Guía para Crear Skills en Gemini y ChatGPT: Adiós a los Gems

La inteligencia artificial generativa ha dejado atrás la era de los chatbots aislados; con la transición oficial de Google que sustituye los Gems por skills a partir del 17 de noviembre y la adopción unificada en el ecosistema de OpenAI y Claude, las habilidades modulares basadas en el estándar abierto Agent Skills se consolidan como el nuevo paradigma de automatización, permitiendo a los modelos ejecutar flujos de trabajo especializados sin saturar la ventana de contexto.

El fin de los silos: por qué los asistentes aislados dan paso a las habilidades

Durante los últimos dos años, la personalización en los modelos de lenguaje dependió de asistentes confinados en entornos cerrados, como los Gems en Google Gemini o los Custom GPTs en OpenAI. Para interactuar con una configuración especializada, el usuario debía abandonar su flujo de trabajo habitual y abrir una ventana de conversación exclusiva con dicho bot. Este esquema fragmentaba la experiencia y obligaba a duplicar contextos en tareas transversales.

A partir de noviembre, el ecosistema de Gemini inicia la migración automática de todos los Gems personales hacia el nuevo formato de skills (habilidades). De manera simultánea, OpenAI consolida este enfoque en sus entornos de Codex y APIs avanzadas. La gran ventaja de este cambio radica en la interoperabilidad: una habilidad ya no es un asistente encerrado en una jaula, sino un paquete de capacidades que convive en cualquier chat general y se activa bajo demanda, ya sea mediante el comando / o mediante detección contextual automática.

Las skills no sustituyen al agente: representan los procedimientos operativos estandarizados (SOP) y las herramientas empaquetadas que cualquier modelo puede cargar dinámicamente cuando la tarea lo exige.

Arquitectura técnica: el estándar Agent Skills y la divulgación progresiva

El núcleo de esta revolución técnica descansa en la especificación abierta Agent Skills. A diferencia de las extensas instrucciones de sistema convencionales que consumen memoria de manera constante, las habilidades operan mediante el principio de divulgación progresiva (progressive disclosure), estructurado en tres niveles:

• Nivel de descubrimiento (Frontmatter YAML): Al iniciar la sesión, el modelo únicamente carga el nombre y la descripción de la habilidad. Este consumo representa apenas entre 30 y 50 tokens por habilidad registrada, lo que permite tener decenas de capacidades disponibles de forma simultánea.
• Nivel de activación (Cuerpo de SKILL.md): Cuando la petición del usuario coincide semánticamente con la descripción de la habilidad o se invoca manualmente, el sistema inyecta en el contexto activo las instrucciones detalladas del procedimiento.
• Nivel de ejecución (Archivos de soporte y scripts): Si el flujo requiere plantillas de diseño, bases de conocimiento extensas o scripts de validación en Python, estos archivos auxiliares solo se leen o ejecutan en el entorno local cuando el paso correspondiente lo demanda.

Cómo estructurar un Skill: anatomía de una carpeta funcional

Crear una habilidad no requiere compilar binarios ni desarrollar arquitecturas complejas de software. Físicamente, un skill es un directorio que contiene obligatoriamente un manifiesto en Markdown denominado SKILL.md, acompañado opcionalmente por carpetas de recursos complementarios:

• SKILL.md: El archivo obligatorio que aloja los metadatos YAML de disparo y las reglas operativas paso a paso.
• references/: Directorio de apoyo con guías de estilo, especificaciones técnicas de producto o esquemas de bases de datos en formato Markdown, JSON o CSV.
• scripts/: Pequeños scripts ejecutables (en Python o Bash) para tareas deterministas que la IA no debe improvisar, como cálculos matemáticos exactos, análisis de archivos tabulares o validaciones de sintaxis.
• assets/: Plantillas reutilizables, estructuras predefinidas de documentos o archivos base.

Composición del archivo SKILL.md

El encabezado YAML define las reglas de visibilidad y activación de la habilidad. La descripción debe redactarse con absoluta precisión semántica, detallando con claridad qué hace el skill y exactamente en qué situaciones debe activarse:

Ejemplo de manifiesto básico:

---
name: auditor-seguridad-cables
description: Audita esquemas de cableado estructurado, verifica distancias de enlace permanente y certifica normativas TIA-568. Usar cuando el usuario mencione tendido de red, enlaces de fibra óptica o gabinetes de telecomunicaciones.
---

A continuación del encabezado YAML, el cuerpo de SKILL.md establece las instrucciones operativas. La mejor práctica exige redactar en modo imperativo, definiendo pasos secuenciales, puertas de validación y formatos de salida obligatorios.

Guía paso a paso para crear e implementar una habilidad

Paso 1: Delimitar el alcance y el objetivo único

El error más habitual al diseñar habilidades consiste en crear paquetes monolíticos que intentan resolver problemas dispares. Un skill eficiente aplica el principio de responsabilidad única. Es preferible construir tres habilidades compactas y encadenables (por ejemplo: extracción de datos, redacción técnica y control de calidad) en lugar de un único flujo saturado de excepciones.

Paso 2: Redactar las instrucciones operativas

Organiza el cuerpo de las instrucciones bajo un flujo lógico estructurado:

• Entrada esperada: Especifica qué datos, archivos o variables debe solicitar o recibir el modelo antes de iniciar.
• Secuencia de ejecución: Enumera los pasos cronológicos sin ambigüedades (Paso 1: Análisis, Paso 2: Normalización, Paso 3: Redacción final).
• Criterios de validación y reglas negativas: Declara explícitamente lo que el modelo no debe hacer, como omitir comprobaciones críticas o emplear jerga innecesaria.
• Formato del entregable: Define la plantilla exacta de respuesta para garantizar consistencia entre múltiples ejecuciones.

Paso 3: Incorporar determinismo mediante scripts auxiliares

Cuando un proceso requiere operaciones lógicas estrictas donde las alucinaciones son inadmisibles, empaqueta un script dentro de la subcarpeta correspondiente. Indícale a la IA en el archivo SKILL.md que ejecute el código mediante el entorno de ejecución en lugar de intentar deducir el cálculo numérico por inferencia probabilística.

Paso 4: Empaquetar y subir a la plataforma

Para cargar la habilidad en Gemini o en ChatGPT:

• Comprime la carpeta que contiene el archivo SKILL.md y sus directorios complementarios en un archivo .zip estándar.
• En Gemini: Accede a la sección de configuración de habilidades (Skills), selecciona la opción de importar archivo empaquetado o utiliza el asistente nativo de generación. También es posible transferir el contenido de tus antiguos Gems antes de que se complete el plazo de migración de noviembre.
• En ChatGPT / Codex: Integra el paquete en el registro de habilidades de tu espacio de trabajo o mediante las opciones de configuración de agentes para entornos de desarrollo.

Invocación: control manual frente a activación autónoma

Una vez registrada la habilidad, los usuarios y los entornos de desarrollo disponen de dos métodos operativos complementarios:

• Invocación explícita: El usuario escribe el comando / seguido del nombre de la habilidad en la barra de mensajes. Esto fuerza al modelo a adoptar inmediatamente el procedimiento especificado.
• Invocación implícita: El usuario formula una consulta en lenguaje natural. El modelo evalúa las descripciones registradas en su índice y, si detecta una coincidencia contextual clara con las tareas descritas en el encabezado, activa la habilidad por iniciativa propia sin interrumpir la fluidez del diálogo.

Si una habilidad se dispara con demasiada frecuencia para consultas no relacionadas, el ajuste debe realizarse en la descripción del YAML, acotando los términos desencadenantes y especificando las excepciones de uso.

Buenas prácticas para mantener una biblioteca de Skills profesional

A medida que una organización o un profesional técnico adopta este estándar, la biblioteca de habilidades tiende a crecer exponencialmente. Para mantener la confiabilidad del sistema:

• Prioriza la brevedad en el archivo principal: Mantén el archivo SKILL.md enfocado exclusivamente en la toma de decisiones y el flujo de trabajo; traslada las tablas de consulta masivas y las muestras extensas a archivos independientes en la carpeta de referencias.
• Realiza pruebas de regresión: Evalúa la habilidad con múltiples solicitudes reales para comprobar que los desencadenantes respondan de forma consistente tanto en pruebas directas como en consultas indirectas.
• Aprovecha el versionado con Git: Dado que las habilidades son carpetas compuestas por texto plano y scripts legibles, trátalas como activos de código fuente en repositorios controlados, asegurando auditoría, reversibilidad y trazabilidad en equipos colaborativos.