¿El fin de la ingeniería de prompts?

¿Recuerdas la fiebre del oro de la "ingeniería de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →" en 2023 y 2024? Los gurús de internet aseguraban que conocer las palabras mágicas exactas que había que darle a un LLM era la habilidad más valiosa del siglo XXI. Los portales de empleo publicaban salarios astronómicos para especialistas que sabían cuándo decirle a un modelo "respira hondo", "piensa paso a paso" o "actúa como un ingeniero de software experto".

Fue una fase extraña y de transición en la historia de la computación. Les hablábamos a chips de computadora en lenguaje natural, intentando descubrir comportamientos ocultos manipulando cadenas de texto.

Pero a mediados de 2026, el panorama es completamente distinto. El prompt hacking como disciplina independiente está muriendo. A medida que los modelos de frontera se vuelven más inteligentes, más dóciles a las instrucciones y se integran de forma nativa en arquitecturas agénticas, el foco ha cambiado. Ya no escribimos largos párrafos de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → para convencer a los modelos de que realicen tareas complejas. En su lugar, construimos sistemas.

La era del "redactor de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →" está terminando; ha llegado la era del ingeniero de sistemas de IA.

---

La fragilidad de las cadenas mágicas

Para entender por qué se produjo este cambio, hay que fijarse en lo frágiles que eran las primeras aplicaciones basadas en promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →. Si construiste una funcionalidad de software que dependía de un prompt de 3.000 caracteres, enseguida te diste cuenta de que la ingeniería de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → era un castillo de naipes:

• Falta de determinismo: un prompt que funcionaba a la perfección el 95 % de las veces podía fallar al azar en la ejecución número 96 por la naturaleza probabilística del modelo.
• Dependencia del proveedor: si optimizabas un prompt para Claude 3.5 Sonnet, a menudo fallaba al enviarlo a GPT-4o o Gemini 1.5 Pro. Cada modelo tenía sus propias manías sutiles a la hora de interpretar el lenguaje natural.
• Regresiones con cada actualización: cuando los proveedores lanzaban una actualización menor de un modelo, tus promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → se rompían de repente porque los pesos internos del modelo habían cambiado.

+-----------------------------------+
|  Original Prompt:                 |
|  "Write JSON output. Be concise." |
+-----------------------------------+
                 |
                 v (Model Version Update)
+-----------------------------------+
|  Failed Output:                   |
|  "Sure, here is your JSON..."     |
|  (Breaks parser with intro text)  |
+-----------------------------------+

Depender de "cadenas mágicas" era una pésima forma de construir software estable. ¿En qué otro entorno de computación una actualización menor de infraestructura rompería al azar el formato de las cadenas de los endpoints de tu aplicación?

---

La transición hacia sistemas estructurados

Para resolver la fragilidad de los promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → monolíticos, los desarrolladores dejaron de escribir instrucciones enormes y empezaron a dividir las tareas en pipelines estructurados.

En lugar de pedirle a un modelo "Lee este ticket de soporte, busca su pedido, analiza su tono y escribe una respuesta en JSON", ahora construimos una máquina de estados. El sistema se divide en pasos distintos, cada uno con un único propósito:

1. Clasificador: un modelo ligero clasifica la categoría del ticket (con un enum estricto como salida).
2. Recuperador de datos: una consulta a una API obtiene los detalles del pedido del usuario a partir de los metadatos del ticket.
3. Generador de borradores: un modelo genera un borrador usando el contexto recuperado.
4. Validador: una capa final de código comprueba que el borrador no contenga alucinaciones y cumpla las reglas del esquema.

Al descomponer el problema, reducimos la complejidad de los propios promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →. Los promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → de cada nodo ya no son largos ensayos; son instrucciones simples y directas. Si un paso falla, sabemos exactamente qué nodo del grafo causó el fallo. Podemos probar, depurar y optimizar cada paso de forma independiente.

Veamos cómo se implementa esto con salidas estructuradas. En lugar de pedirle al modelo que escriba JSON y esperar que lo formatee bien, usamos validación de esquemas para garantizar la estructura de la salida.

Aquí tienes un ejemplo moderno en TypeScript con Zod y un cliente de salidas estructuradas:

import { z } from "zod";

// 1. Define un esquema estricto para la salida del modelo
const TicketAnalysisSchema = z.object({
  category: z.enum(["billing", "technical", "feature_request", "general"]),
  priority: z.enum(["low", "medium", "high", "critical"]),
  sentiment: z.enum(["positive", "neutral", "frustrated", "angry"]),
  suggestedAction: z.string().describe("The next immediate action the team should take"),
});

type TicketAnalysis = z.infer<typeof TicketAnalysisSchema>;

// Función de ejecución de ejemplo que representa un nodo estructurado
async function analyzeTicket(ticketBody: string): Promise<TicketAnalysis> {
  // En lugar de escribir instrucciones en el prompt para que la salida sea JSON,
  // pasamos el esquema directamente a la configuración del modelo.
  const response = await aiClient.chat.completions.create({
    model: "gpt-4o-2026-05-10",
    messages: [
      { role: "system", content: "Analyze the customer ticket." },
      { role: "user", content: ticketBody }
    ],
    response_format: {
      type: "json_object",
      schema: TicketAnalysisSchema, // Se impone a nivel de API
    }
  });

  return TicketAnalysisSchema.parse(JSON.parse(response.choices[0].message.content));
}

Al imponer la conformidad con el esquema a nivel de API, el prompt en sí se vuelve trivial. Ya no escribimos párrafos indicándole al modelo "No incluyas etiquetas de markdown, no empieces con 'Sure, here is...', devuelve solo JSON válido". Los tokens de salida del modelo están obligados a ajustarse a la máquina de estados del parser.

---

Pautas prácticas para pasar de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → a sistemas

Si todavía escribes promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → de sistema largos y complejos, es hora de refactorizar. Usa estas reglas para llevar tus aplicaciones de la ingeniería de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → a la ingeniería de sistemas:

• Descompón la complejidad: si tu prompt tiene más de 500 palabras, está haciendo demasiadas cosas. Divídelo en varias llamadas secuenciales al LLM o en bucles de herramientas.
• Valida esquemas en todas partes: usa herramientas como Zod, Pydantic o esquemas JSON nativos para validar todas las entradas y salidas estructuradas entre las etapas del modelo.
• Código antes que texto: si puedes resolver una tarea con una expresión regular sencilla, una consulta a la base de datos o una función utilitaria limpia, no uses un LLM para ello. Reserva el razonamiento del LLM estrictamente para el análisis semántico y la síntesis.
• Versiona tus promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →: trata las instrucciones de sistema como código. Guárdalas en control de versiones (git), ejecuta evaluaciones de regresión automatizadas con cada actualización y pruébalas en varios endpoints de modelos.

---

Perspectivas de futuro: los promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → como representación intermedia (IR)

A medida que evolucionen los frameworks de agentes, las personas escribiremos menos promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More →. Los promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → se convertirán en una representación intermedia (IR, por sus siglas en inglés): un conjunto de instrucciones de bajo nivel generado automáticamente por compiladores y frameworks.

Sistemas como DSPy (Declarative Self-Improving Language Programs) ya demuestran este concepto. En lugar de escribir promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → a mano, defines la estructura de un programa (entradas, salidas y módulos) y aportas un pequeño conjunto de ejemplos de entrenamiento. Después, el framework compila el programa y genera, prueba y optimiza automáticamente los promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → para tu modelo concreto mediante optimización con restricciones.

En ese futuro, escribir promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → a mano se sentirá como escribir lenguaje ensamblador a mano. Seguirá siendo útil para depurar a bajo nivel o ajustar el rendimiento, pero la mayoría de los desarrolladores escribirá lógica de alto nivel, esquemas y aserciones, y dejará la compilación de instrucciones en manos de los frameworks.

---

Enlaces internos

• Para ver cómo las interfaces estandarizadas sostienen una arquitectura de sistemas modular, lee MCP será el USB-C de las aplicaciones de IA.
• Si buscas consejos para mantener la cobertura de pruebas y la validación en el desarrollo asistido por IA, revisa Cómo validar el código de la IA: 8 principios para desarrolladores en solitario.
• Conoce las herramientas prácticas que están transformando la experiencia de los desarrolladores en Claude Code vs Cursor: análisis a fondo de quien construye con ambos.

Referencias externas

• Explora los esquemas estructurados y la gestión de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → en el OpenAI Developer Blog.
• Lee sobre compiladores de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → que se mejoran a sí mismos y artículos de investigación en el Stanford NLP Group.
• Revisa patrones de desarrollo para construir agentes robustos en Vercel AI SDK Docs.

---

Lo que cambió mi perspectiva

En 2024 pasé dos semanas optimizando un prompt de sistema para una funcionalidad de clasificación de nuestro producto. Retoqué adjetivos, añadí ejemplos few-shot e incluso probé a decirle al modelo que "mi trabajo depende de esta respuesta". El rendimiento llegó al 92 % de precisión y me sentí un genio.

Un mes después, el proveedor actualizó el modelo. Nuestra precisión cayó al 78 % y nuestro parser de JSON empezó a lanzar errores de sintaxis porque, de repente, el modelo añadía un texto introductorio cortés.

En ese momento me di cuenta de que la ingeniería de promptsPrompt EngineeringLa práctica de estructurar, refinar y optimizar las entradas de texto para indicarle a los modelos de IA generativa que produzcan los resultados deseados.Read More → era una ilusión. Había pasado semanas ajustando los parámetros de una caja negra caótica en lugar de construir software robusto.

Tiramos el prompt monolítico y lo sustituimos por una máquina de estados sencilla de tres pasos, con imposición de esquemas y un análisis estricto de las entradas. El código creció unas cuantas decenas de líneas, pero el prompt se redujo a una sola frase. La precisión subió al 98 % y se mantuvo ahí, incluso cuando actualizamos el modelo. Entendí que la solución a la inestabilidad de los modelos nunca es un mejor prompt; es una mejor arquitectura.