiende el problema real del usuario, y puede iterar rápido. La ventaja ahora: como IA genera código competente, el builder se enfoca en las decisiones que importan (qué features, qué UX, qué matices). El riesgo: puede priorizar velocidad sobre calidad.
Reviewers
Gente con expertise profundo en el dominio. Contador que sabe de impuestos, diseñador que lleva 15 años en UX, periodista que conoce el beat. Su rol es decir “esto es correcto, esto no”. El riesgo (y es grave): un reviewer sin product sense frena todo sin entender por qué.
El problema es que muchas empresas contratan builders sin criterio y reviewers sin product sense, y ahí se rompe todo.
Cómo desarrollar buen criterio en equipo
No es algo que “la IA de un prompt” pueda hacer por vos. El criterio se entrena, se cultiva, se itera. Acá el proceso real: Tema relacionado: la versatilidad de los modelos GPT.
- Entiende el problema antes de pedir código. Si no sabés qué necesitás, un prompt “hazme una tabla” te va a devolver algo medianamente correcto pero probablemente inútil. La pregunta real: ¿quién la usa? ¿cuántas filas? ¿en qué dispositivo? Recién ahí pedir ayuda a IA.
- Estudia qué hace la competencia y por qué falla. Si todos los blogs de IA escriben sobre lo mismo (top 10 modelos, benchmarks, etc.), tu oportunidad es escribir sobre otra cosa. Eso requiere leer a competidores, entender sus gaps.
- Rechaza lo genérico, incluso si es rápido. La primer versión que IA te devuelve suele ser la 40th percentile de todas las versiones posibles. Vale la pena pidir 3-4 iteraciones, con feedback específico: “más concreto”, “menos buzzwords”, “con data real”.
- Haz preguntas difíciles primero. “¿Esto va a funcionar para nuestro público específico?” es una pregunta de negocio, no de IA. IA responde después que vos ya sabés la respuesta.
El mejor “prompt engineering” no es craft the perfect prompt. Es tener criterio sobre QUÉ preguntar, cuándo aceptar una respuesta, cuándo iterar.
Tabla: Equipos sin criterio vs equipos con criterio editorial
| Aspecto | Sin criterio editorial | Con criterio editorial |
|---|---|---|
| Ritmo de publicación | 100 posts/mes, sin revisión | 4-6 posts/mes, cada uno investigado |
| Origen de datos | Prompts genéricos, RSS feeds sin context | Research real, fuentes primarias, datos verificados |
| Ranking en Google | Bajo (penaliza contenido genérico) | Alto (E-E-A-T: expertise + experience + authority) |
| Engagement real | Bajo; tráfico inflado pero no convierte | Alto; usuarios leen más, comparten, vuelven |
| CTR desde search | 0.8-1.2% (títulos y metas genéricos) | 2.5-4% (títulos con data real, meta específico) |
| Costo por artículo | USD 1-2 (solo IA, sin horas humanas) | USD 20-50 (investigación + edición + iteración) |
| Riesgo de penalización | Alto; Google actualiza algoritmos constantemente | Bajo; las 3 pillars (expertise, originality, authority) nunca se castigan |
Ejemplos concretos: quién hace bien la diferencia
Replit. La startup que permite escribir apps en lenguaje natural. No ganó porque “pusieron un LLM en el frontend”. Ganó porque tuvieron criterio excepcional sobre el problema real: developers quieren colaborar más rápido, no quieren lidiar con setup. Las decisiones de producto (no features, decisiones) vinieron del criterio, no del prompt.
OpenClaw. Recibido con histeria masiva cuando salió. ¿Por qué? No porque el código sea perfecto (el team dijo públicamente que era “una pesadilla de software”). Fue porque el gusto en UX, en las pequeñas decisiones, fue excepcional. Eso no lo hace una IA.
Google Search. Penaliza contenido genérico sin E-E-A-T porque el criterio editorial es lo que diferencia un artículo que vale la pena de 100 que dicen lo mismo.
El futuro: criterio + contexto + constraints
Rajnandan lo sintetiza bien: “la oportunidad real no es ser mejor selector de outputs de IA, es combinar taste con contexto, constraints reales, y la willingness a construir algo que no podría venir del promedio”.
Eso significa tres cosas:
No delegar completamente a IA. Vos necesitás saber qué preguntar, cuándo la respuesta es insuficiente, cuándo iterar. Más contexto en Gemini como herramienta creativa.
No convertirse en revisor. Un revisor que solo dice “sí/no” sin entender negocio es un cuello de botella. Necesitás product sense.
Construir con constraints reales. Las mejores ideas no salen de “sin límite”, salen de “tenemos USD 50k, dos developers, y 8 semanas”. Los constraints fuerzan criterio.
Eso, subís el modelo, lo probás en local, funciona bárbaro, lo mandás a producción y de repente todo se rompe porque el tokenizer no era el mismo, las dependencias cambiaron, y nadie documentó nada—exactamente así funciona el criterio en la práctica. Necesitás experiencia real.
Errores comunes al aplicar esto
Error 1: confundir “velocidad” con “ventaja”
Que vos puedas generar un post en 5 minutos no significa que valga más que uno que tardó 2 horas de research. De hecho, Google te penaliza por eso. El que publicó en 5 minutos sin criterio está en desventaja.
Error 2: pensar que el criterio es subjetivo
No. Criterio es lo que funciona: mejor CTR, más conversiones, mejor ranking, más engagement real. Es medible. Si pensás “esto es opinión mía”, estás confundiendo gusto personal con gusto editorial. El segundo tiene números atrás.
Error 3: dejar que los reviewers frenen a los builders
Un reviewer que dice “no, eso no se hace” sin entender por qué el builder lo quiere hacer es un problema. Necesitás que ambos roles tengan product sense, o van a estar en guerra permanente. Te puede servir nuestra cobertura de qué son realmente los LLMs.
Error 4: pensar que el criterio es innato
No lo es. Se entrena. Mirá a 100 ejemplos, hace preguntas, analiza qué funcionó y qué no. Después el criterio sale naturalmente.
Preguntas Frecuentes
¿Si publico mucho contenido IA sin criterio, ¿Google me penaliza directo?
No directo, pero sí progresivamente. El algoritmo de Google mira E-E-A-T (expertise, experience, authority, trustworthiness). Contenido genérico sin investigación real no tiene eso. Va bajando en ranking hasta que nadie lo ve.
¿Cómo sé si mi equipo tiene buen criterio editorial?
Mirá los números. Si publicás 10 posts al mes y 7 traen tráfico real (no just clicks, sino engagement), tenés criterio. Si publicás 100 y solo 5 convierten, no tenés.
¿Puedo enseñar criterio a alguien que no lo tiene?
Sí. Procesó real: 1) Analiza 50 ejemplos de contenido que rankea bien, identifica patrones, 2) Hace que escriba 5 versiones de algo, feedback brutal en cada una, 3) Publica, mira números, itera. En tres meses tenes criterio donde no lo había.
¿Entonces IA es inútil para contenido?
Nada que ver. IA ahorra 80% del tiempo de escritura. Pero ese tiempo lo necesitás para research, iteración, criterio editorial. Sin eso, los 80% que ahorras los invertís en publicar basura.
¿Cuál es la balance ideal entre builders y reviewers?
Depende del contexto. En un startup: más builders (velocidad importa). En un medio: más reviewers (credibilidad importa). En ambos casos, que haya overlap de product sense. Un builder sin criterio es peligroso; un reviewer sin urgencia es lento.
Conclusión
El buen gusto se convirtió en el moat real de la era de IA. No es que la IA sea mala—es que es tan buena que output competente es casi gratis. Eso significa que la ventaja se desplazó hacia arriba: a quién tiene criterio para discriminar qué es genérico, qué es verdadero, qué merece ser iterado.
Si tu estrategia es “publicar 100 posts IA sin filtro”, estás perdiendo. Si es “publicar 4 con research real, criterio editorial, y willingness a rechazar lo fácil por lo correcto”, estás ganando. Google lo sabe. Tu audiencia lo sabe. La diferencia en números es de 10x.
El futuro no es IA sin supervisión. Es IA + criterio editorial + constraints reales + builders con product sense + reviewers que entienden el negocio. Eso es lo que marca la diferencia ahora.
Fuentes
- Rajnandan – Good Taste the Only Real Moat Left
- Blog DonWeb – Cómo detectar texto generado por IA
- Ecosistema Startup – LLMs y desarrollo: Habilidad vs buen gusto en startups 2026
- Digital Today – AI era product design organisations: Builders or Reviewers
- MoreBrain – IA y contenido: por qué el contenido valioso es el nuevo oro