Knowledge Management in the AI Era: Capturing What You Learn Together: Building institutional memory from your AI collaboration experiences

Al colaborar con IA, generas conocimiento valioso: indicaciones (prompts) que funcionan excepcionalmente bien, casos límite donde la IA tiene dificultades, flujos de trabajo que producen resultados consistentes e ideas sobre cuándo usar IA y cuándo trabajar de forma independiente. Este conocimiento es oro organizacional... pero solo si lo capturas, organizas y compartes eficazmente.

La mayoría de las organizaciones están perdiendo este conocimiento. Los prompts exitosos residen en los historiales de chat individuales. Las limitaciones descubiertas se olvidan y se vuelven a descubrir repetidamente. Los flujos de trabajo efectivos permanecen como conocimiento tácito en la cabeza de unos pocos usuarios avanzados. ¿El resultado? Cada persona vuelve a inventar la rueda, comete los mismos errores y pierde oportunidades de basarse en el aprendizaje colectivo.

Esta guía proporciona sistemas prácticos para capturar, organizar y compartir el conocimiento de la colaboración con IA, convirtiendo los descubrimientos individuales en activos institucionales.

Por qué es importante la gestión del conocimiento con IA Collaboration

El problema de la pérdida de conocimiento

Lo que se pierde:

Prompts efectivos: ¿Ese prompt perfecto que creaste después de 10 iteraciones? Desaparece cuando cierras el chat.
Limitaciones descubiertas: Aprendiste que la IA tiene dificultades con un tipo específico de tarea, pero tu colega pierde horas descubriendo lo mismo.
Flujos de trabajo exitosos: Desarrollaste un proceso eficiente de múltiples pasos, pero existe solo en tu cabeza.
Patrones de contexto: Descubriste qué contexto necesita la IA para tu dominio, pero otros empiezan desde cero.
Patrones de calidad: Aprendiste a detectar ciertos tipos de errores de la IA, pero esta experiencia no se comparte.

El coste:

Redescubrimiento constante de los mismos conocimientos.
Calidad inconsistente entre los miembros del equipo.
Incorporación más lenta de nuevos miembros.
Pérdida de productividad por errores prevenibles.
Oportunidades perdidas de basarse en el aprendizaje colectivo.

El valor acumulativo del conocimiento capturado

Nivel individual:

Construye tu biblioteca personal de prompts.
Rastrea lo que funciona y lo que no.
Desarrolla más rápido mediante el aprendizaje documentado.
Crea flujos de trabajo reutilizables.

Nivel de equipo:

Comparte prácticas efectivas en todo el equipo.
Incorpora nuevos miembros más rápidamente.
Mantén una calidad constante.
Construye experiencia colectiva.

Nivel organizacional:

Desarrolla capacidades institucionales de colaboración con IA.
Crea ventajas competitivas mediante un uso superior de la IA.
Reduce riesgos mediante mejores prácticas documentadas.
Permite la mejora continua.

Construyendo tu biblioteca personal de prompts

Por qué necesitas una biblioteca de prompts

El problema de la generación de prompts ad hoc:

Creas un gran prompt, lo usas una vez y luego no lo encuentras.
Recuerdas que un prompt funcionó bien, pero no recuerdas la redacción exacta.
Pasas tiempo recreando prompts que ya has perfeccionado.
No puedes compartir fácilmente tus mejores prompts con tus compañeros de equipo.

La solución: Una biblioteca de prompts sistemática que captura, organiza y hace reutilizables tus prompts más efectivos.

Estructura de la biblioteca de prompts

Organización básica:

Prompt Library/
├── By Task Type/
│   ├── Code Review/
│   ├── Documentation/
│   ├── Debugging/
│   ├── Architecture/
│   └── Testing/
├── By Domain/
│   ├── Frontend/
│   ├── Backend/
│   ├── Database/
│   └── DevOps/
├── By Complexity/
│   ├── Simple/
│   ├── Moderate/
│   └── Complex/
└── Templates/
    ├── Analysis/
    ├── Generation/
    └── Refinement/

Plantilla de documentación del prompt

Elementos esenciales:

# Prompt Name: [Descriptive Title]

## Purpose
What this prompt accomplishes and when to use it

## Context Required
What information AI needs to execute this effectively

## The Prompt

[El texto real del prompt, formateado para copiar fácilmente]


## Example Usage
Concrete example showing the prompt in action

## Expected Output
What kind of response this prompt typically generates

## Success Rate
How reliably this prompt works (High/Medium/Low)

## Variations
Alternative versions for different scenarios

## Limitations
Known cases where this prompt doesn't work well

## Related Prompts
Links to similar or complementary prompts

## Version History
- v1.0 (2025-12-15): Initial version
- v1.1 (2025-12-20): Added context about edge cases

Ejemplo: Prompt de revisión de código

# Prompt Name: Comprehensive Code Review with Security Focus

## Purpose
Get thorough code review covering functionality, security, performance, and maintainability

## Context Required
- Programming language
- Framework/libraries used
- Security requirements
- Performance constraints

## The Prompt

Revisa este código [IDIOMA] para:

Funcionalidad: ¿Implementa correctamente los requisitos?
Seguridad: ¿Hay vulnerabilidades de seguridad (inyección SQL, XSS, problemas de autenticación, etc.)?
Performance: ¿Hay problemas obvios de rendimiento u oportunidades de optimización?
Mantenibilidad: ¿Es el código legible, bien estructurado y mantenible?
Mejores prácticas: ¿Sigue las mejores prácticas de [IDIOMA/FRAMEWORK]?

Para cada problema encontrado:

Severidad: Crítica/Alta/Media/Baja
Ubicación: Números de línea específicos
Explicación: Por qué es un problema
Recomendación: Cómo solucionarlo

Código a revisar: [PEGAR CÓDIGO AQUÍ]


## Example Usage
Used for reviewing pull requests before merging, especially for security-sensitive code

## Expected Output
Structured list of issues organized by category, with severity ratings and specific recommendations

## Success Rate
High - consistently identifies real issues, though may occasionally flag false positives

## Variations
- **Quick Review**: Remove performance and best practices sections for faster review
- **Security-Only**: Focus exclusively on security issues for sensitive code
- **Junior-Friendly**: Add request for explanations suitable for junior developers

## Limitations
- May miss subtle logic errors that require deep domain knowledge
- Security analysis is good but not a replacement for dedicated security tools
- Performance recommendations are general, not profiled

## Related Prompts
- Security-Focused Code Review
- Performance Optimization Analysis
- Refactoring Suggestions

## Version History
- v1.0 (2025-11-15): Initial version
- v1.1 (2025-12-01): Added severity ratings
- v1.2 (2025-12-15): Expanded security checks

Herramientas para la biblioteca de prompts

Soluciones simples:

Archivos Markdown: Fáciles de crear, compatibles con control de versiones, buscables.
Aplicaciones de notas: Notion, Obsidian, OneNote con buena búsqueda y organización.
Gestores de fragmentos: Herramientas de expansión de texto para prompts usados frecuentemente.

Soluciones para equipos:

Documentación compartida: Confluence, Notion o wikis internos.
Control de versiones: Repositorio Git para la biblioteca de prompts con seguimiento de cambios.
Herramientas de gestión de prompts: Herramientas especializadas para el control de versiones y compartición de prompts.

Soluciones avanzadas:

Gestor de prompts personalizado: Herramienta interna con búsqueda, etiquetado y seguimiento de uso.
Integración con herramientas de IA: Prompts accesibles directamente en tu interfaz de IA.
Analítica: Rastrea qué prompts se usan y son más efectivos.

Documentando descubrimientos asistidos por IA

Qué documentar

Patrones efectivos:

Estrategias de prompting que funcionan consistentemente.
Estructuras de contexto que mejoran los resultados.
Patrones de conversación de múltiples turnos.
Enfoques de verificación que detectan errores.

Limitaciones descubiertas:

Tareas en las que la IA tiene dificultades constantemente.
Tipos de errores que comete comúnmente la IA.
Situaciones que requieren juicio humano.
Casos límite que necesitan manejo especial.

Innovaciones en flujos de trabajo:

Procesos eficientes de múltiples pasos.
División de tareas efectiva entre personas e IA.
Puntos de control de garantía de calidad.
Técnicas de ahorro de tiempo.

Información específica del dominio:

Cómo maneja la IA tu dominio específico.
Terminología que funciona bien.
Contexto que mejora la precisión.
Malentendidos comunes a evitar.

Plantilla de documentación del descubrimiento

# Discovery: [Brief Title]

## Date
When this was discovered

## Discoverer
Who made this discovery

## Context
What you were trying to accomplish

## Discovery
What you learned

## Why It Matters
Impact and implications

## How to Apply
Practical steps to use this insight

## Examples
Concrete examples demonstrating the discovery

## Limitations
Boundaries of where this applies

## Related Discoveries
Links to similar insights

## Status
- [ ] Needs validation
- [ ] Validated
- [ ] Incorporated into standard practices

Ejemplo: Documentación de descubrimiento

# Discovery: AI Struggles with Relative Time References in Code Comments

## Date
2025-12-10

## Discoverer
Sarah Chen, Backend Team

## Context
Asking AI to update code comments to reflect recent changes

## Discovery
AI consistently misinterprets relative time references like "recently," "last week," or "a few days ago" in code comments. It doesn't understand these are relative to when the comment was written, not the current date.

## Why It Matters
- Can lead to incorrect comment updates
- Creates confusion about code history
- Affects code review quality
- Impacts documentation accuracy

## How to Apply
When asking AI to work with code comments:
1. Replace relative time references with absolute dates before AI processing
2. Explicitly tell AI to preserve time references as-is
3. Verify any time-related information in AI output
4. Consider using ISO dates in comments instead of relative references

## Examples

**Problematic**:
```python
# Corregido el error de autenticación recientemente
# TODO: Refactorizar la próxima semana

Better:

# Corregido el error de autenticación el 2025-12-01
# TODO: Refactorizar (objetivo: 2025-12-15)

Limitations

This applies specifically to time references in comments. AI handles absolute dates correctly.

"AI Misinterprets Version Numbers in Comments"
"Context Needed for Historical Code References"

Status

Validated (confirmed across 15 test cases)
Incorporated into code review checklist


## Construyendo conocimiento institucional

### Creando estándares de IA para el equipo Collaboration

**Qué estandarizar**:

**Convenciones de prompting**:
- Estructuras de prompts estándar para tareas comunes.
- Elementos de contexto requeridos.
- Expectativas de formato.
- Criterios de calidad.

**Prácticas de verificación**:
- Qué debe verificarse antes de aceptar la salida de la IA.
- Métodos de verificación para diferentes tipos de salida.
- Requisitos de documentación.
- Procedimientos de aprobación.

**Uso de herramientas**:
- Qué herramientas de IA para qué tareas.
- Cuándo usar IA frente a trabajar de forma independiente.
- Procedimientos de escalamiento para limitaciones de la IA.
- Directrices de gestión de costes.

**Requisitos de documentación**:
- Qué asistencia de IA se debe declarar.
- Cómo documentar el trabajo asistido por IA.
- Prácticas de control de versiones.
- Requisitos de pista de auditoría.

### Plantilla de documentación de estándares del equipo

```markdown
# Team AI Collaboration Standards

## Purpose
Ensure consistent, high-quality AI collaboration across the team

## Scope
Applies to: [specify team/department/project]

## Core Principles
1. [Principle 1]
2. [Principle 2]
3. [Principle 3]

## Standard Practices

### For [Task Type]
**When to Use AI**: [Criteria]
**Recommended Approach**: [Step-by-step]
**Required Verification**: [Checklist]
**Documentation**: [Requirements]

## Quality Standards
- [Standard 1]
- [Standard 2]
- [Standard 3]

## Prohibited Practices
- [What not to do]
- [Why it's prohibited]

## Exceptions
How to request exceptions to these standards

## Review Schedule
These standards are reviewed [frequency]

## Version History
Track changes to standards over time

Ejemplo: Estándares de generación de código

# Code Generation with AI: Team Standards

## Purpose
Ensure AI-generated code meets our quality, security, and maintainability standards

## Scope
All code generation using AI tools (GitHub Copilot, ChatGPT, Claude, etc.)

## Core Principles
1. AI is a tool, not a replacement for engineering judgment
2. All AI-generated code must be reviewed and understood
3. Security and correctness are never compromised for speed
4. We build institutional knowledge from AI collaboration

## Standard Practices

### For New Feature Implementation

**When to Use AI**:
- Boilerplate code generation
- Standard CRUD operations
- Common patterns we've used before
- Test case generation

**Recommended Approach**:
1. Write clear requirements and context
2. Generate initial implementation with AI
3. Review for correctness and security
4. Test thoroughly
5. Refactor for maintainability
6. Document any AI-specific considerations

**Required Verification**:
- [ ] Code compiles/runs without errors
- [ ] All tests pass
- [ ] Security review completed
- [ ] Performance is acceptable
- [ ] Code follows team style guide
- [ ] You understand what the code does
- [ ] Edge cases are handled

**Documentation**:
- Note AI assistance in commit message
- Document any unusual patterns
- Add comments for non-obvious logic
- Update relevant documentation

### For Bug Fixes

**When to Use AI**:
- Understanding unfamiliar code
- Generating test cases
- Exploring potential solutions
- Refactoring after fix

**When NOT to Use AI**:
- Critical security bugs (use AI for research only)
- Production hotfixes (too risky without thorough review)
- Bugs in AI-generated code (understand root cause first)

**Required Verification**:
- [ ] Bug is actually fixed (not just symptoms)
- [ ] Fix doesn't introduce new issues
- [ ] Root cause is understood
- [ ] Tests prevent regression
- [ ] Related code is checked

## Quality Standards

**All AI-Generated Code Must**:
- Be reviewed line-by-line by the developer
- Include appropriate error handling
- Follow our security guidelines
- Have adequate test coverage
- Be maintainable by the team

**Code Review Checklist**:
- [ ] Reviewer knows code was AI-assisted
- [ ] Logic is sound and correct
- [ ] No security vulnerabilities
- [ ] Performance is acceptable
- [ ] Follows team conventions
- [ ] Is well-documented

## Prohibited Practices

**Never**:
- Copy-paste AI code without understanding it
- Use AI-generated code in security-critical paths without thorough review
- Share proprietary code with external AI services
- Rely on AI for architectural decisions
- Skip testing because "AI generated it"

## Exceptions

Request exceptions via: [process]
Approval required from: [role]
Document exceptions in: [location]

## Review Schedule

These standards are reviewed quarterly and updated based on:
- Team feedback
- Discovered issues
- New AI capabilities
- Industry best practices

## Version History
- v1.0 (2025-11-01): Initial standards
- v1.1 (2025-12-01): Added bug fix guidelines
- v1.2 (2025-12-15): Expanded verification checklist

Documentación de traspaso (Handoff)

Por qué es importante la documentación de traspaso

El problema del traspaso:

Has desarrollado flujos de trabajo efectivos de colaboración con IA.
Estás pasando a un nuevo proyecto o dejando el equipo.
Tu sucesor necesita mantener tu trabajo.
Sin documentación, empieza desde cero.

Lo que se pierde sin documentación:

Prompts y enfoques efectivos.
Limitaciones conocidas y soluciones alternativas.
Requisitos de contexto para la asistencia de IA.
Prácticas de garantía de calidad.
Lecciones aprendidas.

Plantilla de documentación de traspaso

# AI Collaboration Handoff: [Project/Area Name]

## Overview
Brief description of the work and AI collaboration approach

## AI Tools Used
- Tool 1: [Purpose and usage]
- Tool 2: [Purpose and usage]

## Effective Approaches

### For [Task Type]
**What Works Well**:
- [Approach 1]
- [Approach 2]

**Key Prompts**:

[Prompt 1]


**Context Requirements**:
- [What AI needs to know]

**Expected Results**:
- [What good output looks like]

## Known Limitations

### [Limitation 1]
**Description**: What doesn't work
**Workaround**: How to handle it
**Example**: Concrete case

## Quality Assurance

### Verification Checklist
- [ ] [Check 1]
- [ ] [Check 2]

### Common Issues
- **Issue**: [Description]
- **Detection**: How to spot it
- **Resolution**: How to fix it

## Workflows

### [Workflow Name]
1. [Step 1]
2. [Step 2]
3. [Step 3]

**Time Required**: [Estimate]
**Success Rate**: [High/Medium/Low]

## Resources
- Prompt library: [Location]
- Documentation: [Location]
- Examples: [Location]
- Team contacts: [Who to ask]

## Lessons Learned
Key insights from this work

## Recommendations
Suggestions for improvement

## Questions?
Contact: [Your name and contact info]

Ejemplo: Traspaso de desarrollo de componente frontend

# AI Collaboration Handoff: React Component Library

## Overview
Developed reusable React component library with extensive AI assistance for boilerplate, testing, and documentation.

## AI Tools Used
- **GitHub Copilot**: Code completion and generation
- **ChatGPT**: Component architecture and testing strategies
- **Claude**: Documentation generation and review

## Effective Approaches

### For New Component Creation

**What Works Well**:
1. Start with clear component specification
2. Use AI to generate initial implementation
3. Manually refine for accessibility and edge cases
4. Use AI to generate comprehensive tests
5. Use AI to create documentation

**Key Prompt for Component Generation**:

Crea un componente React con las siguientes especificaciones:

Nombre del componente: [Nombre] Propósito: [Lo que hace] Props:

[prop1]: [tipo] - [descripción]
[prop2]: [tipo] - [descripción]

Requisitos:

TypeScript con seguridad de tipos completa.
Accesible (WCAG 2.1 AA).
Diseño responsivo.
Manejo de errores.
Estados de carga.

Incluir:

PropTypes/interfaces de TypeScript.
Props por defecto.
Límites de error cuando sea apropiado.
Comentarios JSDoc exhaustivos.


**Context Requirements**:
- Existing component patterns in our library
- Design system specifications
- Accessibility requirements
- Browser support targets

**Expected Results**:
- Functional component with hooks
- Full TypeScript typing
- Basic accessibility features
- Needs manual review for edge cases

### For Component Testing

**What Works Well**:
1. Generate test structure with AI
2. Manually add edge cases
3. Use AI to expand coverage
4. Review for realistic scenarios

**Key Prompt for Test Generation**:

Genera pruebas exhaustivas con Jest/React Testing Library para este componente:

[PEGAR CÓDIGO DEL COMPONENTE]

Incluir pruebas para:

Renderizado con diferentes combinaciones de props.
Interacciones del usuario (clics, entradas, etc.).
Accesibilidad (navegación por teclado, lectores de pantalla).
Casos límite (estados vacíos, errores, carga).
Comportamiento responsivo.

Utiliza nuestros patrones de prueba:

Nombres de prueba descriptivos.
Estructura Arrange-Act-Assert.
Afirmaciones de accesibilidad.
Simula dependencias externas.


## Known Limitations

### Accessibility Implementation
**Description**: AI generates basic accessibility features but misses nuanced requirements
**Workaround**: Always manually review and test with screen readers
**Example**: AI adds aria-label but misses focus management in modals

### Complex State Management
**Description**: AI struggles with complex state interactions across components
**Workaround**: Design state architecture manually, use AI for implementation
**Example**: Multi-step form with conditional fields needs manual state design

### Edge Case Handling
**Description**: AI focuses on happy path, misses edge cases
**Workaround**: Explicitly list edge cases in prompts, add manual review
**Example**: Empty states, error conditions, loading states often incomplete

## Quality Assurance

### Verification Checklist
- [ ] Component renders correctly in all states
- [ ] TypeScript types are accurate and complete
- [ ] Accessibility tested with keyboard and screen reader
- [ ] Responsive design works on all breakpoints
- [ ] Error handling is comprehensive
- [ ] Tests cover all major scenarios
- [ ] Documentation is clear and complete
- [ ] Code follows team style guide
- [ ] Performance is acceptable

### Common Issues

**Issue**: AI-generated components lack proper error boundaries
**Detection**: Check for error handling in component and parent
**Resolution**: Add error boundaries manually, update prompt template

**Issue**: Tests are too brittle (test implementation details)
**Detection**: Tests break with refactoring that doesn't change behavior
**Resolution**: Refocus tests on user-facing behavior, update test prompt

**Issue**: Documentation is generic and unhelpful
**Detection**: Documentation doesn't explain "why" or provide examples
**Resolution**: Add specific examples and use cases to documentation prompt

## Workflows

### Complete Component Development Workflow

1. **Specification** (15 min)
   - Define component purpose and API
   - List requirements and constraints
   - Identify similar existing components

2. **Initial Generation** (10 min)
   - Use component generation prompt
   - Review and refine output
   - Add missing edge cases

3. **Accessibility Enhancement** (20 min)
   - Manual accessibility review
   - Add keyboard navigation
   - Test with screen reader
   - Add ARIA attributes as needed

4. **Test Generation** (15 min)
   - Use test generation prompt
   - Add edge case tests
   - Verify coverage

5. **Documentation** (10 min)
   - Generate initial docs with AI
   - Add examples and use cases
   - Include accessibility notes

6. **Review** (15 min)
   - Self-review against checklist
   - Peer review
   - Address feedback

**Total Time**: ~85 minutes per component
**Success Rate**: High (95%+ of components pass review first time)

## Resources

- **Prompt Library**: `/docs/prompts/react-components.md`
- **Component Examples**: `/src/components/examples/`
- **Testing Patterns**: `/docs/testing/component-testing.md`
- **Accessibility Guide**: `/docs/accessibility/component-requirements.md`
- **Team Contacts**:
  - Accessibility questions: Alex Chen
  - Testing questions: Jordan Smith
  - Architecture questions: Sam Johnson

## Lessons Learned

1. **AI excels at boilerplate**: Let AI handle repetitive code, focus your time on unique logic
2. **Accessibility requires human judgment**: AI provides basics, but nuanced accessibility needs manual work
3. **Test generation is highly effective**: AI-generated tests catch most issues, just need edge case additions
4. **Documentation needs examples**: Generic AI docs aren't helpful; always add specific examples
5. **Iterative refinement works best**: Generate, review, refine, repeat

## Recommendations

1. **Expand prompt library**: Document more specialized prompts as you discover them
2. **Automate verification**: Create scripts to check common issues automatically
3. **Improve accessibility prompts**: Add more specific accessibility requirements to prompts
4. **Build component templates**: Create templates for common component patterns
5. **Track metrics**: Measure time saved and quality improvements from AI collaboration

## Questions?

Contact: Sarah Chen ([email protected])
Available for questions through: 2026-01-15
After that, contact: Jordan Smith ([email protected])

Wikis y bases de conocimiento del equipo

Estructurando tu wiki de IA Collaboration

Estructura recomendada:

AI Collaboration Wiki/
├── Getting Started/
│   ├── Introduction
│   ├── Tool Setup
│   ├── First Steps
│   └── Quick Wins
├── Standards & Guidelines/
│   ├── Team Standards
│   ├── Quality Requirements
│   ├── Security Guidelines
│   └── Documentation Requirements
├── Prompt Library/
│   ├── By Task Type
│   ├── By Domain
│   └── Templates
├── Workflows/
│   ├── Development
│   ├── Testing
│   ├── Documentation
│   └── Review
├── Discoveries & Insights/
│   ├── What Works Well
│   ├── Known Limitations
│   ├── Workarounds
│   └── Best Practices
├── Case Studies/
│   ├── Success Stories
│   ├── Lessons Learned
│   └── Failure Analysis
├── Tools & Resources/
│   ├── Tool Comparisons
│   ├── Setup Guides
│   ├── Troubleshooting
│   └── External Resources
└── FAQ/
    ├── Common Questions
    ├── Troubleshooting
    └── Getting Help

Pautas de contenido de la wiki

Hazlo práctico:

Céntrate en "cómo hacer" en lugar de "qué es".
Incluye ejemplos concretos.
Proporciona instrucciones paso a paso.
Vincula recursos relacionados.

Mantenlo actualizado:

Revisa y actualiza regularmente.
Marca claramente el contenido obsoleto.
Rastrea el historial de versiones.
Asigna propietarios de contenido.

Hazlo descubrible:

Usa títulos claros y descriptivos.
Añade etiquetas completas.
Crea enlaces cruzados.
Mantén una buena búsqueda.

Hazlo accesible:

Escribe para diferentes niveles de habilidad.
Incluye glosario de términos.
Proporciona contexto y antecedentes.
Usa lenguaje claro y sencillo.

Ejemplo de página de wiki: "Inicio rápido: Revisión de código asistida por IA"

# Quick Start: AI-Assisted Code Review

*Last Updated: 2025-12-15 | Owner: Sarah Chen | Skill Level: Beginner*

## What You'll Learn
How to use AI to improve your code reviews in 10 minutes

## Prerequisites
- Access to ChatGPT, Claude, or similar AI tool
- Code to review
- Basic understanding of the programming language

## Step-by-Step Guide

### 1. Prepare the Code (2 minutes)

**What to Include**:
- The code to review
- Programming language and framework
- Purpose of the code
- Any specific concerns

**Example**:

Necesito que revises este endpoint de Flask en Python API:

[PEGAR CÓDIGO]

Preocupaciones específicas:

Seguridad (esto maneja la autenticación de usuario).
Performance (esto se llamará con frecuencia).
Manejo de errores.


### 2. Request the Review (1 minute)

**Use This Prompt**:

Revisa este código para:

Vulnerabilidades de seguridad.
Problemas Performance.
Manejo de errores.
Mejores prácticas.
Posibles errores.

Para cada problema:

Severidad (Crítica/Alta/Media/Baja).
Número de línea.
Explicación.
Cómo arreglarlo.

[PEGAR TU CÓDIGO Y CONTEXTO]


### 3. Analyze the Results (5 minutes)

**What to Look For**:
- Critical and High severity issues (address immediately)
- Medium issues (plan to address)
- Low issues (nice to have)
- False positives (AI isn't perfect)

**Red Flags** (verify carefully):
- Security issues
- Data handling problems
- Authentication/authorization issues
- Input validation gaps

### 4. Verify and Act (2 minutes)

**Verification Steps**:
- [ ] Do the identified issues actually exist?
- [ ] Are the severity ratings appropriate?
- [ ] Are the recommendations sound?
- [ ] Are there issues AI missed?

**Next Steps**:
- Fix critical issues immediately
- Create tickets for other issues
- Update code and re-review
- Document any AI limitations you discovered

## Common Pitfalls

**Pitfall 1**: Trusting AI completely
**Solution**: Always verify, especially for security issues

**Pitfall 2**: Not providing enough context
**Solution**: Include language, framework, and specific concerns

**Pitfall 3**: Ignoring false positives
**Solution**: Verify each issue; document false positives for future reference

## Tips for Better Results

1. **Be Specific**: "Check for SQL injection" is better than "check security"
2. **Provide Context**: Mention frameworks, libraries, and constraints
3. **Iterate**: If results aren't helpful, refine your prompt
4. **Combine with Tools**: Use AI alongside linters and security scanners
5. **Document Patterns**: Save prompts that work well

## Next Steps

- **Beginner**: Try this on your next code review
- **Intermediate**: Customize the prompt for your specific needs
- **Advanced**: Build a prompt library for different review types

## Related Resources

- [Comprehensive Code Review Prompt](/wiki/prompts/code-review-comprehensive)
- [Security-Focused Review](/wiki/prompts/security-review)
- [Team Code Review Standards](/wiki/standards/code-review)
- [AI Limitations in Code Review](/wiki/discoveries/code-review-limitations)

## Questions?

- **Slack**: #ai-collaboration
- **Email**: [email protected]
- **Office Hours**: Tuesdays 2-3pm

## Feedback

Help us improve this guide:
- [Suggest an improvement](link)
- [Report an issue](link)
- [Share your experience](link)

Mejora continua

Midiendo la efectividad de la gestión del conocimiento

Métricas a seguir:

Métricas de uso:

Frecuencia de acceso a la biblioteca de prompts.
Vistas de la página de la wiki.
Descargas de documentación.
Consultas de búsqueda.

Métricas de calidad:

Tiempo de incorporación de nuevos miembros del equipo.
Consistencia de las prácticas de colaboración con IA.
Reducción de errores repetidos.
Calidad del trabajo asistido por IA.

Métricas de valor:

Tiempo ahorrado mediante prompts reutilizables.
Mejoras en la productividad.
Retención de conocimiento.
Satisfacción del equipo.

Proceso de revisión regular

Revisiones mensuales:

Actualizar los prompts más utilizados.
Añadir nuevos descubrimientos.
Archivar contenido obsoleto.
Recoger comentarios del equipo.

Revisiones trimestrales:

Evaluar la efectividad general de la gestión del conocimiento.
Identificar lagunas en la documentación.
Actualizar estándares basándose en los aprendizajes.
Planificar mejoras.

Revisiones anuales:

Auditoría exhaustiva de todos los activos de conocimiento.
Actualizaciones importantes en estructura y organización.
Planificación estratégica de la gestión del conocimiento.
Comparación con prácticas de la industria.

Fomentando la contribución

Hazlo fácil:

Plantillas sencillas.
Pautas claras.
Baja barrera de entrada.
Proceso de aprobación rápido.

Hazlo gratificante:

Reconoce a los contribuyentes.
Destaca las contribuciones valiosas.
Muestra el impacto del conocimiento compartido.
Celebra los éxitos.

Hazlo parte de la cultura:

Inclúyelo en la incorporación.
Menciona en las reuniones de equipo.
Haz referencia en las revisiones de código.
Incorpora en las evaluaciones de desempeño.

Conclusión: Construyendo memoria institucional

La gestión del conocimiento en la era de la IA no es opcional, es esencial. Cada colaboración con IA genera ideas que pueden beneficiar a toda tu organización, pero solo si las capturas, organizas y compartes sistemáticamente.

Las prácticas descritas en esta guía —bibliotecas de prompts, documentación de descubrimientos, estándares del equipo, documentación de traspaso y wikis de conocimiento— proporcionan un marco para construir memoria institucional a partir de tus experiencias de colaboración con IA.

Empieza poco a poco: Comienza con una biblioteca personal de prompts. Documenta tu próximo descubrimiento significativo. Crea un documento de traspaso sencillo para tu proyecto actual.

Construye sistemáticamente: A medida que veas valor, amplía a la gestión del conocimiento a nivel de equipo. Desarrolla estándares, crea wikis y establece procesos de revisión.

Mejora continuamente: Mide la efectividad, recopila comentarios y refina tu enfoque. La gestión del conocimiento nunca está "terminada", evoluciona con tus prácticas de colaboración con IA.

Las organizaciones que sobresalen en la colaboración con IA no serán solo aquellas con las mejores herramientas de IA, sino aquellas que mejor capturan, comparten y aprovechan el conocimiento generado a través de la asociación persona+IA.

Tu conocimiento de colaboración con IA es demasiado valioso para perderlo. Empieza a capturarlo hoy.

Lecturas recomendadas

Construye tu kit de herramientas de IA Collaboration - Herramientas y recursos esenciales para una colaboración efectiva con IA.
Establecimiento de estándares de IA para el equipo Collaboration - Estableciendo prácticas consistentes en tu equipo.
IA Collaboration para gerentes - Liderando equipos en el trabajo aumentado por IA.
El futuro de la IA Collaboration: Tendencias a observar en 2026 - Cómo evolucionará la gestión del conocimiento.

¿Quieres evaluar tus capacidades actuales de colaboración con IA? Realiza la evaluación PAICE para comprender tus fortalezas y áreas de desarrollo.

Gestión del Conocimiento en la Era de la IA: Capturando lo que Aprenden Juntos