Cómo redactar un Marco Lógico para propuestas con IA: guía paso a paso

Paso 1: preparar el paquete de contexto

La calidad de la salida de la IA está determinada más por la calidad de la entrada que por la herramienta de IA que utilices. Cinco documentos componen el paquete de contexto.

Teoría del Cambio (obligatorio). La Teoría del Cambio finalizada es el insumo más importante: resultado a largo plazo, resultados intermedios, productos, actividades y supuestos. Consulta cómo redactar una Teoría del Cambio. Si tu Teoría del Cambio es un bosquejo de un párrafo, la IA llenará los vacíos con contenido genérico de aspecto plausible. Si tu Teoría del Cambio tiene 3-5 páginas con supuestos y evidencia, la IA operacionalizará esa estructura en un marco lógico coherente.

Plantilla de marco lógico del donante. Este es el contenedor estructural que la IA poblará. El PMP de USAID tiene requisitos PIRS específicos; FCDO utiliza una estructura de marco lógico diferente; la UE utiliza la suya propia. Proporciona a la IA la plantilla exacta contra la que presentarás. Si no tienes una plantilla, una matriz genérica de cuatro por cuatro con columnas (resumen narrativo, indicadores, medios de verificación, supuestos) funciona.

Descripción del programa. Un resumen de 1-2 páginas de lo que hace el programa, dónde, para quién y a qué escala. La IA produce resultados más específicos cuando se basa en detalles concretos.

Restricciones de la biblioteca de indicadores (opcional). Si utilizas indicadores estándar del donante (USAID F, PEPFAR MER, GEF Core, JMP WASH, etc.) o indicadores organizacionales internos, proporciona el subconjunto relevante. Esto evita que la IA invente indicadores y mantiene la salida alineada con tus marcos. Consulta indicadores personalizados vs. estándar.

Restricciones de presupuesto y alcance (opcional). Si conoces el presupuesto de monitoreo y evaluación, el tamaño de muestra objetivo o las restricciones de frecuencia de recolección de datos, inclúyelos. Esto da forma a los medios de verificación que la IA sugiere.

Paso 2: redactar con prompts efectivos

Pega el paquete de contexto y solicita a la IA un marco lógico. Tres elementos en un prompt efectivo.

Encuadre claro de la tarea. "Redacta un marco lógico para este programa alineado con la plantilla del [donante], utilizando la Teoría del Cambio, la descripción del programa y la biblioteca de indicadores proporcionados. Trabaja desde el resultado a largo plazo hacia atrás (meta, resultados, productos, actividades), luego completa los indicadores, medios de verificación y supuestos para cada fila."

Restricciones explícitas.

• "No inventes valores de línea de base, metas o estadísticas específicas. Usa texto de marcador de posición como [línea de base: por determinar] para cualquier campo numérico."
• "No cites estudios o investigaciones específicas que no estén en el contexto proporcionado."
• "Para cada supuesto, exprésalo en forma comprobable: una condición específica que pueda verificarse durante la implementación."
• "Para cada medio de verificación, nombra una fuente de datos y un método específicos, no 'encuesta' o 'datos de monitoreo'."

Formato de salida. Especifica el formato exacto que deseas: tabla markdown, texto estructurado o una plantilla específica. Si la plantilla del donante es un .docx, describe su estructura a la IA y pide una salida que coincida con esa estructura.

Lo que obtendrás es un primer borrador de marco lógico. Tendrá una estructura útil y detalles que requerirán verificación. El Paso 3 en adelante es el trabajo de validación.

Paso 3: probar la lógica vertical

La prueba de lógica vertical se pregunta: ¿cada fila produce plausiblemente la fila superior? La IA a menudo genera marcos lógicos que parecen completos pero tienen una lógica vertical rota, especialmente en el vínculo entre productos y resultados.

Recorre la matriz borrador de abajo hacia arriba:

• ¿Las actividades producen los productos tal como están escritos?
• ¿Los productos producen plausiblemente los resultados? (Aquí es donde la IA falla más comúnmente: productos y resultados confundidos, o productos demasiado desconectados de los resultados)
• ¿Los resultados contribuyen plausiblemente a la meta?

Fallos comunes de lógica generados por IA:

• Productos etiquetados como resultados ("Número de mujeres capacitadas" en la fila de resultados, cuando pertenece a la fila de productos)
• Resultados expresados como productos agregados ("5,000 mujeres alcanzadas" en la fila de resultados)
• Meta desconectada de los resultados intermedios (meta a nivel de población pero resultados a nivel de participante individual del programa, sin un puente claro)
• Actividades que no suman los productos que se supone que deben producir

Donde la lógica se rompa, reescribe manualmente. No pidas a la IA que lo arregle sin antes articular qué está roto; la IA a menudo producirá un segundo borrador con el mismo error estructural con una redacción ligeramente diferente.

Paso 4: verificar cada indicador con SMART

Los indicadores generados por IA varían de buenos a inutilizables. Cada indicador debe pasar la prueba SMART antes de ser aceptado. Consulta profundización en indicadores SMART para conocer todos los criterios.

Dedica cinco minutos por indicador. Para cada uno:

• Específico: ¿Podrían dos encuestadores leer esto y recopilar los datos de la misma manera?
• Medible: ¿Existe una fuente de datos y un método factibles?
• Alcanzable: ¿Puede este programa producir plausiblemente el cambio objetivo? (Si la IA insertó metas específicas, estas necesitan validación independiente a partir de datos de línea de base, no aceptación.)
• Relevante: ¿El indicador se vincula a una decisión o requisito de informe, o es de relleno?
• Con plazo definido: ¿Está definido el intervalo de medición?

Problemas comunes de indicadores sugeridos por IA:

• Verbos vagos ("mejorado", "fortalecido", "mejorado") sin definiciones operacionales
• Metas o líneas de base inventadas de la nada
• Indicadores con origen en "encuestas" o "sistemas de monitoreo" genéricos sin especificidad
• Indicadores duplicados o casi duplicados en diferentes niveles

Utiliza la herramienta Verificador de Indicadores SMART para validar cada indicador sistemáticamente. Revisa, reemplaza o elimina cualquiera que falle.

Paso 5: confirmar la viabilidad de los MdV

Los medios de verificación (MdV) es donde la salida de la IA con mayor frecuencia excede lo que el programa puede ejecutar. La IA produce MdV que suenan factibles (encuesta de hogares, registros administrativos, datos de terceros) sin tener en cuenta el presupuesto o la capacidad reales.

Para cada medio de verificación en el borrador:

• ¿Hay presupuesto para esta recolección de datos (ver presupuesto de recolección de datos)?
• ¿Hay capacidad de personal para ejecutarlo con la frecuencia especificada?
• ¿La fuente está realmente disponible? (La IA a veces sugiere fuentes de datos que no existen para un contexto dado.)
• ¿La frecuencia coincide con el ciclo de decisión al que alimenta?

Cuando el MdV no sea factible, reduce el indicador (medición menos frecuente, muestra más pequeña, método más simple) o elimina el indicador por completo. No envíes un marco lógico con MdV aspiracionales que el programa no pueda ejecutar. Consulta medios de verificación para conocer los criterios de viabilidad.

Integración con herramientas MEStudio

Tres herramientas de MEStudio apoyan el flujo de trabajo del marco lógico con IA:

Biblioteca de indicadores (/indicators). Filtra por tu sector, escanea indicadores alineados con los marcos del donante y úsalos como entrada para los prompts de sugerencia de indicadores de IA. Evita que la IA invente indicadores cuando existen alternativas validadas.

Guía de Teoría del Cambio (/reference/theory-of-change). Estructura tu Teoría del Cambio siguiendo este marco de referencia y luego alimenta esa lógica estructurada a la IA. Produce marcos lógicos más coherentes que la entrada de texto libre de la Teoría del Cambio.

Verificador de indicadores SMART (/tools/smart-indicator-checker). Pasa cada indicador sugerido por la IA a través de esta herramienta antes de aceptarlo. Detecta los patrones de verbos vagos y definiciones faltantes que la IA produce comúnmente.

Para el flujo de trabajo de propuesta más amplio, consulta cómo redactar la sección de M&E de la propuesta. Para la estructura subyacente del plan de M&E, consulta cómo redactar un plan de M&E.

Ejemplos por sector

Salud: propuesta de programa de prevención del VIH, África Oriental

Una propuesta de programa de salud requería un marco lógico alineado con PEPFAR MER. El equipo de M&E utilizó Claude con un paquete de contexto que incluía: una Teoría del Cambio de 4 páginas, el subconjunto de indicadores PEPFAR MER para la prevención del VIH, la descripción del programa y el borrador del presupuesto. La IA produjo un primer borrador de marco lógico en 18 minutos. La validación identificó tres problemas: dos indicadores PEPFAR MER fueron asignados incorrectamente a la fila de productos en lugar de la fila de resultados; un indicador personalizado sugerido por la IA tenía una definición vaga ("aceptación comunitaria de las pruebas de VIH"); el MdV para un indicador de resultado asumía una encuesta poblacional trimestral que el presupuesto no podía soportar. La revisión tomó 40 minutos. El marco lógico final tenía 14 indicadores (9 estándar PEPFAR MER, 5 personalizados), pasó la revisión interna con una edición menor y se presentó a tiempo.

Educación: programa de educación para niñas, Asia Meridional

Una propuesta de educación requería un marco lógico alineado con la estructura de FCDO más los estándares INEE. El líder de M&E alimentó a ChatGPT con una Teoría del Cambio, la plantilla de FCDO y una descripción del programa centrada en la tutoría y la participación comunitaria. El primer borrador tenía una matriz de cuatro por cuatro estructuralmente sólida, pero tres indicadores genéricos ("actitudes comunitarias", "apoyo parental") sin definiciones operacionales. La validación los reemplazó con tres indicadores personalizados que operacionalizaban comportamientos específicos (madres discutiendo la educación con sus hijas en el último mes; reuniones comunitarias que incluyen la educación de las niñas como tema de agenda; padres asistiendo a eventos escolares). Tiempo total de redacción y validación: 90 minutos. El borrador presentado pasó la revisión del donante en la primera ronda.

WASH: propuesta de sostenibilidad del agua comunitaria, África Occidental

Una propuesta WASH redactó su marco lógico utilizando Gemini con insumos de una Teoría del Cambio, definiciones de la escalera JMP, la descripción del programa y la plantilla de marco lógico del donante. El primer borrador incluyó indicadores de resultado alineados con JMP apropiadamente. La validación detectó dos detalles inventados por la IA: un valor de línea de base de "35% de acceso a agua gestionada de forma segura" que no tenía fuente (la línea de base real se iba a recopilar en el año 1 del programa, y la IA había llenado un valor plausible pero ficticio), y una referencia a una encuesta nacional de hogares a nivel de país que no existía con la frecuencia implícita. Ambos detalles fueron reemplazados por notas de marcador de posición. Tiempo total: 75 minutos.

Seguridad alimentaria: propuesta de medios de vida para pastores, sahel

Una propuesta de seguridad alimentaria necesitaba un marco lógico con desagregación estacional (trashumancia vs. asentados) integrada en los indicadores de resultado. El equipo de M&E proporcionó a Claude una Teoría del Cambio, definiciones de indicadores HFIAS y FCS, y una descripción del programa que especificaba la recolección de datos estacionales. El primer borrador manejó bien la estructura, pero omitió la desagregación estacional en la mayoría de los indicadores. La validación añadió desagregación a 6 de los 10 indicadores y reemplazó 2 indicadores sugeridos por la IA que no coincidían con el contexto pastoral. Total: 85 minutos.

Errores comunes

Error 1: omitir el trabajo de la Teoría del Cambio y alimentar a la IA con una descripción de programa escasa. La IA producirá un marco lógico genérico de aspecto plausible. La revisión sacará a la luz las lagunas. La Teoría del Cambio es el insumo más importante; escríbela antes de redactar.

Error 2: aceptar valores de línea de base y metas inventados por la IA. La IA llena los vacíos numéricos con números que suenan plausibles pero que no tienen fuente. Cada línea de base, meta y estadística específica debe provenir de tus datos o estar claramente marcada como marcador de posición.

Error 3: enviar la salida de la IA sin validación SMART. La IA sugiere muchos indicadores que no cumplen los criterios SMART. Cada indicador necesita cinco minutos de validación antes de ser aceptado.

Error 4: aceptar medios de verificación vagos. La IA a menudo produce "encuesta" o "datos de monitoreo" como MdV. Estos deben ser reemplazados por fuentes, métodos, frecuencias y partes responsables específicos antes de que el marco lógico sea utilizable.

Error 5: no probar la lógica vertical. La salida de la IA puede parecer coherente en la superficie pero tener una lógica vertical rota. Recorre la matriz de abajo hacia arriba para detectar fallos lógicos.

Error 6: usar la IA para generar tanto la Teoría del Cambio como el marco lógico. La IA produce borradores de Teoría del Cambio insípidos que parecen razonables pero no reflejan la lógica específica de tu programa. La Teoría del Cambio debe ser escrita por humanos; el marco lógico puede ser redactado por IA.

Error 7: dejar que la IA invente requisitos de cumplimiento del donante. Si el donante tiene una plantilla de marco lógico específica, un formato PIRS o una lista de indicadores obligatorios, proporciónalos a la IA. No dejes que la IA adivine las convenciones del donante.

Error 8: tratar la salida de la IA como terminada en lugar de un primer borrador. Dos horas de validación cuidadosa producen un marco lógico defendible. Presentar marcos lógicos redactados por IA directamente es el modo de fallo más común.

Lista de verificación para marcos lógicos con IA

Revisa esto antes de considerar un marco lógico redactado por IA como final.

Paquete de contexto:

• Teoría del Cambio finalizada proporcionada a la IA
• Estructura de la plantilla del donante proporcionada
• Descripción del programa específica para este programa proporcionada
• Restricciones de la biblioteca de indicadores proporcionadas (si se utilizan indicadores estándar)

Calidad del prompt:

• Se instruyó a la IA para que no inventara valores de línea de base o estadísticas específicas
• Se instruyó a la IA para que escribiera supuestos comprobables
• Se instruyó a la IA para que especificara los medios de verificación, no una "encuesta" genérica

Validación de la salida:

• Lógica vertical probada de abajo hacia arriba (cada fila produce plausiblemente la fila superior)
• Cada indicador pasó la validación SMART (ver profundización en indicadores SMART)
• Productos y resultados no confundidos
• Cada medio de verificación es factible frente al presupuesto real

Cumplimiento y precisión:

• Indicadores requeridos por el donante incluidos sin modificar
• Sin estadísticas o valores de línea de base fabricados
• Marcadores de posición claramente indicados donde se recopilarán datos más adelante
• El marco lógico se alinea con la Teoría del Cambio y la propuesta narrativa

Integración:

• Indicadores referenciados cruzadamente con la Biblioteca de Indicadores cuando corresponda
• Validado a través del Verificador de Indicadores SMART
• Revisado contra la lista de verificación de cómo redactar un marco lógico

Para el flujo de trabajo completo de la propuesta, consulta cómo redactar la sección de M&E de la propuesta. Para la Teoría del Cambio que lo acompaña, consulta cómo redactar una Teoría del Cambio. Para el plan de M&E que este marco lógico operacionaliza, consulta cómo redactar un plan de M&E. Para un flujo de trabajo paso a paso asistido por IA, consulta el manual de la Teoría del Cambio.