IA con sentido: la nueva clave está en el contexto, no en la pregunta

Durante años, el centro de la conversación en torno a la inteligencia artificial generativa fue el “prompt engineering”, es decir, el arte de formular instrucciones precisas para obtener respuestas útiles. Saber qué palabras usar y cómo escribirlas parecía más importante que el contenido mismo de la pregunta. Pero este enfoque empieza a ceder ante una visión más amplia: lo que realmente marca la diferencia ya no es el cómo se pregunta, sino qué sabe la IA antes de que se le pregunte.

Esta nueva perspectiva, llamada “ingeniería de contexto”, propone un cambio de paradigma. No se trata de optimizar fórmulas mágicas ni encontrar la redacción perfecta, sino de construir el entorno adecuado para que el modelo de IA pueda responder con conocimiento de causa.

Phil Schmid, ingeniero alemán y líder técnico en Hugging Face —una de las compañías clave en el desarrollo de modelos de inteligencia artificial abiertos—, es uno de los impulsores de esta visión. Desde su experiencia técnica y práctica, afirma que la mayoría de los errores de los asistentes de IA no se deben a fallos del modelo, sino a un mal diseño del contexto que lo rodea.

Cuando hablamos de “contexto”, no se refiere solo a las palabras que contiene el prompt. Incluye muchos otros elementos: el historial de conversación, las instrucciones base que definen cómo debe comportarse el modelo, la información previa sobre el usuario, documentos externos, bases de datos, APIs disponibles, e incluso el tipo de respuesta esperada (como un resumen, un correo o un código). Todo eso forma el “entorno informativo” que alimenta al modelo antes de actuar.

La diferencia se percibe mejor con un ejemplo. Si alguien le dice a un asistente “agenda una reunión mañana”, un sistema sin contexto responderá algo vago como “¿a qué hora?”. Pero si el asistente tiene acceso al calendario del usuario, sabe con quién suele reunirse, conoce los correos recientes y puede enviar invitaciones, la respuesta puede ser: “Mañana tengo ocupado todo el día. El jueves a las 10 am estoy libre. ¿Te agendo con Mariana y Felipe como la vez pasada?”. No cambió el modelo, cambió lo que sabía.

La ingeniería de contexto busca precisamente eso: que la IA no tenga que adivinar, sino que entienda el panorama completo. A diferencia del prompt engineering, que requería intuición y prueba-error, este nuevo enfoque demanda una mirada estructurada. Es necesario diseñar sistemas de información que le entreguen al modelo justo lo que necesita, en el momento preciso, y con el formato adecuado.

Esto implica no solo habilidades técnicas, sino también una comprensión profunda del propósito del sistema, del entorno en el que operará y de las decisiones que deberá tomar. Por ejemplo, un agente de IA en una institución educativa mexicana no necesitará lo mismo que uno en una oficina pública o en una empresa de comercio electrónico. Cada caso exige una ingeniería de contexto propia.

Para México, donde la adopción de herramientas tecnológicas está creciendo rápidamente tanto en el sector público como en el privado, esta evolución tiene implicaciones importantes. Ya no basta con capacitarse en cómo redactar prompts. Ahora será clave desarrollar entornos digitales bien diseñados, donde la IA pueda operar con información precisa, actualizada y alineada con el contexto nacional, social y cultural.

La inteligencia artificial ha dejado de estar limitada por su potencia de cálculo. Hoy, su efectividad depende de qué tan bien entendemos lo que necesita saber. Pensar en contexto es pensar a futuro. Si queremos que la IA forme parte de la vida cotidiana de millones de personas —desde la educación rural hasta la gestión de trámites en ciudades—, debemos construir herramientas que no solo respondan, sino que realmente comprendan.

Y eso empieza, justamente, antes de hacer la pregunta.