Ingeniería de prompts
Prompt Engineering
¿Qué es la ingeniería de prompts?
- Diseñar instrucciones para obtener el resultado deseado
- Rol, contexto, ejemplos y formato son lo esencial
- Fundamentos del uso de la IA
Cuando la ingeniería de prompts se asienta, cambia la conversación del equipo. La valoración que terminaba en «esa IA no sirve» pasa a ser «muéstrame con qué instrucción preguntaste». Lo esencial de esta técnica es que la responsabilidad del resultado se traslada del modelo a la instrucción. Una instrucción bien pulida no queda como intuición personal, sino como un documento que el equipo copia y reutiliza, y cualquiera que la use obtiene resultados de un nivel parecido.
En la práctica, conviene dividir las instrucciones en tres capas. La información de la empresa, el tono y las palabras prohibidas, que no cambian de una consulta a otra, van en el prompt de sistema; el objetivo y el destinatario de cada caso, en el prompt de usuario; y las tareas con criterios ambiguos se resuelven con few-shot, es decir, incluyendo de 2 a 5 ejemplos. Para cálculos o razonamientos de varios pasos, pedir que se razone paso a paso y luego se entregue solo la conclusión reduce notablemente los errores. Pero hay que distinguir qué se puede resolver con el prompt y qué queda fuera de su alcance. Si la respuesta debe basarse en documentos internos, corresponde RAG; si hay que fijar en gran volumen el estilo y el formato, corresponde el ajuste fino; y corregir las instrucciones nunca hará que aparezcan datos que no existían.
En la práctica, el error más común es creer que basta con reunir frases que «funcionan bien». Se pega una frase copiada de una comunidad y, si el resultado no convence, se busca otra, pero muchas veces no aparecen por ninguna parte nuestros clientes ni las restricciones del caso. Alargar el texto también es una trampa: si se adjuntan veinte páginas de material de referencia, la instrucción principal se pierde y el modelo resume elementos equivocados. Cuando el modelo se actualiza, los prompts existentes pueden dejar de funcionar, algo que suele pasarse por alto; por eso conviene volver a ejecutar cada trimestre entre 5 y 10 prompts representativos. Por último, el hábito de pegar listas de clientes o resultados no publicados tal cual no es un problema de rendimiento, sino un incidente de seguridad.
John KimAutor de «Diseño del marketing B2B» y CEO de Nanum Consultoría. Instructor.
Seolyeong ParkEspecialista en IA generativa y AX, con 17 años de experiencia práctica y más de 200 sesiones de enseñanza, que logra que personas sin formación técnica la usen de inmediatoSurgió a comienzos de la década de 2020, cuando los modelos de lenguaje de gran escala (como GPT-3) se popularizaron y se reconoció que la forma de dar instrucciones determina el rendimiento. Es una técnica práctica que se consolidó rápidamente en las comunidades de usuarios, más que por obra de un creador específico.
Veamos un caso hipotético. La empresa A, distribuidora de materiales industriales con ingresos anuales de KRW 62,000,000,000 (≈ US$46,405,100) y 210 colaboradores, tiene un equipo de Marketing de tres personas que produce 30 textos al mes para las páginas de detalle de producto. Cuatro meses después de adoptar la IA generativa, el tiempo por pieza seguía siendo de 4 horas y el líder del equipo devolvía los textos en promedio 2.4 veces.
- Al reunir los prompts que el equipo había escrito de verdad, el líder del equipo de Marketing, Kim, vio que nueve de cada diez eran una sola línea: «Escríbeme el texto de la página de detalle de este producto». «Con eso, cualquiera escribe algo sin gracia», fue su primer comentario.
- Por eso, convirtieron en un bloque fijo que se antepone al inicio de cada prompt lo que se repetía una y otra vez: la presentación de la empresa, los intereses del responsable de compras de equipos y siete expresiones prohibidas internamente, como «número 1 del sector».
- También fijamos el formato de salida: al escribir «un titular de 15 caracteres o menos, 3 propuestas, una desde el plazo de entrega, otra desde el precio y otra desde el posventa, todo en tabla», desde el primer resultado se redujeron mucho los ajustes.
- Incluimos como ejemplo los tres textos con mejor tasa de clics del año anterior para fijar el tono, y el empleado Lee, con un año en la empresa, se sorprendió: «El resultado sale con exactamente el mismo tono con el que yo escribo».
- Los cuatro prompts terminados se subieron a la wiki interna con control de versiones v1, v2, y en el primer día de inducción los nuevos colaboradores los probaron como tarea.
- Seis semanas después, el tiempo por pieza bajó de 4 horas a 1 hora y 20 minutos, las devoluciones pasaron de 2.4 a 0.8 y la producción mensual subió de 30 a 48 piezas.