De la ingeniería de prompts a la ingeniería del contexto

Durante un tiempo, todo parecía girar en torno al prompt engineering. Cursos, libros, tutoriales… incluso se llegó a decir que sería la profesión del futuro. Pero como sucede con muchas innovaciones tecnológicas, la marea baja rápido. Hoy, ese entusiasmo inicial parece desvanecerse y hace tiempo que no se habla mucho de eso.

¿Por qué?

Porque los propios modelos de lenguaje (LLM) están aprendiendo a escribir mejores prompts que nosotros. Con capacidades como el auto-refinement, cadenas de razonamiento internas y agentes especializados, cada vez es más común que un buen resultado no dependa tanto del prompt perfecto, sino de que el modelo tenga acceso al contexto adecuado para entender la tarea y actuar con precisión. Por cierto, te aconsejamos que te construyas tu propio prompt para pedirle a tu LLM favorito que te ayude a escribir prompts.

¿Saber usar un LLM será como saber usar un navegador?

Probablemente sí. Es decir, una habilidad necesaria pero no suficiente. Como saber usar un buscador o escribir un email. No es diferencial. En cambio, lo que sí empieza a marcar la diferencia es la capacidad de construir entornos de trabajo confiables para la IA, donde el contexto esté bien seleccionado, bien estructurado y bien compartido.

Es decir, donde la “magia” no está en la redacción, sino en el sistema que rodea a cada prompt.

Lo que estamos aprendiendo en entaina

En entaina nunca pensamos que la clave estuviera solo en escribir buenos prompts. Para nosotros, la ingeniería aplicada a la IA tiene mucho más que ver con el diseño de sistemas que permitan minimizar los riesgos asociados al carácter no determinista de los LLMs (las famosas "alucinaciones", sesgos, etc.) y, sobre todo, con la gestión del contexto.

Esto incluye desde estrategias de RAG (Retrieval-Augmented Generation), selección de fuentes, arquitecturas de agentes, hasta la definición y distribución de contextos compartidos en toda la organización.

Y no se trata solo de tecnología. Se trata también de procesos, cultura y método.

Todo es un prompt, pero no todo el contexto es igual

Cuando trabajas con modelos multimodales o LLMs integrados en agentes, todo acaba siendo un prompt. Lo que preguntas, lo que muestras, lo que etiquetas, lo que no dices. Por eso, el contexto importa más que nunca.

El problema es que los modelos actuales todavía tienen dificultades para mantener la atención y entender la relevancia de cada parte del contexto. Aquí entra en juego el humano: no solo como usuario, sino como ingeniero de contexto.

Nuestra tarea es decidir qué fragmento de conocimiento, qué parte del sistema, qué restricción o guía conviene activar para una tarea concreta. Esta es, sin duda, una de las formas más relevantes de “programar” en el nuevo paradigma.

Los subagentes nos enseñan mucho

Un ejemplo claro lo vemos cuando trabajamos con agentes especializados, que funcionan mejor cuando tienen ventanas de contexto más pequeñas y bien acotadas. Si un agente está diseñado solo para manejar pedidos, es más efectivo si su contexto solo incluye reglas de negocio y datos operativos de pedidos. No necesita saber cómo se redactan newsletters, ni ver datos financieros.

La especialización no es solo una cuestión de eficiencia, sino de atención. Y la atención es, en última instancia, una cuestión de contexto.

MCP: dotando de contexto a toda la empresa

Uno de los aprendizajes clave de los últimos meses en entaina ha sido la importancia de construir contextos compartidos, accesibles y reutilizables. Gracias a los servidores MCP , estamos empezando a dotar a toda la empresa de una capa de conocimiento compartido que acompaña a los prompts.

Por ejemplo, ahora cuando un equipo pide a un LLM que genere una presentación o un análisis, lo hace con el briefing estratégico de entaina incluido en el contexto. De esta manera, las respuestas no son solo mejores, sino que están alineadas con nuestro marco de misión, visión y tono de marca. Esto reduce la entropía, aumenta la coherencia y mejora la calidad final, y sobre todo se parece mas a lo que queremos.

Otro ejemplo: el diseño de interfaces

Cuando diseñamos una nueva pantalla de producto o interfaz, y pedimos ayuda a un modelo como Claude Code, le proporcionamos un archivo con la semántica de colores y componentes. ¿Por qué? Porque el diseño visual, aunque pueda parecer subjetivo, también está gobernado por reglas, convenciones y decisiones previas. Ese archivo es, para el modelo, un contexto tan valioso como lo sería una base de datos o una librería de código.

Y no basta con que ese contexto exista: hay que gestionarlo, versionarlo, hacerlo accesible y, sobre todo, enseñar a los equipos a usarlo.

No hay malas respuestas, sino malas preguntas

Otra idea que empieza a consolidarse es esta: muchas veces no es que la IA haya contestado mal, sino que la pregunta estaba mal planteada o carecía del contexto necesario. Y aunque es cierto que los LLM siguen cometiendo errores, también es cierto que muestran un nivel de “inteligencia” impresionante cuando les damos el contexto adecuado.

En otras palabras: la calidad de la respuesta depende cada vez más de la calidad del sistema que rodea al prompt.

¿Y si mapearas los contextos clave de tu empresa?

Una propuesta práctica: ¿por qué no empezar a mapear los contextos más relevantes de tu organización? ¿Cuáles son los elementos de conocimiento, documentación, estilos o convenciones que deberían estar presentes en cada interacción con un LLM?

Hacer ese mapa no solo permite trabajar mejor con IA, sino que formaliza el conocimiento organizacional, lo hace más visible, más compartido y más reutilizable.

Y eso —como ya sabían las mejores escuelas de gestión del conocimiento— es un paso crucial para escalar el aprendizaje, fomentar la colaboración y evitar la dependencia de personas clave.

El futuro: contextos formalizados, sistemas orquestados

Todo parece apuntar a que las empresas más avanzadas no serán las que escriban los mejores prompts, sino las que sean capaces de orquestar sistemas inteligentes donde cada agente, humano o artificial, actúe con el contexto adecuado.

En entaina creemos que esa es la verdadera ingeniería del futuro: la que sea capaz de proporcionar el contexto ideal en cada momento. Porque solo así podremos sacar todo el partido a una tecnología tan poderosa como la inteligencia artificial, sin renunciar a nuestros valores ni comprometer nuestra capacidad de aprender juntos.

Si te interesa avanzar en esta dirección, en entaina ya estamos ayudando a varias organizaciones a construir sus propios contextos compartidos, integrados con herramientas como Brainsome y pensados para escalar la colaboración entre personas e IA.

La buena noticia es que ya no hace falta ser OpenAI o DeepMind para hacerlo bien. Solo hace falta método, visión y compromiso con el aprendizaje. De eso sabemos bastante.

Porque en entaina, espabilar no es una opción. Es una estrategia.

Creatividad e IA

Aprovecho para dejarte un enlace a mi último post sobre creatividad e IA, espero que te guste.