Mas leido
Building Stories
Modo Rua: Redefiniendo el desarrollo de aplicaciones mediante iteración centrada en el usuario Ago 23
Building Stories
NuStories: Adaptación de productos para clientes fanáticos en varios países Oct 30
Culture & Values
Cómo los valores y la cultura de Nu dan forma a los productos que creamos Ago 7
Carreras
Reunimos a grandes mentes de diversos orígenes que permiten la discusión y el debate y mejoran la resolución de problemas.
Conoce más sobre nuestras carreras
Autor: Jacqueline Carvalho
Introducción: Un nuevo lenguaje para la era de la IA
La tecnología siempre ha remodelado la manera en que pensamos, construimos y nos comunicamos. Desde las líneas de comando hasta las interfaces gráficas, cada salto evolutivo ha exigido un nuevo tipo de alfabetización. El auge de la IA generativa no es diferente, invitándonos a aprender un nuevo lenguaje: el lenguaje de los prompts.
En Nubank, vemos esto no solo como una habilidad técnica, sino como un cambio fundamental en la forma en que colaboramos con la tecnología. Aquí es donde entra la ingeniería de prompts: el arte y la ciencia de elaborar instrucciones que hacen que los sistemas de IA sean verdaderamente útiles.
Cuanto más clara expresemos la intención, el contexto y los matices, más eficaz podrá ser la IA para amplificar nuestro trabajo. Este proceso refleja la interacción humana cotidiana: reformulamos preguntas, agregamos contexto e iteramos hasta obtener una respuesta útil. Optimizar prompts para lograr mejores outputs simplemente aplica la misma habilidad conversacional a las máquinas.
Descubre las oportunidades
¿Qué es la ingeniería de prompts?
La ingeniería de prompts es la disciplina de diseñar, estructurar y refinar inputs para que un sistema de IA pueda producir outputs precisos, relevantes y controlables. En esencia, no se trata de ″hacer que la IA sea más inteligente″, sino de transmitir lo que realmente queremos de un LLM (Large Language Model), el cual funciona como un asistente extremadamente capaz, pero de mente literal. Si le dices ″escribe un resumen″, lo escribirá, pero ¿de qué extensión? ¿Para quién? ¿En qué tono? Sin estas pistas, el modelo tiene que adivinar, y es ahí donde se instala la inconsistencia.
Esta es la columna vertebral de todo buen prompt. Es la diferencia entre decir ″resume este informe″ y decir ″resume este informe en 5 bullet points enfocado en los riesgos financieros, usando lenguaje de negocios conciso″. El segundo establece expectativas, límites e intención, y ofrece resultados mucho mejores.
La ingeniería de prompts, por lo tanto, no es solo un truco para ″hackear″ el modelo; es el fundamento de la colaboración con la IA. No estás dándole órdenes al modelo; estás diseñando un diálogo.
Principios clave detrás de prompts efectivos
1. Estructure de un buen prompt
Así como un buen código necesita estructura, los buenos prompts necesitan orden. Un modelo mental simple es la estructura de cuatro partes mencionada anteriormente:
Por ejemplo: ″Eres un analista de políticas. Revisa el siguiente informe sobre pagos digitales en América Latina y escribe un resumen ejecutivo de una página con foco en la confianza del consumidor y los marcos regulatorios. Usa lenguaje claro y neutral.″
Esta estructura garantiza precisión y reproducibilidad, dos cosas que todo desarrollador valora.
2. Role prompting: “Actúa como…”
Una de las herramientas más simples, pero poderosas, es el Role Prompting (instrucción de función), que le dice al modelo quién debe ser. Esto cambia instantáneamente la voz, la expertise y las suposiciones detrás de la respuesta.
Por ejemplo: ″Eres un consultor de ciberseguridad que asesora a una fintech startup. Explica los tres principales riesgos de seguridad en términos sencillos para un fundador no técnico.″
La instrucción ″Actúa como…″ le proporciona una lente al modelo, similar a configurar una variable de entorno para la conversación. Define la expertise, el alcance y la audiencia de una sola vez.
Incluso puedes acumular roles para un razonamiento más matizado: ″Actúa como analista financiero y experto en investigación de UX. Analiza este flujo de billetera digital en busca de posibles riesgos y fricción del usuario.
3. Anclaje con contexto
Los LLMs dependen del contexto; no saben lo que tú sabes a menos que se lo digas. El Anclaje consiste en proporcionar el fondo de información correcto para que el modelo pueda fundamentar su razonamiento.
Por ejemplo: ″Con base en la siguiente declaración de cultura y misión de la empresa, elabora un mensaje de bienvenida para nuevos empleados que se sienta auténtico a nuestro tono.″
O, en escenarios con muchos datos: ″Usando los datos a continuación, genera insights sobre las tendencias de churn de clientes por región.″
El anclaje garantiza la relevancia. Sin él, el output del modelo puede sonar genérico o desvinculado de la realidad. En entornos corporativos, esta técnica se vuelve aún más importante al conectar prompts con documentos internos o APIs, como se ve en los sistemas RAG (Retrieval-Augmented Generation).
Yendo más allá de lo básico: Modular, RAG y diseño iterativo
Después de dominar la estructura, el rol y el contexto, el siguiente paso es la escalabilidad. ¿Cómo se crean prompts que sean consistentes, fáciles de mantener y eficientes en equipos y flujos de trabajo? Es ahí donde entran el prompting modular, el RAG y el ciclo de experimentación.
1. Modular Prompting: Bloques de Construcción Reutilizables
El diseño modular significa dividir los prompts en componentes reutilizables, como funciones en código. Usted define bloques de construcción para roles, tono, formato y estructura que pueden ser recombinados según la necesidad.
Por ejemplo, su biblioteca de prompts puede contener módulos como:
Luego, usted puede mezclar y combinar: [ROL] Científico/a de Datos + [TAREA] Analizar churn de clientes + [FORMATO] Tabla Markdown + [TONO] Claro.
Esta modularidad aumenta la productividad y mantiene los outputs consistentes, especialmente en equipos colaborativos o flujos de trabajo automatizados.
Piense en esto como el principio DRY (Don’t Repeat Yourself) aplicado al prompting.
2. Retrieval-Augmented Generation (RAG): Fundamentando la IA con datos reales
Incluso los mejores prompts no pueden crear respuestas precisas si el modelo carece de los datos correctos. Ahí es donde entra el RAG, un método que combina recuperación (búsqueda de contexto relevante en una base de datos o de conocimiento) con generación (la salida de texto del modelo).
Por ejemplo: ″Un chatbot de soporte recupera documentación interna sobre una API antes de responder a una pregunta, asegurando que su respuesta sea objetivamente correcta y esté actualizada.″
El RAG transforma el prompting de una mera instrucción de texto a un proceso de razonamiento orientado por datos. Es especialmente valioso en sectores como finanzas, salud y educación, donde la precisión y el contexto son innegociables.
3. El Ciclo de Experimentación: Probar, iterar, refinar
La ingeniería de prompts es inherentemente experimental. No importa cuán elegante sea su primera versión, usted tendrá que refinarla — al igual que depurar y optimizar código.
Un ciclo simple para la mejora se ve así:
1️⃣ Escriba un prompt → 2️⃣ Pruebe con ejemplos → 3️⃣ Analice el output → 4️⃣ Ajuste y vuelva a probar
Usted puede registrar métricas de rendimiento, comparar versiones (pruebas A/B) y usar métodos de evaluación como BLEU, ROUGE o puntuación basada en LLM.
El prompting iterativo es la forma en que las organizaciones construyen sistemas de IA confiables — no por magia, sino por método.
Por qué la ingeniería de prompts llegó para quedarse
Algunos dicen que la ingeniería de prompts desaparecerá a medida que los modelos mejoren. En realidad, está sucediendo lo contrario.
A medida que los modelos se vuelven más capaces, la complejidad de lo que les pedimos también aumenta. Ahora queremos que la IA razone, resuma, codifique, traduzca el tono, detecte sesgos y se integre con datos estructurados. Y esto exige un diseño humano sofisticado detrás de escena.
La ingeniería de prompts no es una moda pasajera. Es la capa de interfaz entre la lenguaje natural y la computación. Moldea no solo la precisión, sino también la ética, la usabilidad y la creatividad.
En la práctica, esto significa que:
En suma, el prompting se está convirtiendo en una habilidad central en diversas disciplinas, como saber buscar en Google de forma efectiva, pero en una escala mucho más poderosa.
En Nubank, usamos la ingeniería de prompts y el ajuste fino (fine-tuning) continuo para mejorar nuestros agentes de IA. En gestión de riesgos, refinamos prompts de forma iterativa que orientan los LLMs para apoyar el proceso de evaluación de riesgo de nuevos productos y funcionalidades, evaluar la calidad de los datos de issues (es decir, riesgo identificado por el equipo de gestión de riesgos en relación con lanzamientos de productos) y automatizar tareas rutinarias. Con revisión y pruebas human-in-the-loop (con humanos en el ciclo), estos prompts aumentan la eficiencia del equipo de gestión de riesgos, ayudan a dimensionar los procesos y aceleran el lanzamiento de nuevos productos y funcionalidades.
Más allá de los comandos: Prompting como comunicación
En su esencia, la ingeniería de prompts trata de comunicación entre humanos y máquinas, pero también entre equipos, disciplinas e ideas.
Cuando aprendemos a escribir mejores prompts, no solo estamos entrenando a la IA. Estamos refinando la forma en que expresamos el pensamiento, estructuramos el razonamiento y compartimos el contexto de manera clara.
Esto refleja cómo trabajamos en Nubank: claridad primero, colaboración siempre. Los buenos prompts no son solo técnicamente correctos, son humanamente claros.
Conclusión: El futuro habla en prompts
La ingeniería de prompts no es el objetivo final; es un paso en la evolución de cómo pensamos y construimos con la tecnología.
En Nubank, vemos cada nueva herramienta como una oportunidad para simplificar la complejidad. La IA generativa no es diferente: es otra forma de empoderar a las personas a través de la claridad, la creatividad y una mejor comunicación.
Y mientras este nuevo lenguaje continúa evolucionando, una cosa permanece constante: cuanto más claros seamos con nuestra intención, más poderosa se volverá nuestra tecnología.
Recursos y Lecturas técnicas recomendados
Descubre las oportunidades