Hace varios meses que vengo estructurando lo que terminé llamando un file system para IA. No es algo que me compartieron — es una metodologÃa que armé mezclando dos cosas que ya existÃan por separado.
La primera: la forma en que la inteligencia artificial interpreta texto. Los modelos actuales son muy buenos exactamente en una cosa: leer texto bien organizado y aplicar lo que dice. Si vos mejorás el input — el contexto, los criterios, los formatos — el output mejora desproporcionadamente. La calidad del output siempre está limitada por la calidad del input.
La segunda: el concepto de file system como sistema de archivos jerárquico. Algo que existe en informática desde hace décadas. Carpetas, subcarpetas, archivos con nombres claros. Una forma de organizar información que se sostiene en el tiempo y que cualquiera puede navegar mirando la estructura.
La motivación venÃa de mi propia forma de trabajar. Pasé por distintas empresas — fintech, marketing, growth — y en todas terminaba haciéndome la misma pregunta: ¿cuál es la forma más estructurada y atemporal posible de organizar esta información? Una forma que no dependa de que vos te acuerdes de un detalle puntual, que no se rompa cuando alguien cambie de equipo, que se sostenga aunque el contexto cambie.
Mezclando esas dos cosas — el formato en que la IA interpreta texto, y un file system bien estructurado — llegué a una metodologÃa que funciona cross-industria, cross-empresa, cross-perfil profesional. No es la solución a un problema puntual. Es algo más cercano a una estructura estandarizada que permite, desde la base, que el output sea el mejor posible.
Si la IA es buena leyendo texto bien organizado, lo que hay que armar es la organización del texto. El resto se acomoda solo.
Qué es un file system para IA
Un file system para IA es un conjunto de carpetas y archivos en formato markdown que la IA usa como contexto cuando le pedÃs algo.
No es una base de datos. No es un sistema de información estructurada. No es un CRM. Es prosa — texto plano con un poco de jerarquÃa — escrita en un formato que la IA lee, interpreta y aplica.
La idea central es separar dos cosas que la mayorÃa tiene mezcladas en su cabeza: la información estable (los criterios con los que trabajás, las plantillas que usás, los procesos que repetÃs) y la información variable (este cliente puntual, este caso, este pedido de hoy).
La información estable vive en archivos markdown. La información variable la pasás en el momento. La IA combina las dos y aplica.
AnatomÃa mÃnima
Un file system para IA tÃpicamente tiene esta forma:
clientes/ — una carpeta por cliente. Adentro: contexto.md (quién es, qué hacen, qué necesitan), historial.md (qué ya hicimos), tono.md (cómo les hablamos).
plantillas/ — formatos de output que reusás. email-cierre.md, brief-creativo.md, reporte-mensual.md. Cada plantilla tiene la estructura, el ritmo, los placeholders y un par de ejemplos.
criterios/ — las reglas no escritas que tenés en la cabeza. tono-comunicacion.md, cuando-decir-no.md, red-flags.md. Acá vive lo que normalmente se pierde cuando alguien deja la empresa: el criterio.
procesos/ — los flujos que hacés cada semana. generar-copy-para-ads.md, armar-reporte-trimestral.md. Paso a paso, decisiones, qué chequear antes de avanzar al siguiente paso.
Cuando le pedÃs a la IA "armame un email para el cliente X", vos no le tirás un mega-prompt explicando todo. Le decÃs el pedido, le pasás como contexto clientes/X/contexto.md + plantillas/email-cierre.md + criterios/tono-comunicacion.md, y listo. La IA no improvisa: aplica.
La primera versión es magia inestable. La segunda es un sistema operativo.
Cómo se ve en la práctica
La misma estructura — información estable separada en archivos, información variable que se pasa en el momento — toma formas distintas según el caso. Dejo dos ejemplos concretos de builds publicados.
Caso 1: el file system de Manu en PedidosYa (producción de emails)
Manu lidera marketing en PedidosYa. Su problema: armar emails de marketing para Braze le llevaba dÃas. No porque escribir el email fuera difÃcil — porque coordinar entre equipos (legal, brand, contenido, desarrollo) era una pesadilla, y el HTML production-ready compatible con Outlook, Gmail y Apple Mail era un problema aparte.
En lugar de armar un mega-prompt que intentara hacer todo, armamos un file system con tres carpetas. Una brand/ con la voz, los criterios y los lineamientos de la marca. Una plantillas-html/ con los componentes que ya pasaron QA en los tres clientes de correo. Una flujos/ con los pasos del proceso interno (qué firma legal, qué firma brand, qué se puede saltear).
Cuando Manu necesita un email nuevo, le pasa a la IA solo lo que aplica al caso: el brief, las plantillas relevantes, los criterios de tono. La IA arma el contenido y el HTML que ya sabe que funciona. De dÃas a 10 minutos.
Caso 2: el file system de Franco en Rufus (creación de copy para ads)
Franco lidera Creative Performance en Rufus, una agencia de performance marketing. Su problema parecÃa de copy — armar avisos les llevaba 45 minutos por tanda — pero cuando lo desarmamos, lo que consumÃa el tiempo no era escribir, era todo lo que pasaba antes: investigar al cliente, analizar competencia, definir estrategia, alinear key messages.
Armamos un file system organizado por proceso, no por cliente. Cada paso del flujo creativo quedó como una carpeta con sus criterios y plantillas: research/ con el formato de investigación, brainstorming/ con cómo se piensan ideas grandes, strategy/ con cómo se baja una idea a estrategia ejecutable, content-strategy-final/ con cómo se vuelca todo a copies por formato.
Encima del file system pusimos un sistema de skills coordinadas que leen las carpetas correctas en cada paso. La estructura abajo es la misma — archivos con criterios y plantillas — pero la capa de orquestación encima cambia el flujo de uso. De 45 minutos a 5 por tanda.
Lo que tienen en común
Los dos casos resuelven problemas distintos en industrias distintas. Pero la estructura abajo es la misma: información estable separada en archivos markdown, información variable que se pasa en el momento, una IA que combina las dos y aplica.
Lo más importante no es la velocidad inmediata. Es que el file system queda. La próxima vez que cambie un criterio de marca, Manu edita un archivo. La próxima vez que aparezca un nuevo formato de copy, Franco agrega una plantilla. El sistema se mejora con el uso, no se degrada con el tiempo.
File system vs mega-prompt
Mucha gente intenta resolver problemas con un mega-prompt: un solo bloque de texto largo que le explica todo a la IA cada vez. Funciona — durante dos semanas.
El mega-prompt se rompe por tres razones. Primero, porque es difÃcil de mantener: cuando querés cambiar un criterio puntual, tenés que releer y editar todo el bloque sin romper el resto. Segundo, porque se vuelve demasiado largo: la IA empieza a perder partes en el medio, especialmente cuando llegás a 5000 palabras de prompt. Tercero, porque mezcla todo: criterios con plantillas con casos puntuales, sin que vos puedas reusar piezas en otros contextos.
Un file system resuelve los tres. Editás un archivo a la vez sin tocar los demás. Pasás solo los archivos relevantes en cada caso (la IA no tiene que leer todo). Reusás criterios entre proyectos: la carpeta criterios/ de un cliente puede heredar de una de la empresa.
File system vs base de datos
La otra confusión común: "esto es como una base de datos para IA, ¿no?"
No.
Una base de datos guarda información estructurada para que un sistema la consulte programáticamente: "dame todos los clientes con facturación mayor a X". Optimiza para precisión de consulta. Lo que devuelve son filas, no entendimiento.
Un file system para IA guarda información semi-estructurada — prosa, criterios escritos en español, plantillas con notas — para que la IA la use como contexto y aplique criterio. Optimiza para que la IA entienda el cómo y el por qué, no solo el qué.
Las dos cosas conviven. La base de datos te dice quién es el cliente. El file system le explica a la IA cómo le hablamos a ese cliente.
Por qué te termina cambiando la forma de pensar
Acá está la parte que más me importa.
Cuando organizás tu trabajo como un file system pensado para que la IA lo lea, empezás a estructurar los problemas distinto. Empezás a separar lo que es contexto de lo que es criterio. Lo que es plantilla de lo que es decisión. Lo que es información estable de lo que es información variable.
Esa disciplina mental — que antes era un lujo de gente muy organizada — ahora es la diferencia entre que la IA te potencie o te genere ruido. Y se traslada a todo lo demás. Empezás a documentar tus criterios. Empezás a escribir plantillas que antes vivÃan en tu cabeza. Empezás a darle nombre a las cosas que repetÃas sin pensar.
La IA no se aprende como una herramienta. Se aprende como una estructura.
Cuando alguien que viene de marketing arma su primer file system, lo que cambia no es solo su capacidad de usar IA. Cambia su capacidad de pensar el trabajo. Empieza a ver patrones donde antes habÃa decisiones ad-hoc. Empieza a ver criterios donde antes habÃa intuición.
Cómo armar el tuyo
No esperes a tener un proyecto grande. Empezá chico:
1. Agarrá un proceso que repetÃs todas las semanas. Algo que hagas siempre parecido pero nunca igual: armar un brief, escribir un email de seguimiento, generar un reporte mensual.
2. Identificá las partes estables. ¿Qué tiene siempre la misma estructura? ¿Qué criterios aplicás cada vez? ¿Qué plantilla usarÃas si tuvieras que armar una?
3. Creá una carpeta con archivos markdown. Uno por criterio, uno por plantilla, uno por proceso. No empezás con un archivo grande — empezás con archivos chicos que después combinás.
4. Probá pasarle esos archivos a la IA como contexto. Antes de pedirle el output, dejale leer la carpeta. Vas a ver que el output mejora notoriamente.
5. Iterá. Cuando un output no salga bien, no toques el prompt — agregá o ajustá un archivo. Si la IA no entendió el tono, escribilo en criterios/tono.md. Si la estructura del output no era la que querÃas, escribila en plantillas/output.md.
En tres iteraciones tenés un file system funcional. En cinco tenés algo que se sostiene.
Si querés ver casos reales armados con builders en la mesa, los builds publicados tienen los archivos completos. El de Franco es un file system organizado por proceso creativo con un sistema de 5 skills encima. El de Manu es un file system para producción de emails con plantillas HTML que ya pasaron QA. El de Lupa resuelve tres frentes distintos: dos con la herramienta correcta aplicada bien (Gemini one-shot para imágenes, Gemini con deep research más Manus AI para análisis de competencia), y uno con un file system replicable basado en el skill UI/UX Max Pro para rediseños CRO que Lupa va a poder seguir aplicando todas las semanas.
No todo problema necesita un file system. Pero los problemas que se repiten todas las semanas, sÃ.
O venite a la mesa con tu problema y armamos el tuyo en una tarde.
Learn by Doing. 🧉