Las organizaciones que llevan más de seis meses usando IA generativa en procesos reales enfrentan un problema que pocas anticiparon al inicio. Tienen acceso a uno de los modelos de lenguaje más capaces disponibles, y sin embargo siguen re-explicándole las mismas cosas en cada sesión. Cada conversación empieza desde cero. Cada tarea requiere que alguien escriba, pegue o recuerde el bloque de contexto necesario. La inteligencia está disponible, pero el conocimiento institucional no persiste.
Las Skills de Claude son la respuesta técnica a ese problema, y desde febrero de 2026 están disponibles para todos los usuarios, sin restricción de plan.
Qué es exactamente una Skill
Una Skill es un archivo de texto escrito en lenguaje natural, llamado SKILL.md, guardado en una carpeta específica dentro del entorno de trabajo. No es código. No es un plugin. No es una integración de API. Es un paquete de instrucciones estructuradas que le entrega a Claude el conocimiento especializado que no tiene de fábrica.
Claude sabe mucho sobre el mundo. Pero no sabe cómo escribe el newsletter de tu organización. No sabe el formato que usa tu equipo financiero para los reportes de cierre. No conoce los criterios con los que tu industria juzga la calidad de un documento de cumplimiento. No tiene tu voz editorial, tus estándares de entrega ni las líneas rojas que tu equipo considera innegociables.
Una Skill llena esas brechas. Puede contener flujos de trabajo paso a paso, criterios de dominio específicos, instrucciones para trabajar con formatos de archivo propios, y plantillas o materiales de referencia reales, los de tu empresa, no los genéricos. Lo que hace que una Skill sea diferente de un prompt elaborado es que persiste entre conversaciones, se activa automáticamente cuando la tarea la requiere, y puede ser compartida con todo el equipo sin que nadie tenga que recordar nada.
El problema que resuelve en la práctica
Desde Mentinno tenemos la oportunidad de conectar con muchas organizacones que llevan meses (o años) usando IA generativa, y gran parte de ellas siguen operando igual que en el primer día. Un colaborador con experiencia construye un prompt funcional, lo pega al inicio de cada sesión, y obtiene resultados razonables. Cuando ese colaborador no está, la capacidad se va con él. Cuando hay diez personas usando IA en el mismo equipo, hay diez versiones del contexto, diez niveles de calidad distintos, y ningún mecanismo que garantice coherencia institucional.
El ejemplo más concreto que podemos citar de nuestro propio trabajo es la Skill que construimos para la generación de reportes de diagnóstico de madurez digital, uno de los entregables más frecuentes en nuestra práctica de consultoría. Antes de tenerla, cada consultor producía una versión distinta del reporte dependiendo de cuánto contexto recordaba incluir en el prompt del día.
Después de construir la Skill, logramos que cualquier miembro del equipo, indeendientemente de su experiencia en el uso de IA, obtenga un output que respeta los estándares que definen esa entrega: estructura de tres bloques, benchmarks sectoriales integrados, índice de urgencia por brecha, horizonte de decisión de inversión, decisiones ERIC (Eliminar, reducir, incrementar, crear), entre otros elementos del modelo Mentinno.
El directivo que recibe el reporte puede tomar una decisión de presupuesto al terminar de leerlo, sin presentación adicional. Ese criterio está en la Skill. No depende de que quien ejecuta la tarea lo recuerde.
Skills versus CLAUDE.md: una distinción que importa
Para quienes trabajan con Claude Code, existe una confusión frecuente entre dos mecanismos de personalización que suenan similares y cumplen funciones distintas.
El archivo CLAUDE.md es el conjunto de instrucciones permanentes del proyecto. Claude Code lo lee al inicio de cada sesión y lo aplica a todo lo que ocurre durante esa sesión, independientemente de la tarea. Establece las convenciones de arquitectura del código, las reglas de revisión, los flujos de trabajo de equipo, los criterios de calidad que aplican siempre. Es la inducción que el colaborador ya internalizó antes de empezar a trabajar.
Una Skill, en cambio, se activa únicamente cuando la tarea en curso la requiere. Puede incluir, además del SKILL.md con instrucciones, una carpeta completa con scripts, plantillas y documentación de referencia que Claude carga solo cuando necesita ejecutar ese proceso específico. Es el manual de procedimiento que el analista consulta cuando tiene que hacer una auditoría, no antes.
La diferencia en términos de diseño de workflows es de alcance y economía de contexto. El CLAUDE.md ancla la coherencia del proyecto completo. Las Skills elevan la calidad y estandarizan la ejecución en procesos puntuales sin sobrecargar cada sesión con información que solo es relevante para una fracción del trabajo. Combinados, eliminan la dependencia de que exista una persona específica que sepa cómo obtener resultados de calidad con IA, porque ese conocimiento queda institucionalizado en los archivos.
¿Cómo construir una Skill que funcione?
El error más frecuente al construir Skills es tratarlas como prompts mejorados. La diferencia no es de extensión sino de profundidad: una Skill efectiva captura el criterio profesional de quien domina un proceso, no solo las instrucciones de superficie.
Ese criterio, en la mayoría de los casos, está atrapado en la cabeza de la persona que ejecuta bien ese proceso. La forma más eficiente de extraerlo es pedirle a Claude que conduzca una entrevista conversacional estructurada, una pregunta a la vez, hasta tener suficiente material para construir el SKILL.md completo.
Aquí comparto un ejemplo de prompt que utilizamos en Mentinno para iniciar ese proceso:
“Tu tarea es entrevistarme para construir una Skill destinada a: [NOMBRE DEL PROCESO]. El objetivo es que Claude pueda ejecutar este proceso con los mismos estándares y criterio que yo aplicaría personalmente. Haz una pregunta a la vez y no avances hasta que haya respondido.
El levantamiento debe cubrir: el objetivo concreto de la tarea y su contexto de uso; a quién va dirigido el output; cómo se ve un resultado excelente con ejemplos reales; cómo se ve un resultado deficiente y por qué falla; los criterios que uso para juzgar calidad; los errores más frecuentes a evitar; la estructura o flujo de pasos que debe seguir el proceso; el tono y nivel de formalidad requeridos; frases, patrones o decisiones que uso de forma recurrente; lo que nunca debe aparecer en el output; plantillas o materiales de referencia que debo incluir; casos límite o excepciones relevantes.
Cuando tengas suficiente material, genera: el borrador del SKILL.md con instrucciones completas; un resumen de mis preferencias y estándares para este proceso; la lista de materiales de referencia con una explicación breve de por qué cada uno fue seleccionado; y las preguntas que quedaron abiertas o los supuestos que asumiste.“
El proceso funciona porque Claude no está adivinando. Está extrayendo el contexto exacto que necesitará para rendir bien cuando la Skill sea “invocada”.
La diferencia entre una Skill que produce resultados consistentes y una que genera outputs irregulares está casi siempre en la calidad de ese levantamiento inicial.
Lo que esto implica para la gestión del conocimiento organizacional
Las organizaciones que construyen Skills propietarias no están solo automatizando tareas. Están empaquetando el conocimiento que genera valor diferencial en una forma que persiste, se comparte y mejora con el tiempo. Sus metodologías de análisis, sus estándares de entrega, su criterio editorial, sus marcos de calidad dejan de depender de las personas que los desarrollaron y se convierten en capacidad institucional.
Las Skills públicas disponibles en el ecosistema cubren docenas de procesos genéricos. Eso es útil como punto de partida. La ventaja competitiva real está en las Skills que ninguna otra organización puede tener porque capturan el conocimiento específico que tomó años construir.
Las organizaciones que entiendan eso antes que sus competidores no solo usarán IA mejor, operarán con una arquitectura de conocimiento que sus competidores no pueden copiar.
