Redactar instrucciones claras para modelos es la nueva competencia organizacional

El problema no es la herramienta, es cómo la usas

Una misma suscripción a ChatGPT puede rendir resultados brillantes en un equipo y respuestas mediocres en otro. No es misterio: la diferencia está en cómo se le habla al modelo. Así como un jefe que dice "haz un informe" recibe un documento genérico, quien pide contexto, tono y formato obtiene un entregable accionable.

OpenAI es clara: los modelos responden mejor cuando las instrucciones van al inicio, separadas del contexto con símbolos como ###, y cuando se especifica formato, extensión y estilo. Por ejemplo, en vez de "resume este texto", pide: "Resume este texto en 5 viñetas, priorizando datos financieros". La diferencia es abismal.

Thoughtworks va más allá con un framework simple: Rol, Tarea, Contexto, Expectativa. "Como analista de riesgos (rol), evalúa esta cartera (tarea), considerando la inflación local (contexto), entrega una matriz de riesgo con 3 niveles (expectativa)". Este método fuerza la claridad y reduce la ambigüedad, especialmente en tareas técnicas complejas.

MIT Sloan añade otra capa: la conversación continua. Los modelos recuerdan el contexto dentro del chat. Si el primer prompt establece el marco, puedes refinar con "hazlo más conciso" o "ahora desde la perspectiva de un gerente de operaciones" sin repetir todo. Además, distinguen entre prompts zero-shot (sin ejemplos) y few-shot (con 2-3 ejemplos), siendo estos últimos ideales para estandarizar formatos internos.

El costo oculto de las instrucciones vagas

Cada prompt mal redactado no solo genera una respuesta inútil: consume tiempo de revisión, desgasta la confianza del equipo y alimenta el mito de que "la IA no sirve". La guía alemana del Zukunftszentrum KI lo explica con una analogía perfecta: el modelo de lenguaje no busca en una base de datos; construye la respuesta palabra por palabra según lo que recibe. Sin instrucciones claras, el resultado es estadísticamente probable pero casi nunca útil.

Para una empresa en México, Colombia o Chile, esto tiene una implicación directa de presupuesto. Las licencias de IA generativa ya son un gasto fijo. La pregunta no es si la herramienta vale la pena, sino si el equipo está capacitado para extraerle valor. Un estudio interno de McKinsey de 2024 (presentado en el material de referencia) muestra que las empresas que invierten en capacitación de prompting ven retornos 3 veces mayores que las que solo compran licencias.

Tres prácticas para implementar esta semana

• Crea una biblioteca de prompts corporativos: que cada departamento documente sus mejores instrucciones con ejemplos reales de su contexto. Un prompt para generar un informe de ventas en pesos mexicanos, con formato específico, se reutiliza cientos de veces.
• Establece un estándar de claridad: exige que todo prompt incluya rol, audiencia, objetivo y formato de salida. No hace falta un manual de 50 páginas; una plantilla simple es suficiente.
• Itera en conversación, no en prompts aislados: los modelos premian el refinamiento progresivo. Primero define el marco, luego ajusta tono, luego profundiza en secciones específicas. Es un diálogo, no una orden única.

El futuro: menos recetas, más problemas bien definidos

MIT Sloan lanza una advertencia importante: algunos expertos creen que el prompt engineering tradicional perderá relevancia a medida que los modelos se vuelvan más inteligentes y agenticos. El verdadero skill emergente es la formulación de problemas: saber definir qué necesitas resolver antes de escribir cualquier instrucción.

Para las empresas latinoamericanas, esto es una oportunidad. No necesitan esperar a tener equipos de data science sofisticados. La habilidad de traducir un problema de negocio ("¿cómo reducir el churn en clientes de banca digital?") en una solicitud estructurada y accionable para una IA es una ventaja competitiva que se desarrolla con práctica y documentación.

El riesgo de ignorar las limitaciones

El material de referencia también advierte sobre las alucinaciones: modelos que generan información falsa con total confianza. En entornos regulados como los de México o Brasil, donde las normativas de protección de datos son cada vez más estrictas, un dato inventado en un reporte generado por IA puede tener consecuencias legales. La regla: los resultados siempre deben ser verificados por un humano, y los datos sensibles no deben compartirse en herramientas gratuitas sin autorización.

El prompt engineering no es un curso opcional; es una competencia básica para cualquier profesional que use IA. Las empresas que lo entiendan convertirán sus suscripciones en ventaja real, mientras las demás seguirán culpando a la herramienta por su propia falta de claridad.