Ingeniería de prompts

La ingeniería de prompts es la disciplina de diseñar y afinar las instrucciones (los prompts) que recibe un modelo de lenguaje para que produzca exactamente la salida que necesitás. Un mismo modelo puede dar una respuesta vaga o una respuesta excelente según cómo esté redactada la consigna: qué contexto se le entrega, qué formato se le pide, qué ejemplos se incluyen y qué límites se imponen.

No se trata de "hablarle bonito" a la IA, sino de un trabajo metódico y medible: se itera sobre el texto del prompt, se comparan versiones, se miden resultados y se documenta lo que funciona. Es la capa más barata y rápida para mejorar la calidad de un sistema de IA, antes de recurrir a opciones más caras como el fine-tuning.

En el mundo de los agentes de IA, la ingeniería de prompts deja de ser un truco manual para convertirse en parte del diseño del producto: define cómo razona un agente, cuándo usa una herramienta y cómo responde ante un caso límite. Es uno de los oficios centrales detrás de los agentes de IA que automatizan tareas de negocio.

Por qué importa la ingeniería de prompts

Un modelo de lenguaje grande (LLM) no "entiende" tu intención: predice texto a partir de lo que le diste. Por eso, la calidad de la entrada determina la calidad de la salida. Una consigna ambigua produce respuestas genéricas, inconsistentes o directamente erróneas; una consigna bien construida acota el espacio de respuestas posibles y empuja al modelo hacia el resultado correcto. En proyectos reales, mejorar el prompt suele rendir más que cambiar de modelo.

La ingeniería de prompts es además la palanca más económica del stack de IA. Reescribir una instrucción cuesta minutos; reentrenar o ajustar un modelo cuesta datos, cómputo y tiempo. Por eso el orden lógico de optimización es: primero el prompt, después agregar contexto con RAG, y solo al final evaluar fine-tuning si el caso lo justifica.

Cómo funciona: las piezas de un buen prompt

Un prompt profesional rara vez es una sola frase. Suele combinar varios componentes que se ajustan por separado:

• Rol o persona: quién "es" el modelo al responder (ej: "Actuás como analista de cobranzas de una empresa de Consumo Masivo en Argentina").
• Tarea explícita: qué tiene que hacer, en imperativo y sin ambigüedad.
• Contexto: los datos relevantes que el modelo no conoce (un correo, una factura, el historial del cliente).
• Formato de salida: estructura esperada (lista, tabla, JSON, máximo de palabras).
• Ejemplos: muestras de entrada y salida deseada, lo que se conoce como few-shot prompting.
• Restricciones: qué no debe hacer (no inventar datos, no salirse del tema, responder "no tengo esa información" si falta el dato).

A esto se suman técnicas como pedirle al modelo que razone paso a paso antes de concluir (cadena de pensamiento), descomponer una tarea compleja en sub-prompts encadenados, o establecer criterios de calidad que el propio modelo debe verificar antes de responder.

Ejemplo concreto (LATAM)

Una distribuidora mayorista en Córdoba quiere que un asistente de IA redacte respuestas a reclamos de clientes por entregas demoradas. Un prompt pobre sería "respondé este reclamo". El resultado: un texto genérico, a veces demasiado formal, a veces prometiendo cosas que la empresa no puede cumplir.

Un prompt bien diseñado le da al modelo el rol (representante de atención al cliente de la distribuidora), el contexto (estado real del pedido, política de la empresa), el tono (cordial, rioplatense, sin tecnicismos), el formato (máximo 120 palabras, sin prometer fechas que no estén confirmadas) y un ejemplo de respuesta modelo. El mismo modelo, con la misma capacidad, pasa de una respuesta inutilizable a una lista para enviar con mínima revisión humana.

Ingeniería de prompts vs fine-tuning

Es la comparación que más confunde a quien arranca. Ambas buscan que el modelo responda mejor, pero operan en niveles distintos:

La regla práctica: empezá siempre por el prompt. El fine-tuning recién se justifica cuando el caso es estable, de alto volumen y el prompt ya no alcanza.

Errores comunes

• Pedir demasiado en una sola consigna: mezclar cinco objetivos en un prompt diluye todos. Mejor descomponer.
• No dar contexto suficiente: el modelo rellena los huecos inventando, lo que dispara alucinaciones.
• No fijar el formato: sin estructura pedida, la salida es impredecible y difícil de automatizar.
• No iterar ni medir: tratar el prompt como algo que se escribe una vez, en lugar de una pieza que se versiona y se prueba.
• Ignorar la ventana de contexto: meter texto de más satura el límite del modelo y degrada la respuesta.

En sistemas serios, los prompts se versionan como código, se prueban contra casos reales y se ajustan con datos de uso. Esa madurez es la que separa un experimento de un producto de IA confiable.