En los últimos años, la conversación en torno a la inteligencia artificial generativa estuvo dominada por el prompt engineering: el arte de dar instrucciones precisas para obtener respuestas relevantes. Aprender a hablarle al modelo era, en muchos casos, más importante que lo que se quería decir. Pero ese paradigma está empezando a cambiar.
Según el ingeniero alemán Phil Schmid, la habilidad verdaderamente decisiva no está en el prompt, sino en todo lo que lo rodea: el contexto. Así lo sostiene en un artículo publicado en su blog personal, donde presenta lo que él llama ingeniería de contexto —una disciplina emergente que, asegura, será clave en el desarrollo de agentes conversacionales más eficientes y confiables.
Phil Schmid es líder técnico en Hugging Face, una de las compañías más influyentes en el ecosistema de la inteligencia artificial abierta. Su trabajo se enfoca en el desarrollo de modelos, pero también en la forma en que los humanos interactúan con ellos. Desde esa doble perspectiva técnica y experiencial, Schmid sostiene que la mayoría de los errores que hoy cometen los agentes de IA no provienen del modelo en sí, sino de fallas en el diseño del contexto con el que se alimenta al sistema antes de hacerle una pregunta.
Para justificar su tesis, Schmid cita una definición del empresario y desarrollador canadiense Tobi Lutke, CEO de Shopify, que publicó en X (antes Twitter) una frase que condensa con precisión esta nueva idea: “La ingeniería de contexto es el arte de proporcionar todo el contexto para que la tarea sea plausiblemente resoluble por el modelo”. Schmid la recupera no como una declaración técnica, sino como una forma de describir un cambio de mentalidad: ya no se trata de optimizar las palabras, sino de construir las condiciones para que esas palabras tengan sentido.
Ahora bien, ¿qué se entiende por contexto? Schmid ofrece una definición amplia, que excede el texto inmediato del prompt. Incluye el system prompt (las instrucciones base que configuran el comportamiento del modelo), el historial de conversación, la memoria a largo plazo (con datos guardados sobre el usuario), información recuperada de fuentes externas —como bases de datos o documentos—, herramientas disponibles (como APIs o funciones programadas), y hasta la estructura esperada de la respuesta (por ejemplo, si se necesita un JSON o un correo redactado). Todo eso, en conjunto, es lo que el modelo tiene delante cuando debe actuar.
La diferencia, como suele pasar en estos casos, se nota mejor con un ejemplo. Si alguien le pide a un asistente: “¿Podrías agendar una reunión mañana?”, un sistema sin contexto apenas podrá responder algo genérico: “Claro, ¿a qué hora te viene bien?”. En cambio, si ese mismo sistema cuenta con acceso al calendario del usuario, al hilo de correos previos, a la disponibilidad del interlocutor, y además tiene las herramientas para enviar una invitación, la respuesta puede ser más parecida a esto: “Hola, Jim, mañana tengo la agenda completa. El jueves por la mañana estoy libre, ¿te sirve? Si me confirmas, te mando la invitación”. No cambió el modelo. Cambió lo que el modelo sabía antes de responder.
La ingeniería de contexto propone construir agentes que no necesiten adivinar. Para lograrlo, el énfasis ya no está en escribir prompts ingeniosos, sino en diseñar entornos de información —sistemas que ensamblen los datos pertinentes, con el formato adecuado, en el momento justo, para que el modelo pueda trabajar con claridad.
El paso del prompt al contexto marca, en cierto modo, una maduración. Mientras que el prompt engineering requería sobre todo intuición y prueba y error, la ingeniería de contexto exige una mirada más estructural. Se trata de pensar cómo fluye la información, qué necesita el modelo, cómo se organiza esa entrada, qué herramientas están disponibles y cuáles sobran. Es un trabajo técnico, sí, pero también conceptual: demanda entender el propósito del agente, el entorno donde va a operar y las decisiones que debe tomar.
La inteligencia artificial actual ya no está limitada por su capacidad de procesamiento, sino por la forma en que se la alimenta. De ahí que Schmid afirme que la calidad del contexto es el factor que más incide hoy en el éxito o fracaso de un agente. No es una exageración: a medida que las tareas se vuelven más complejas y las aplicaciones más sensibles, el modelo necesita algo más que una orden. Necesita comprender de qué se trata todo esto.
Pensar en contexto, entonces, es pensar en profundidad. Y si las herramientas de IA van a ocupar un lugar cada vez más presente en la vida cotidiana —en el trabajo, en la educación, en la administración—, será indispensable que sepan no sólo responder, sino entender de qué les estamos hablando incluso antes de que empecemos a hablar.
PUBLICIDAD