Los prompts ayudan, los sistemas escalan

La mayoría de las empresas conoció la IA a través de una caja vacía y un cursor parpadeante. Lo que salía dependía de lo que entraba, así que la gente aprendió a escribir prompts. Algunos se volvieron muy buenos. Sus compañeros les pedían las palabras mágicas, esas palabras se pegaban en documentos y chats, y nació un nuevo tipo de folclore.

Escribir prompts importa, y vale la pena hacerlo bien. Pero una empresa no puede funcionar con folclore. Esto es lo que hace bueno a un prompt, lo que recomiendan los propios laboratorios y por qué las empresas que más sacan de la IA dejan de depender de prompts ingeniosos.

Un prompt malo y uno bueno

Tomemos una petición que hace todo equipo de marketing. La versión mala dice: escribe un post de LinkedIn sobre nuestro nuevo servicio.

El modelo no tiene nada con lo que trabajar, así que escribe el post de LinkedIn promedio sobre el servicio promedio, con una pregunta de apertura, una fila de emojis y una llamada a la acción. No está mal. No es de nadie.

La versión buena dice quién escribe y para quién, qué es el servicio y cuánto cuesta, qué debe hacer el lector a continuación, cuánto puede durar el post y qué palabras no usa nunca la empresa. Incluye dos posts anteriores que funcionaron, marcados como ejemplos. Y explica el porqué: el post va dirigido a responsables de finanzas escépticos con la IA, así que debe abrir con un dato, no con una promesa.

El segundo prompt es mucho más largo y mucho más probable que dé un borrador aprovechable. La diferencia no es el ingenio. Es el contexto.

Lo que recomiendan los laboratorios

Las guías oficiales de los tres grandes laboratorios dicen más o menos lo mismo.

La guía de Anthropic para Claude pide «pensar en Claude como un empleado brillante pero nuevo, al que le falta contexto sobre tus normas y tus flujos de trabajo». Su regla de oro: «Enséñale tu prompt a un colega que tenga el mínimo de contexto sobre la tarea y pídele que lo siga. Si se confundiría, Claude también». Muestra además por qué las razones valen más que las órdenes. En lugar de escribir en mayúsculas «nunca uses puntos suspensivos», explica que la respuesta la leerá en voz alta un motor de texto a voz que no sabe pronunciarlos. El modelo generaliza a partir de la razón.

La guía de OpenAI recomienda dar al modelo el contexto que necesita y ejemplos de posibles entradas con las salidas deseadas, en una gama diversa. Describe el prompting como «una mezcla de arte y ciencia».

La guía de Google para Gemini recomienda incluir siempre algunos ejemplos y advierte de que los prompts sin ellos probablemente sean menos eficaces. Para las tareas complejas sugiere convertir cada paso en su propio prompt y encadenarlos. Y es sincera sobre el proceso: «La ingeniería de prompts es iterativa».

Por qué los prompts no escalan

Vuelve a leer esas guías y fíjate en lo que dan por supuesto: alguien que conoce las normas de la empresa, tiene a mano los ejemplos adecuados y dispone de tiempo para iterar. En la mayoría de los equipos eso describe a unas pocas personas, en un buen día.

Todos los demás copian un prompt de un chat, cambian una palabra y obtienen un resultado distinto. El prompt que funcionó en primavera se comporta de otra manera tras una actualización del modelo. Dos equipos mantienen dos versiones, con reglas que se contradicen. Una de las propias guías de prompting de OpenAI advierte de que las instrucciones contradictorias o vagas pueden hacer más daño a un modelo de razonamiento, porque gasta esfuerzo en intentar conciliarlas. Su ejemplo es un asistente sanitario al que se le dice a la vez que nunca reserve una cita sin el consentimiento registrado del paciente y que reserve el primer hueco sin contactar antes con el paciente.

Por eso OpenAI trata los prompts como software. Su guía indica a los desarrolladores que guarden los prompts de producción en el código de su aplicación, que fijen las aplicaciones a versiones concretas del modelo y que construyan pruebas y baterías de evaluación que midan cómo se comportan los prompts. Es lo contrario de una biblioteca de prompts en un documento compartido.

El coste se nota en los resultados. La iniciativa NANDA del MIT informó el año pasado de que solo un 5 por ciento de los pilotos de IA que estudió logró una aceleración rápida de los ingresos. Fortune resumió la causa como una brecha de aprendizaje: las herramientas genéricas se atascan dentro de las empresas porque no aprenden de la forma en que se hace el trabajo ni se adaptan a ella.

De los prompts a los sistemas

Los propios laboratorios han sacado la conclusión. Anthropic habla ahora de ingeniería de contexto en lugar de ingeniería de prompts: seleccionar todo lo que ve el modelo, no solo la instrucción, y encontrar el conjunto más pequeño posible de tokens de alta señal que haga probable el resultado correcto. Sus ingenieros advierten de dos modos de fallo: por un lado, una lógica frágil codificada a mano dentro de los prompts, y por otro, una orientación vaga que no da al modelo nada concreto.

La respuesta práctica son los skills. Anthropic los describe como «carpetas organizadas de instrucciones, scripts y recursos» que un agente carga cuando los necesita, y compara escribir uno con «preparar una guía de incorporación para una persona recién contratada». En una publicación sobre diseño, la misma compañía escribió que los skills hacen reutilizables y contextuales los prompts eficaces, de modo que nadie tiene que repetir la misma orientación en cada petición. Desde diciembre de 2025, el formato es un estándar abierto.

Un skill es un buen prompt que se ha escrito una sola vez, con sus razones, sus ejemplos y sus comprobaciones, se ha probado y se ha puesto donde todos los asistentes de la empresa puedan encontrarlo. Añade el conocimiento de la empresa, sus reglas y sus conexiones con los sistemas reales, y tienes un cerebro de la empresa. Entonces la calidad ya no depende de quién escriba.

Cómo ayudamos

Este es el trabajo que hay detrás de Twin. Averiguamos cómo funciona realmente una empresa, mejoramos el proceso donde hace falta y luego construimos su cerebro: conocimiento con la fuente en cada respuesta, skills para cada rol escritos según las convenciones de la empresa, integraciones con sus sistemas, y reglas y permisos por rol. Funciona en el asistente que el equipo ya usa, Claude, ChatGPT o Codex, y la empresa recibe el código fuente.

Sin Twin, cada prompt parte de cero y la calidad depende de quién pregunta. Con Twin, cada respuesta parte de la empresa, con un único estándar en cada mesa.

En crue trabajamos del mismo modo: más de 80 skills y un cerebro para cada uno de nuestros productos, en Claude y ChatGPT y en nuestro propio hardware con nuestro propio modelo. Cuando los datos son demasiado sensibles para salir del edificio, está Eigna, creado por nuestro socio Eigna Labs: un modelo privado entrenado con los archivos, las reglas y el lenguaje de la propia empresa, que funciona en su propia nube o en sus propios servidores y se reentrena por etapas que solo se ponen en marcha cuando superan mejor las pruebas.

Lo que puede hacer una empresa

Sigue escribiendo buenos prompts y aprende lo básico en las guías de arriba. Después reúne los diez prompts que realmente usan tus mejores personas y pregunta qué sabe cada uno que el modelo no sabe. Escríbelo una sola vez: el contexto, las razones, los ejemplos, las reglas y la comprobación del final. Dale a cada uno un responsable y una prueba, y ponlo donde todos los asistentes puedan alcanzarlo. Eso es un skill.

Queremos que la máquina se encargue de lo rutinario, de los primeros borradores y de las consultas, y que lo haga más rápido y con más coherencia que cualquiera de nosotros. El criterio, el contacto personal con los clientes y la responsabilidad de lo que se envía se quedan con las personas, y un buen sistema les da más tiempo para justo eso.

Un prompt ingenioso hace más rápida a una persona. Un sistema mejora a toda la empresa y sigue funcionando cuando la persona ingeniosa se ha ido a casa.