Llevo semanas viendo lo mismo en reuniones con clientes y dentro de SUMāTO: dos personas le piden lo mismo a la misma inteligencia artificial y reciben respuestas que parecen venir de herramientas distintas. Una sale frustrada diciendo que "esto no sirve"; la otra obtiene un borrador casi listo para usar. La diferencia rara vez está en el modelo. Está en cómo se formuló la pregunta. A eso, en este arranque de 2023 tan electrizante tras la llegada de ChatGPT, le estamos empezando a llamar prompt engineering, y quiero contarle por qué creo que es una de las habilidades más rentables que usted puede desarrollar este año.
En corto: El prompt engineering es el arte y la disciplina de dar instrucciones claras a un modelo de lenguaje para obtener respuestas útiles y confiables. La calidad de lo que usted pide determina, en gran medida, la calidad de lo que recibe. Y cuando el prompt ya no alcanza, existen caminos como RAG o el ajuste fino.
Un modelo de lenguaje no "entiende" en el sentido humano: predice, palabra por palabra, la continuación más probable de lo que usted escribió. Eso significa que el texto que usted entrega no es un simple botón de búsqueda, sino el contexto completo que orienta esa predicción. Un prompt es esa instrucción, y el prompt engineering es la práctica de diseñarla con intención.
Me gusta pensarlo como delegar una tarea a una persona muy capaz pero recién llegada, que no conoce su empresa, sus clientes ni el resultado que usted espera. Si le pide "haz un resumen", recibirá algo genérico. Si le explica para quién es, qué tono usar y qué debe destacar, el resultado cambia por completo. La IA funciona igual.
Porque el modelo solo dispone de lo que usted le da más lo que aprendió durante su entrenamiento. Si su instrucción es ambigua, el modelo rellena los vacíos con suposiciones, y esas suposiciones casi nunca coinciden con lo que usted tenía en mente. Una pregunta vaga produce una respuesta vaga; no es mala suerte, es diseño.
En SUMāTO hemos comprobado que la mayor parte de las quejas sobre "la IA no entiende" se resuelven mejorando la instrucción, no cambiando de herramienta. Antes de concluir que un modelo no sirve para su caso, vale la pena revisar si le estamos pidiendo bien las cosas.
No hay magia, pero sí patrones que funcionan de forma consistente. Estos son los que más recomiendo:
Aquí necesito ser franco, porque el entusiasmo de estas semanas a veces nubla el juicio. Un prompt impecable mejora las probabilidades, pero no garantiza la verdad. El riesgo más importante de entender es la alucinación: el modelo puede generar afirmaciones, datos o citas que suenan plausibles y son simplemente falsos. No miente con intención; predice texto convincente, y a veces lo convincente no es lo correcto.
Por eso insisto en dos reglas internas. La primera: toda información factual que provenga de un modelo debe verificarse antes de usarse en una decisión o publicarse. La segunda: el modelo no conoce sus datos privados, sus contratos ni lo que pasó después de su fecha de entrenamiento, así que no le pida certezas que no puede tener. Tratar la salida como un borrador inteligente, y no como un oráculo, evita la mayoría de los problemas.
Hay un punto en el que mejorar la instrucción deja de rendir, y reconocerlo a tiempo ahorra mucha frustración. Si usted necesita que la IA responda con base en sus documentos, sus políticas o su catálogo, ningún prompt va a inventar ese conocimiento. Ahí entran otros enfoques:
La regla práctica que usamos: empiece por el prompt, que es lo más rápido y barato; si el problema es de conocimiento, piense en RAG; si es de comportamiento repetible a gran escala, evalúe el ajuste. Es justo el tipo de decisión que abordamos en nuestro enfoque AI-first y en el trabajo de inteligencia artificial con nuestros clientes.
No hace falta nada técnico para volverse competente. Tome una tarea real de su semana, escriba un primer prompt con contexto y restricciones, mire el resultado y ajústelo dos o tres veces. Guarde los que le funcionen: con el tiempo tendrá una pequeña biblioteca de instrucciones probadas para sus tareas habituales. Esa biblioteca, más que cualquier truco aislado, es lo que multiplica el valor.
¿Necesito saber programar para hacer prompt engineering?
No. La mayor parte se hace escribiendo instrucciones claras en lenguaje natural. Ayuda más la capacidad de explicar con precisión lo que quiere que cualquier conocimiento de código.
¿El mismo prompt funciona igual en todas las herramientas?
No siempre. Los principios de claridad, contexto y ejemplos se trasladan bien, pero cada modelo tiene sus matices, así que conviene probar y ajustar al cambiar de herramienta.
¿Cómo reduzco el riesgo de alucinaciones?
Pida que el modelo se apoye solo en la información que usted le proporcionó, solicite que indique cuándo no está seguro y verifique siempre los datos factuales antes de usarlos. Para casos críticos, considere RAG.
¿Vale la pena invertir en esto o es una moda?
Creo que es una habilidad que se queda. Saber pedirle bien a la IA es, en el fondo, saber pensar y comunicar con claridad, y eso nunca pasa de moda.
Si usted está viendo el potencial de estas herramientas pero no sabe por dónde empezar en su empresa, ese es exactamente el momento de conversar. En SUMāTO ayudamos a equipos en México, Bogotá y toda la región a pasar de la curiosidad a casos de uso con valor real, decidiendo con criterio cuándo basta un buen prompt y cuándo conviene RAG o un ajuste. Escríbanos en sumatogroup.com/contacto y demos juntos ese primer paso.