Autor: Jacqueline Carvalho<\/p>\n\n\n\n
La tecnolog\u00eda siempre ha remodelado la manera en que pensamos, construimos y nos comunicamos. Desde las l\u00edneas de comando hasta las interfaces gr\u00e1ficas, cada salto evolutivo ha exigido un nuevo tipo de alfabetizaci\u00f3n. El auge de la IA generativa no es diferente, invit\u00e1ndonos a aprender un nuevo lenguaje: el lenguaje de los prompts.<\/p>\n\n\n\n
En Nubank, vemos esto no solo como una habilidad t\u00e9cnica, sino como un cambio fundamental en la forma en que colaboramos con la tecnolog\u00eda. Aqu\u00ed es donde entra la ingenier\u00eda de prompts: el arte y la ciencia de elaborar instrucciones que hacen que los sistemas de IA sean verdaderamente \u00fatiles.<\/p>\n\n\n\n
Cuanto m\u00e1s clara expresemos la intenci\u00f3n, el contexto y los matices, m\u00e1s eficaz podr\u00e1 ser la IA para amplificar nuestro trabajo. Este proceso refleja la interacci\u00f3n humana cotidiana: reformulamos preguntas, agregamos contexto e iteramos hasta obtener una respuesta \u00fatil. Optimizar prompts para lograr mejores outputs simplemente aplica la misma habilidad conversacional a las m\u00e1quinas.<\/p>\n\n\n\n
La ingenier\u00eda de prompts es la disciplina de dise\u00f1ar, estructurar y refinar inputs para que un sistema de IA pueda producir outputs precisos, relevantes y controlables. En esencia, no se trata de \u2033<\/span>hacer que la IA sea m\u00e1s inteligente\u2033<\/span>, 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 \u2033<\/span>escribe un resumen\u2033<\/span>, lo escribir\u00e1, pero \u00bfde qu\u00e9 extensi\u00f3n? \u00bfPara qui\u00e9n? \u00bfEn qu\u00e9 tono? Sin estas pistas, el modelo tiene que adivinar, y es ah\u00ed donde se instala la inconsistencia.<\/p>\n\n\n\n Esta es la columna vertebral de todo buen prompt. Es la diferencia entre decir \u2033<\/span>resume este informe\u2033<\/span> y decir \u2033<\/span>resume este informe en 5 bullet points enfocado en los riesgos financieros, usando lenguaje de negocios conciso\u2033<\/span>. El segundo establece expectativas, l\u00edmites e intenci\u00f3n, y ofrece resultados mucho mejores.<\/p>\n\n\n\n La ingenier\u00eda de prompts, por lo tanto, no es solo un truco para \u2033<\/span>hackear\u2033<\/span> el modelo; es el fundamento de la colaboraci\u00f3n con la IA. No est\u00e1s d\u00e1ndole \u00f3rdenes al modelo; est\u00e1s dise\u00f1ando un di\u00e1logo.<\/p>\n\n\n\n Principios clave detr\u00e1s de prompts efectivos<\/p>\n\n\n\n As\u00ed como un buen c\u00f3digo necesita estructura, los buenos prompts necesitan orden. Un modelo mental simple es la estructura de cuatro partes mencionada anteriormente:<\/p>\n\n\n\n Por ejemplo:<\/strong> \u2033<\/span>Eres un analista de pol\u00edticas. Revisa el siguiente informe sobre pagos digitales en Am\u00e9rica Latina y escribe un resumen ejecutivo de una p\u00e1gina con foco en la confianza del consumidor y los marcos regulatorios. Usa lenguaje claro y neutral.\u2033<\/span><\/em><\/p>\n\n\n\n Esta estructura garantiza precisi\u00f3n y reproducibilidad, dos cosas que todo desarrollador valora.<\/p>\n\n\n\n Una de las herramientas m\u00e1s simples, pero poderosas, es el Role Prompting (instrucci\u00f3n de funci\u00f3n), que le dice al modelo qui\u00e9n debe ser. Esto cambia instant\u00e1neamente la voz, la expertise y las suposiciones detr\u00e1s de la respuesta.<\/p>\n\n\n\n Por ejemplo:<\/strong> \u2033<\/span>Eres un consultor de ciberseguridad que asesora a una fintech startup. Explica los tres principales riesgos de seguridad en t\u00e9rminos sencillos para un fundador no t\u00e9cnico.\u2033<\/span><\/em><\/p>\n\n\n\n La instrucci\u00f3n \u2033<\/span>Act\u00faa como…\u2033<\/span> le proporciona una lente al modelo, similar a configurar una variable de entorno para la conversaci\u00f3n. Define la expertise, el alcance y la audiencia de una sola vez.<\/p>\n\n\n\n Incluso puedes acumular roles para un razonamiento m\u00e1s matizado: \u2033<\/span>Act\u00faa como analista financiero y experto en investigaci\u00f3n de UX. Analiza este flujo de billetera digital en busca de posibles riesgos y fricci\u00f3n del usuario.<\/em><\/p>\n\n\n\n Los LLMs dependen del contexto; no saben lo que t\u00fa sabes a menos que se lo digas. El Anclaje consiste en proporcionar el fondo de informaci\u00f3n correcto para que el modelo pueda fundamentar su razonamiento.<\/p>\n\n\n\n Por ejemplo:<\/strong> \u2033<\/span>Con base en la siguiente declaraci\u00f3n de cultura y misi\u00f3n de la empresa, elabora un mensaje de bienvenida para nuevos empleados que se sienta aut\u00e9ntico a nuestro tono.\u2033<\/span><\/em><\/p>\n\n\n\n O, en escenarios con muchos datos: \u2033<\/span>Usando los datos a continuaci\u00f3n, genera insights sobre las tendencias de churn de clientes por regi\u00f3n.\u2033<\/span><\/em><\/p>\n\n\n\n El anclaje garantiza la relevancia. Sin \u00e9l, el output del modelo puede sonar gen\u00e9rico o desvinculado de la realidad. En entornos corporativos, esta t\u00e9cnica se vuelve a\u00fan m\u00e1s importante al conectar prompts con documentos internos o APIs, como se ve en los sistemas RAG (Retrieval-Augmented Generation).<\/p>\n\n\n\n Despu\u00e9s de dominar la estructura, el rol y el contexto, el siguiente paso es la escalabilidad. \u00bfC\u00f3mo se crean prompts que sean consistentes, f\u00e1ciles de mantener y eficientes en equipos y flujos de trabajo? Es ah\u00ed donde entran el prompting modular, el RAG y el ciclo de experimentaci\u00f3n.<\/p>\n\n\n\n El dise\u00f1o modular significa dividir los prompts en componentes reutilizables, como funciones en c\u00f3digo. Usted define bloques de construcci\u00f3n para roles, tono, formato y estructura que pueden ser recombinados seg\u00fan la necesidad.<\/p>\n\n\n\n Por ejemplo, su biblioteca de prompts puede contener m\u00f3dulos como:<\/p>\n\n\n\n Luego, usted puede mezclar y combinar: [ROL] Cient\u00edfico\/a de Datos + [TAREA] Analizar churn de clientes + [FORMATO] Tabla Markdown + [TONO] Claro.<\/p>\n\n\n\n Esta modularidad aumenta la productividad y mantiene los outputs consistentes, especialmente en equipos colaborativos o flujos de trabajo automatizados.<\/p>\n\n\n\n Piense en esto como el principio DRY (Don\u2019t Repeat Yourself) aplicado al prompting.<\/p>\n\n\n\n Incluso los mejores prompts no pueden crear respuestas precisas si el modelo carece de los datos correctos. Ah\u00ed es donde entra el RAG, un m\u00e9todo que combina recuperaci\u00f3n<\/strong> (b\u00fasqueda de contexto relevante en una base de datos o de conocimiento) con generaci\u00f3n<\/strong> (la salida de texto del modelo).<\/p>\n\n\n\n Por ejemplo: <\/strong>\u2033<\/span>Un chatbot de soporte recupera documentaci\u00f3n interna sobre una API antes de responder a una pregunta, asegurando que su respuesta sea objetivamente correcta y est\u00e9 actualizada.\u2033<\/span><\/em><\/p>\n\n\n\n El RAG transforma el prompting de una mera instrucci\u00f3n de texto a un proceso de razonamiento orientado por datos. Es especialmente valioso en sectores como finanzas, salud y educaci\u00f3n, donde la precisi\u00f3n y el contexto son innegociables.<\/p>\n\n\n\n La ingenier\u00eda de prompts es inherentemente experimental. No importa cu\u00e1n elegante sea su primera versi\u00f3n, usted tendr\u00e1 que refinarla \u2014 al igual que depurar y optimizar c\u00f3digo.<\/p>\n\n\n\n Un ciclo simple para la mejora se ve as\u00ed:<\/p>\n\n\n\n 1\ufe0f\u20e3 Escriba un prompt \u2192 2\ufe0f\u20e3 Pruebe con ejemplos \u2192 3\ufe0f\u20e3 Analice el output \u2192 4\ufe0f\u20e3 Ajuste y vuelva a probar<\/p>\n\n\n\n Usted puede registrar m\u00e9tricas de rendimiento, comparar versiones (pruebas A\/B) y usar m\u00e9todos de evaluaci\u00f3n como BLEU, ROUGE o puntuaci\u00f3n basada en LLM.<\/p>\n\n\n\n El prompting iterativo es la forma en que las organizaciones construyen sistemas de IA confiables \u2014 no por magia, sino por m\u00e9todo.<\/p>\n\n\n\n Algunos dicen que la ingenier\u00eda de prompts desaparecer\u00e1 a medida que los modelos mejoren. En realidad, est\u00e1 sucediendo lo contrario.<\/p>\n\n\n\n A medida que los modelos se vuelven m\u00e1s capaces, la complejidad de lo que les pedimos tambi\u00e9n aumenta. Ahora queremos que la IA razone, resuma, codifique, traduzca el tono, detecte sesgos y se integre con datos estructurados. Y esto exige un dise\u00f1o humano sofisticado detr\u00e1s de escena.<\/p>\n\n\n\n La ingenier\u00eda de prompts no es una moda pasajera. Es la capa de interfaz entre la lenguaje natural y la computaci\u00f3n. Moldea no solo la precisi\u00f3n, sino tambi\u00e9n la \u00e9tica, la usabilidad y la creatividad.<\/p>\n\n\n\n En la pr\u00e1ctica, esto significa que:<\/p>\n\n\n\n En suma, el prompting se est\u00e1 convirtiendo en una habilidad central en diversas disciplinas, como saber buscar en Google de forma efectiva, pero en una escala mucho m\u00e1s poderosa.<\/p>\n\n\n\n En Nubank, usamos la ingenier\u00eda de prompts y el ajuste fino (fine-tuning) continuo para mejorar nuestros agentes de IA. En gesti\u00f3n de riesgos, refinamos prompts de forma iterativa que orientan los LLMs para apoyar el proceso de evaluaci\u00f3n de riesgo de nuevos productos y funcionalidades, evaluar la calidad de los datos de issues (es decir, riesgo identificado por el equipo de gesti\u00f3n de riesgos en relaci\u00f3n con lanzamientos de productos) y automatizar tareas rutinarias. Con revisi\u00f3n y pruebas human-in-the-loop (con humanos en el ciclo), estos prompts aumentan la eficiencia del equipo de gesti\u00f3n de riesgos, ayudan a dimensionar los procesos y aceleran el lanzamiento de nuevos productos y funcionalidades.<\/p>\n\n\n\n En su esencia, la ingenier\u00eda de prompts trata de comunicaci\u00f3n entre humanos y m\u00e1quinas, pero tambi\u00e9n entre equipos, disciplinas e ideas.<\/p>\n\n\n\n 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.<\/p>\n\n\n\n Esto refleja c\u00f3mo trabajamos en Nubank: claridad primero, colaboraci\u00f3n siempre. Los buenos prompts no son solo t\u00e9cnicamente correctos, son humanamente claros.<\/p>\n\n\n\n La ingenier\u00eda de prompts no es el objetivo final; es un paso en la evoluci\u00f3n de c\u00f3mo pensamos y construimos con la tecnolog\u00eda.<\/p>\n\n\n\n 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 trav\u00e9s de la claridad, la creatividad y una mejor comunicaci\u00f3n.<\/p>\n\n\n\n Y mientras este nuevo lenguaje contin\u00faa evolucionando, una cosa permanece constante: cuanto m\u00e1s claros seamos con nuestra intenci\u00f3n, m\u00e1s poderosa se volver\u00e1 nuestra tecnolog\u00eda.<\/p>\n\n\n\n Recursos y Lecturas t\u00e9cnicas recomendados<\/strong><\/p>\n\n\n\n Principios pr\u00e1cticos para elaborar prompts claros y confiables que escalen la colaboraci\u00f3n con la IA<\/p>\n","protected":false},"author":178110103,"featured_media":35561,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[2509,2508],"tags":[2544],"ppma_author":[2321],"class_list":["post-35568","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analytics-es","category-data-science-machine-learning-es","tag-inteligencia-artificial-es"],"acf":[],"yoast_head":"\n1. Estructure de un buen prompt<\/h3>\n\n\n\n
\n
2. Role prompting: \u201cAct\u00faa como…\u201d <\/h3>\n\n\n\n
3. Anclaje con contexto<\/h3>\n\n\n\n
Yendo m\u00e1s all\u00e1 de lo b\u00e1sico: Modular, RAG y dise\u00f1o iterativo<\/h2>\n\n\n\n
1. Modular Prompting: Bloques de Construcci\u00f3n Reutilizables<\/h3>\n\n\n\n
\n
2. Retrieval-Augmented Generation (RAG): Fundamentando la IA con datos reales<\/h3>\n\n\n\n
3. El Ciclo de Experimentaci\u00f3n: Probar, iterar, refinar<\/h3>\n\n\n\n
Por qu\u00e9 la ingenier\u00eda de prompts lleg\u00f3 para quedarse<\/h2>\n\n\n\n
\n
M\u00e1s all\u00e1 de los comandos: Prompting como comunicaci\u00f3n<\/h3>\n\n\n\n
Conclusi\u00f3n: El futuro habla en prompts<\/h2>\n\n\n\n
\n