📝 El prompt como especificación
En la automatización, el prompt no es una conversación: es código en lenguaje natural. Se ejecutará mil veces por sí solo, sin nadie que corrija la IA en tiempo real. Por eso necesita una especificación: instrucciones precisas, sin ambigüedades, que definan exactamente el comportamiento esperado.
✓ Prompt de especificación
- ✓Define el rol, la tarea y el formato exacto de salida.
- ✓Cubre los casos límite ("si no hay datos, devuelve X").
- ✓Se comporta igual en cada ejecución.
✗ Prompt conversacional
- ✗"Ayúdame a analizar esto" — es vago, depende del contexto.
- ✗No indica qué hacer cuando algo se sale de lo esperado.
- ✗Da respuestas diferentes en cada ronda.
💡 Consejo práctico
Antes de escribir el prompt, pregunta: si le diera esta instrucción a un empleado nuevo, ¿podría ejecutarla sin preguntarme nada? Si la respuesta es no, el prompt todavía tiene vacíos.
Funciona sola mil veces.
Necesitas tener certeza antes.
Cubre lo inesperado.
La misma entrada, la misma salida.
🏗️ Estructura de un prompt confiable
Una estructura fija hace que el comportamiento sea predecible: rol (quién es la IA), contexto (lo que necesita saber), tarea (qué hacer), formato de salida (cómo responder) y reglas (qué respetar). A continuación, el mismo patrón aplicado a un clasificador de pedidos.
🧾 Ejemplo de prompt estructurado
📐 Por qué funcionan las secciones con nombre
- •La IA separa la instrucción (las reglas) del dato (el mensaje del cliente) sin confundirlos.
- •Revisas y versionas cada sección de forma aislada.
- •Se convierte en una plantilla: la misma estructura sirve para cualquier clasificador.
Quién es la IA.
Qué necesitas saber.
Cómo responder.
Qué respetar.
🧾 Salida estructurada (JSON) y validación
El texto libre rompe la automatización: el siguiente paso no sabe dónde está cada dato. Forzar JSON con campos fijos e validar la respuesta antes de usarla es lo que hace que la salida de la IA sea lo bastante confiable para alimentar una acción automática.
📤 Salida JSON esperada
✅ Validación antes de usar (pseudocódigo)
⚠️ Atención
Nunca confíes ciegamente en la salida de la IA. Si el JSON viene malformado o con una categoría inventada, la validación debe rechazar y repetir (o escalar); jamás dejes que un valor no válido siga hacia una acción automática.
Campos fijos y con nombre.
Antes de usar la salida.
Valores dentro de lo permitido.
No válido → repetir o escalar.
🚧 Guardrails y fallback
La IA comete errores y alucina. Salvaguardas son los límites — lo que no puede hacer, lo que la validación rechaza. Fallback es lo que ocurre cuando no está segura: pedir confirmación, escalar a una persona o usar un valor predeterminado seguro. Juntos, impiden que un error se convierta en una acción irreversible.
Salvaguarda en el prompt
Instrucciones explícitas sobre lo que nunca debe hacer: no inventar categorías, no tomar decisiones fuera del alcance, indicar poca confianza cuando haya dudas.
Salvaguarda en la validación
Comprobación programática que rechaza salidas fuera del formato o de la lista de valores: la IA propone, el código verifica.
Fallback por confianza
Cuando la confianza está por debajo de un límite (ej.: 0.6), el flujo se desvía a revisión humana en vez de actuar por sí solo.
💡 Consejo práctico
Pídele a la IA un campo confianza en cada salida y úsalo como disparador de fallback. Es la forma más sencilla de convertir «la IA no está segura» en una decisión concreta del flujo: actuar por cuenta propia solo por encima del límite y escalar por debajo.
Qué no puede hacer la IA.
Campo que activa el fallback.
Humano cuando haya incertidumbre.
Un error no se convierte en una acción irreversible.
🔀 Lógica de ramificación basada en la IA
Aquí es donde la IA deja de ser un adorno y se convierte en el cerebro: un campo categórico de la salida JSON (p. ej.: categoría o prioridad) se convierte en la clave de un IF/switch en el flujo, dirigiendo cada caso a una acción diferente. La IA clasifica, el flujo ejecuta.
📐 Reglas de una ramificación saludable
- •Usa un campo categórico (lista cerrada) como clave; nunca texto libre.
- •Ten siempre un rama predeterminada para el caso que no coincide con ninguna opción.
- •Combina con confianza: la categoría correcta + una confianza baja aún pueden escalarse.
El flujo se ejecuta.
Campo categórico cerrado.
Rama para el resto.
Categorías + confianza.
🔁 Probar e iterar el prompt
Un prompt que acierta en un ejemplo puede fallar en diez. Arma un conjunto de casos de prueba — incluidos los difíciles y adversariales: ejecuta el prompt con todos, mide la tasa de aciertos y ajústalo hasta que se estabilice. Solo este ciclo te da confianza para dejar que la IA tome decisiones por sí sola en producción.
Reúne casos reales
Toma mensajes reales del proceso (de la auditoría de la T2), incluidos los ambiguos y los que suelen causar confusión.
Define la respuesta correcta
Para cada caso, anota cuál sería la salida correcta. Esa plantilla de referencia es la regla con la que mides el prompt.
Ejecuta, mide, ajusta
Ejecuta el prompt en todos los casos, compáralo con la respuesta correcta, calcula la tasa de aciertos y ajusta el prompt donde haya errores. Repite hasta que se estabilice.
✓ Iteración saludable
- ✓Incluye casos difíciles y adversariales desde el inicio.
- ✓Mide la tasa de aciertos antes y después de cada ajuste.
- ✓Deja de iterar cuando la tasa se estabilice, no en el primer intento.
✗ Iteración ingenua
- ✗Lo prueba solo con un ejemplo fácil y lo da por terminado.
- ✗Ajusta según tus suposiciones, sin medir si mejoró.
- ✗Corrige un caso y rompe tres sin darte cuenta.
Varios casos, no uno.
Primero, casos adversariales.
Tasa de acierto, no suposiciones.
Iterar hasta dejar de mejorar.
🎯 Resumen del módulo
Próxima Ruta de aprendizaje:
Ruta 4 · Construcción — salir del blueprint y armar la automatización de punta a punta.