La mayor parte de la ingeniería de prompts se centra en la precisión y la cobertura de instrucciones. Las mayores mejoras en producción surgen al tratar el diálogo como el principal problema de diseño.
Especificar intenciones de detonante y acción orienta al modelo sobre cómo decidir, en vez de darle un guion del que no pueda escapar. La posición dentro de un prompt es una instrucción en sí misma. La identidad va primero; los matices de comportamiento, en el medio; y las restricciones estrictas, al final. Todo lo verdaderamente crítico aparece en ambos extremos.
Escribir el prompt con la voz deseada, en vez de describirla, es uno de los cambios de mayor impacto que pueden hacerse.
Los agentes más coherentes tienen prompts que tratan los distintos momentos conversacionales como interacciones independientes, cada una con su forma adecuada, pero mantienen una voz reconocible en todo momento.
En algunos casos, separar a los agentes que piensan de los que hablan produce respuestas más coherentes y fundamentadas, y evita que el razonamiento interno se filtre en ellas.
Anteriormente presentamos un nuevo paradigma para el diseño de prompts basado en hallazgos de la lingüística y la psicología cognitiva. Explicamos la importancia de crear un espacio del problema claro y bien delimitado en el que pueda operar nuestro agente, y cómo este debe abarcar la metatarea del diálogo inherente a la IA de atención al cliente.
Ahora veremos algunas formas prácticas en que nuestros prompts han empezado a cambiar al llevar estos principios a producción.
Tras cientos de iteraciones de prompts en sistemas de atención al cliente en producción, las mayores mejoras no han surgido de agregar instrucciones, acumular ejemplos ni seguir las normas habituales de la ingeniería de prompts. Han surgido de adoptar el diálogo como el centro del problema.
La exploración y las pruebas continuas revelaron varias técnicas eficaces. Cambiábamos un prompt y observábamos dónde funcionaba o fallaba la conversación, para rastrear los errores hasta la eficacia de las indicaciones, la estructura del prompt y nuestro uso del lenguaje. El resultado es un conjunto reducido de patrones repetibles que cambian cómo interpreta el agente su rol en la conversación, cómo decide su siguiente paso y con qué constancia mantiene la voz ante cambios de contexto.
Lo que sigue no es un marco universal ni una afirmación de que el diseño de prompts ya esté “resuelto”. Es la síntesis en cinco patrones de lo que funcionó en producción cuando el objetivo no era solo la precisión funcional, sino un mejor diálogo: respuestas coherentes, naturales y lo bastante uniformes como para representar una marca.
Aunque hay muchas formas de estructurar un sistema basado en agentes, los flujos de trabajo orquestados con varios agentes siguen siendo populares. En estos sistemas en particular, la mejora más constante que logramos fue separar a los agentes que piensan de los que hablan.
La orquestación de intenciones, la clasificación, la extracción de conocimientos y el uso de herramientas son operaciones internas. Las respuestas dirigidas al cliente corresponden a la capa de atención. Cuando el mismo agente hace ambas cosas en un solo turno, el razonamiento y la lógica internos pueden filtrarse en las respuestas. Las respuestas se vuelven evasivas, están llenas de salvedades o se estructuran en torno a la lógica del proceso, en vez de responder a las necesidades de la persona.
Esa única restricción logra mucho más de lo esperado. Mantiene las respuestas ancladas en la conversación real, evita que se reinicie el contexto y produce algo más cercano a lo que llamamos “aportar la diferencia”. En última instancia, el agente solo agrega el mínimo elemento nuevo que realmente ayuda al usuario a avanzar.
También importa decidir qué tipo de respuesta dar. Descubrimos que pedirle al agente que habla que elija un tipo de intervención antes de escribir —responder, aclarar, redirigir o pausar— reducía de forma sistemática el error conversacional más común: no una mala redacción, sino dar una respuesta totalmente equivocada.
Vale la pena señalar que, en las condiciones adecuadas, los modelos de vanguardia más recientes empiezan a cuestionar la premisa de este patrón. Aun así, muchos desarrolladores siguen usando modelos más pequeños o antiguos por distintos motivos. En esos contextos, sin duda recomendamos separar las operaciones internas de la atención al cliente.
En los modelos sin razonamiento, los ejemplos con pocos ejemplos funcionan porque son concretos, rápidos y los modelos responden bien a ellos. El problema es el sobreajuste. Si le das un ejemplo a un modelo, se aferra a las palabras, al ritmo y a la estructura, y sigue produciendo variaciones muy similares de la misma respuesta aunque la situación haya cambiado.
Sin querer, escribiste un guion del que el modelo no puede escapar.
Las intenciones de implementación o heurísticas son una alternativa más duradera. En lugar de mostrarle al modelo qué decir en situaciones específicas, proporcionamos un par más general de detonante y acción: si ocurre X, haz Y.
La diferencia clave es que, en lugar de acotar X e Y ejemplo por ejemplo y volverlos cada vez más rígidos, delimitamos cada uno mediante una instrucción tan precisa que los ejemplos se vuelven innecesarios. Así, el agente responde a la variación real de las conversaciones en vez de limitarse a buscar coincidencias con una plantilla.
En la práctica, esto se parece menos a una serie de ejemplos y más a reglas prácticas ejecutables:
Si falta un dato clave, haz una sola pregunta aclaratoria.
Si la respuesta no tiene respaldo, dilo directamente y ofrece el mejor siguiente paso disponible.
Si la solicitud activa una medida de protección, recházala brevemente y redirige sin formalidades.
No es glamoroso, pero es mucho más sólido que una biblioteca de respuestas de ejemplo, porque enseña al modelo a decidir en vez de indicarle qué repetir.
La posición de un elemento dentro de un prompt determina cuánto peso tiene. Es un patrón constante que hemos observado en distintos modelos e implementaciones. El principio y el final de un prompt destacan de manera desproporcionada. En el medio quedan los matices, que es precisamente donde deben estar.
Estructuramos nuestros prompts con esto en mente. El rol y la identidad del agente van al principio para establecer quién es antes que nada. La parte central contiene los detalles de comportamiento: cómo es probable que avance la conversación, las heurísticas que guían las respuestas y la variedad de situaciones que el agente debe manejar. Las restricciones estrictas y los puntos innegociables van al final, donde quedan “más presentes”.
Todo lo que sea verdaderamente crítico lo ponemos en ambos lugares. Una regla específica sobre el resultado, como una instrucción estricta de puntuación o formato, puede perderse fácilmente si aparece una sola vez en medio de un prompt denso. Si se repite al final, se mantiene.
En cuanto al efecto de lo más reciente, cabe señalar que los resultados estructurados, cuando se usan, son en la práctica la última instrucción del prompt. Los campos de descripción de tus resultados estructurados influyen cualitativamente en las respuestas y crean un contrato de salida más sólido que el resto del prompt.
También aprendimos a no usar ejemplos con pocos ejemplos para definir el tono de voz, y este es uno de los cambios de mayor impacto que hemos hecho en nuestros agentes de atención al cliente.
En su lugar, escribimos todo el prompt con la voz deseada. No una descripción de la voz ni un conjunto de adjetivos que se le aproximen, sino la voz real, en prosa y de principio a fin. El prompt se convierte en la demostración. A esto lo llamamos “antiguion”: guiar al modelo para que imite el texto de entrada y, a la vez, permitirle usar una gama más amplia de expresiones y frases que estén dentro del mismo “terreno” que el propio prompt.
Así usamos prompts para generar variedad sin perder una voz coherente. Forma parte de nuestra estrategia para situar el diálogo en el centro de la tarea de cualquier agente sin tener que dedicarle instrucciones explícitas, que procuramos reducir al mínimo.
Si usamos ejemplos explícitos sobre el tono de voz, muestran “qué no hacer”. Por ejemplo: “Nada de rayas. Nunca. Nada de clichés. No recites políticas. No des explicaciones excesivas cuando una sola oración baste para resolver el asunto”. Las restricciones negativas son más precisas y menos limitantes que las aspiraciones positivas, porque identifican los errores hacia los que el modelo tiene más probabilidades de desviarse.
El formato también importa y determina el tono de la respuesta. Un prompt lleno de viñetas, encabezados e instrucciones entre corchetes orienta al modelo hacia un resultado más organizado y clínico. Si el resultado debe sentirse como una conversación, la entrada no debería parecer un documento de especificaciones abreviado.
La mayoría de los prompts sobre el tono terminan reduciéndolo a la personalidad. Se proporciona un conjunto de adjetivos para describir cómo debería sonar el agente. Cálido. Profesional. Amable, pero conciso. Estas cualidades no están mal, pero lo que realmente determina cómo se percibe una voz en una conversación es el registro: cómo se comporta una misma personalidad en situaciones sociales distintas.
Un mensaje de espera mientras se procesa una consulta no debería sonar como una respuesta definitiva. Una respuesta de protección no debería tener la misma energía que una charla informal. Un cliente frustrado no debería recibir el mismo grado de encanto o humor que uno que solo está explorando.
Esta es la diferencia entre la voz de marca y el diseño conversacional. La voz de marca suele describir la personalidad; el diseño conversacional decide cómo se comporta cuando cambian las circunstancias. Hacerlo bien significa que no somos simples redactores que trabajan en resultados de IA. Diseñamos cómo se desenvuelve una voz a lo largo de una conversación.
Notarás que ninguno de estos patrones es técnicamente complejo. En parte, esa es la idea. La arquitectura de un sistema basado en agentes importa, pero para lograr conversaciones de calidad tendrás que dedicar mucho tiempo al diseño y perfeccionamiento de tus prompts.
La brecha entre una IA meramente funcional y una verdaderamente conversacional no se cierra con diseño técnico, sino comprendiendo mejor cómo funcionan el lenguaje y la atención en el diálogo humano y situando el diálogo en el centro del problema que deben resolver tus agentes.
Para los equipos de productos de IA, los ingenieros y los diseñadores de experiencias, el diseño conversacional merece el mismo rigor que la excelencia técnica en la IA de atención al cliente. Para quienes están al otro lado de estas conversaciones, no existe el modelo, la colaboración entre varios agentes ni la llamada a una herramienta: solo existe una interacción que se siente adecuada o no. Una interacción que genera confianza o la deteriora.
Al final, nadie experimenta la arquitectura. Experimenta la conversación.
La conversación es el producto.