Del prompting a la ingeniería de contexto: 6 técnicas prácticas que ahorran horas de ajuste de respuestas

• Coste del cirílico en tokens: entre 2 y 3 veces superior al del texto en inglés (1 token en EN ≈ 4 caracteres)
• Límite práctico de la ventana de contexto: hasta 1 millón de tokens en los modelos insignia, pero con degradación de la atención en el tramo central
• Óptimo para ejemplos few-shot: exactamente 2–3 muestras (con 10 ejemplos, el modelo copia ruido superficial)
• Ciclo de ajuste en el diálogo: 5–6 iteraciones consecutivas desde el borrador hasta el documento final

Desde 2023, cuando empezamos a llevar la producción editorial de Alpina hacia la IA y convertimos el desarrollo interno de AlpinaGPT en un producto corporativo externo, por mis manos han pasado miles de consultas de usuarios. El panorama es el mismo en todas partes: dos empleados abren el mismo modelo de última generación, pero el primero recibe una respuesta vacía y burocrática, mientras que el segundo, en tres minutos, obtiene un análisis financiero completo o un dictamen jurídico listo para usar.

Para controlar el resultado, hay que entender la física del proceso. Un modelo de lenguaje con un billón de parámetros funciona como un gigantesco predictor probabilístico: un T9 mejorado, entrenado con miles de millones de textos. No «conoce» los hechos en el sentido humano, sino que calcula la continuación más probable de una cadena de tokens.

En inglés, un token equivale a unos cuatro caracteres, mientras que el cirílico se fragmenta de forma mucho más fina y cuesta entre 2 y 3 veces más en presupuesto y memoria. Aunque las ventanas de los modelos insignia de Claude, GPT y Gemini han crecido hasta el millón de tokens, cuando se llena el chat hasta el límite, el modelo empieza a perder datos de la parte central del documento.

¿Por qué la ingeniería de contexto desplazó en 2026 la búsqueda de

«palabras mágicas»?

Los analistas de Gartner y los ingenieros de Anthropic consideran que el principal cambio de 2026 es el paso de la elección clásica de palabras al context engineering: la construcción del entorno informativo alrededor de una tarea. Si alguien dice la frase «En el bosque nació un pequeño árbol...», cualquier hispanohablante familiarizado con la canción la completará al instante, porque el contexto cultural ha reducido drásticamente las opciones. Sin contexto, una red neuronal extrae su respuesta de la nube de significados más amplia y promediada de internet.

Un buen prompt funciona como el cincel de un escultor: elimina las ramas probabilísticas innecesarias y deja al modelo solo un pasillo estrecho hacia las soluciones que realmente necesitas. En mi práctica, esto se traduce en dos técnicas básicas:

1. La fórmula de consulta de cinco componentes: Rol (quién responde y con qué experiencia), Contexto (detalles del acuerdo, parámetros del cliente, antecedentes), Tarea (un verbo de acción con una cifra: «extrae 5 condiciones y evalúa 3 riesgos»), Formato (tabla, lista, propuesta de exactamente 200 palabras) y Restricciones («sin lenguaje burocrático, estrictamente según el archivo adjunto»). Si se proporciona siquiera un contexto detallado —por ejemplo, «cliente con una facturación de 500 millones de rublos en el plan base, redactamos una propuesta comercial para el director financiero sobre procesamiento de pagos con cálculo de ahorro»— el modelo entrega de inmediato un documento utilizable.

2. Carga completa de contexto: antes de plantear la tarea, alimento al modelo con la normativa original, la correspondencia y las tablas en su totalidad, de modo que la asimetría de información entre yo y la red neuronal se reduzca a cero.

¿Cómo funcionan la cadena de razonamiento, los ejemplos few-shot y la

delimitación por rol?

Cuando la tarea exige un análisis complejo o un estándar corporativo estricto, entran en juego estas tres técnicas:

• Cadena de razonamiento paso a paso (Chain-of-Thought): si se le pide directamente al modelo que «evalúe la campaña publicitaria», se obtiene un inútil «la eficiencia es alta». En cambio, yo marco una ruta estricta: «paso 1, compara el alcance con el presupuesto; paso 2, calcula la conversión de cada etapa del embudo; paso 3, compáralo con los indicadores del sector; paso 4, formula un veredicto». La lógica se vuelve transparente: si se desliza un error en el segundo paso, se detecta de inmediato.
• Calibración con 2–3 ejemplos (few-shot): para tareas simples de clasificación basta con una instrucción sin ejemplos (zero-shot). Pero cuando se necesita un formato específico para un informe corporativo o un tono de marca, es más fácil mostrar una referencia. Una regla empírica importante: el óptimo es exactamente 2–3 muestras. Si se cargan 10 ejemplos en el prompt, el modelo se sobreajusta sobre la marcha y empieza a copiar detalles aleatorios, como la longitud de los párrafos o las frases de transición, en lugar de captar la esencia de la estructura.
• Enfoque por rol: asignar un rol («eres un abogado especializado en contratos» o «eres el director comercial de un integrador B2B») no añade nuevo conocimiento a los pesos del modelo, pero cambia el registro léxico y el ángulo de ataque: el modelo empieza a ver el texto a través del prisma del riesgo o de la rentabilidad.

¿Qué hacer en la práctica si no se logra formular una consulta

compleja a la primera?

Para tareas atípicas utilizo una sexta técnica, el metaprompting, en la que la propia red neuronal diseña el prompt para el modelo de destino. Hace poco, en un taller, una participante preguntó cómo restaurar planos y fachadas de edificios de hace doscientos años. Abrimos Gemini y planteamos la tarea: «Escribe un prompt detallado en inglés para el modelo gráfico Nano Banana Pro orientado a la restauración arquitectónica de planos antiguos de fachadas, preservando las proporciones». El modelo generó un encargo técnico preciso con terminología profesional que, desde la primera ejecución, dio un resultado visual limpio.

Y la regla principal del diálogo: una investigación de Anthropic confirma que la mayoría de los usuarios abandonan el chat después de la primera respuesta. Hay que trabajar con un LLM como con un analista en vivo, a lo largo de 5–6 iteraciones: aceptar el borrador, corregir la estructura, reforzar la argumentación y pulir la redacción. Reunimos bibliotecas de estos prompts de varios pasos junto con los alumnos de [Hamidun Academy](https://academy.hamidun.com) y las probamos en problemas reales de negocio en [Vibe Club](https://hamidun.com/club).