Última revisión:
¿Qué es el prompt engineering? Definición y retos para la empresa
El prompt engineering es la disciplina de escritura metódica de los prompts. No se trata de un oficio raro sino de una competencia transversal, que consiste en formalizar, probar y estandarizar las instrucciones dirigidas a un LLM para obtener salidas fiables y reproducibles a escala de una organización.
El prompt engineering cubre el conjunto de técnicas que permiten transformar una solicitud vaga en una instrucción estructurada que produce una salida fiable. Las técnicas principales incluyen: la asignación de rol («Eres experto en...»), la provisión de ejemplos (one-shot, few-shot), la descomposición de la tarea en etapas (chain of thought), la especificación del formato de salida (JSON, markdown, plan numerado), y la introducción de restricciones negativas («no mencionar...»). En 2023, el término designaba un oficio emergente y bien remunerado (hasta 300 000 dólares anuales en algunos laboratorios estadounidenses). Desde 2024-2025, esta segmentación se ha derrumbado en gran medida: los modelos se han vuelto más tolerantes con los prompts imprecisos, y las buenas prácticas se han difundido. El prompt engineering ya no es un oficio, es una competencia integrada a los roles de negocio (comercial, jurídico, marketing), al mismo título que el dominio de Excel o de la búsqueda en Google.
Ejemplo concreto
El estudio NBER de Brynjolfsson, Li y Raymond (2023, Generative AI at Work) observó a 5 172 agentes de atención al cliente equipados con un asistente de IA. La ganancia de productividad media fue del 14 %, pero variaba fuertemente según el nivel de experiencia y la calidad del prompting: 34 % de ganancia para los agentes menos formados, y un efecto casi nulo para los más experimentados en los casos simples. La lección central para los dirigentes: la productividad derivada de la IA no es una propiedad del modelo, sino de la práctica de uso. Sin disciplina colectiva de prompting, las ganancias siguen siendo desiguales y no capitalizables.
Caso a mayor escala, contexto de atención al cliente: Klarna, febrero 2024. El grupo fintech sueco anunció públicamente que su asistente IA (basado en OpenAI) gestiona en un mes dos tercios del volumen de conversaciones de atención al cliente, es decir 2,3 millones de intercambios en 23 idiomas, el equivalente a 700 agentes a tiempo completo. Los tickets se resuelven en 2 minutos de media frente a 11 minutos anteriormente, con una puntuación de satisfacción equivalente a la de los agentes humanos. El punto clave: Klarna publicó que el rendimiento no proviene del modelo bruto sino de « catorce meses de ingeniería de prompt y de orquestación » — biblioteca de prompts versionados, tests A/B sistemáticos, enrutado hacia el humano en los casos con implicaciones. El prompt engineering no reemplazó a los agentes: transformó la naturaleza del trabajo: menos tareas repetitivas, más supervisión y casos complejos.
Comparación
| Técnica | Lo que cambia | Coste típico | Cuándo elegirla |
|---|---|---|---|
| Prompt engineering | Instrucciones y ejemplos dados al modelo en cada llamada — el modelo permanece igual | Bajo — de unas horas a unas semanas por caso de uso | La opción por defecto: el 80-90 % de los casos empresariales se resuelven así. Rápido de iterar, reversible, sin reentrenamiento. |
| RAG (Retrieval-Augmented Generation) | El modelo recibe extractos relevantes de una base documental en cada pregunta | Medio — infraestructura de búsqueda vectorial + curación de fuentes | Cuando el conocimiento del negocio vive fuera del modelo (documentos internos, catálogo de productos, base de conocimiento que evoluciona). |
| Fine-tuning | El modelo se reentrena sobre un corpus propietario — comportamiento y estilo modificados de forma duradera | Alto — dataset anotado + coste de cómputo + mantenimiento con cada nuevo modelo base | Estilo editorial muy específico, vocabulario de nicho no cubierto, o reducción de latencia en una única tarea bien acotada. |
Preguntas frecuentes
¿Hace falta un experto para hacer prompt engineering?
No. En la empresa, el prompt engineering es ante todo una disciplina de redacción: claridad del contexto, exigencia sobre el formato de salida, ejemplos cortos. Las ganancias documentadas (14 % de productividad media según el estudio NBER 2023 sobre 5 172 agentes de soporte) provienen de buenas prácticas difundibles, no de una experiencia técnica.
¿Cómo estructurar un buen prompt?
Cuatro bloques: rol (a quién habla el modelo), contexto (datos, restricciones, tono esperado), tarea (verbo de acción y criterio de éxito), formato de salida (estructura explícita). Añadir uno o dos ejemplos (few-shot) mejora la fidelidad al formato. Iterar sobre 3-5 versiones antes de fijar un prompt de producción.
¿Prompt engineering o fine-tuning: cuál es la diferencia?
El prompt engineering ajusta lo que se pide al modelo en la inferencia: rápido, sin coste de reentrenamiento, reversible. El fine-tuning reentrena el modelo sobre datos propietarios: costoso, más lento, pero útil para un estilo o experiencia muy específica. En 2026, el 90 % de los casos de uso empresariales se resuelven con prompt engineering + RAG.
¿Cuánto cuesta un mal prompt?
En un caso de generación a volumen (soporte, extracción, resumen), un prompt mal calibrado puede multiplicar por 3 a 10 el coste por petición (tokens de entrada inflados, respuestas fuera de formato a reprocesar) y hacer caer la calidad de 20 a 40 puntos según los benchmarks internos. Auditar un prompt de producción lleva unas horas; los ahorros se miden en semanas.
¿Se está volviendo obsoleto el prompt engineering?
No — evoluciona. Los modelos recientes (Claude 4/5, GPT-5) toleran mejor los prompts vagos, pero la brecha de rendimiento entre un prompt mediocre y uno bien elaborado sigue siendo importante en producción. Las técnicas evolucionan (chain-of-thought, uso de herramientas, salida estructurada), la disciplina permanece.
¿Hay que documentar los prompts en la empresa?
Sí, en una biblioteca interna versionada. Cada prompt de producción debe tener: un identificador, una fecha, un caso de uso, la versión del modelo objetivo, la métrica de calidad medida, y un ejemplo de salida esperada. Sin esta disciplina, los prompts se duplican, derivan y dejan de ser auditables — trátelos como código.
Ver también
Para profundizar
Generative AI at Work, Brynjolfsson, Li & Raymond, NBER Working Paper 31161, 2023
Fuentes
- Generative AI at Work, Brynjolfsson, Li & Raymond, NBER Working Paper 31161, 2023. https://www.nber.org/papers/w31161
- Prompt engineering overview, Anthropic documentation 2026. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview