Prompt engineering ya no es una profesión: es una competencia básica

En 2023, las ofertas de empleo para "prompt engineer" prometían salarios de 300 mil dólares anuales. En 2024, la mayoría de esas vacantes habían desaparecido. No porque la habilidad dejara de importar, sino porque dejó de ser una especialidad y se convirtió en algo que todos necesitan saber hacer. Es como saber usar Excel en los noventa: al principio había "especialistas en hojas de cálculo". Después, simplemente se esperaba que cualquier profesional supiera usarlo.

Esa transición está ocurriendo ahora mismo con la comunicación con modelos de IA. Y en México, donde la adopción de herramientas de IA generativa en empresas todavía va a media velocidad, entenderlo puede marcar la diferencia entre liderar la curva o correr detrás de ella.

Qué es realmente el prompt engineering (y qué no es)

Hay una confusión persistente que vale la pena desmontar. Prompt engineering no es escribir frases ingeniosas para que ChatGPT te dé una respuesta bonita. Es la disciplina de estructurar instrucciones para que un modelo de lenguaje produzca resultados útiles, predecibles y alineados con un objetivo de negocio.

La diferencia importa. Un prompt mal construido no solo da una mala respuesta. En un contexto empresarial puede generar contenido incorrecto que se publica, análisis financieros con datos inventados que se presentan a un consejo, o recomendaciones de producto que alienan a los clientes.

Cuando Kavak o Clip integran modelos de IA en sus flujos operativos, la calidad de los prompts que alimentan esos sistemas no es un detalle técnico. Es una decisión de negocio.

La paradoja del prompt engineer: cuanto mejor es la IA, menos lo necesitas

Un estudio de investigadores de VMware reveló algo que incomodó a muchos en la industria: en tareas matemáticas específicas, los modelos de lenguaje generaban mejores prompts para sí mismos que los humanos expertos. La IA optimizando su propia comunicación. La serpiente mordiéndose la cola.

Pero interpretar esto como "el prompt engineering murió" es una lectura superficial. Lo que murió es la idea de que necesitas un traductor humano permanente entre tu organización y la IA. Lo que sobrevive, y se fortalece, es la necesidad de que los profesionales de cualquier área sepan articular problemas complejos de forma que un modelo pueda procesarlos.

Un director de marketing en Rappi no necesita un prompt engineer dedicado. Necesita saber él mismo cómo pedirle a un modelo que analice datos de comportamiento de usuario y genere hipótesis de segmentación. Un gerente de operaciones en Bimbo no necesita un intermediario. Necesita entender cómo estructurar una consulta para que el modelo le ayude a optimizar rutas de distribución.

La habilidad se democratizó. Y eso la hace más valiosa, no menos.

Lo que separa un buen prompt de uno mediocre

Después de trabajar con cientos de profesionales en programas de formación, hay patrones claros que distinguen a quienes obtienen resultados excepcionales de la IA de quienes se frustran y concluyen que "la IA no sirve".

El primer patrón es contexto. Los prompts efectivos no empiezan con la pregunta. Empiezan estableciendo quién eres, qué sabes, qué necesitas y para qué. Un analista financiero que le dice al modelo "eres un consultor de M&A revisando un memorándum de información para una empresa de logística en México con ingresos de 500 millones de pesos" va a obtener respuestas radicalmente diferentes a uno que simplemente pregunta "qué opinas de está empresa".

El segundo patrón es iteración. Los mejores usuarios de IA no esperan la respuesta perfecta al primer intento. Tratan la interacción como una conversación, refinando, corrigiendo, pidiendo alternativas. Es un proceso dialéctico, no una búsqueda de Google.

El tercer patrón es restricción. Paradójicamente, darle menos libertad al modelo produce mejores resultados. Definir formato, longitud, tono, audiencia, y explicitar lo que no quieres es tan importante como decir lo que sí quieres.

Por qué en México esto importa más de lo que parece

El mercado laboral mexicano tiene una característica particular: hay una enorme brecha entre las empresas que ya operan con IA integrada en sus procesos y las que todavía discuten si deben "explorar el tema". Según datos de Microsoft y LinkedIn, México es uno de los países con mayor adopción individual de herramientas de IA, pero la adopción corporativa estructurada sigue rezagada respecto a Brasil o Chile.

Eso crea una oportunidad asimétrica. Los profesionales que hoy dominan la comunicación con modelos de IA tienen una ventaja desproporcionada. No porque sea una habilidad rara, sino porque la mayoría de sus competidores aún no la tienen.

En el ecosistema de CDMX, donde startups como Konfio, Stori y Clara compiten ferozmente por talento digital, saber trabajar con IA no es un diferenciador en el CV. Es un requisito de entrada.

El futuro no es de los prompt engineers, es de los que piensan mejor

Los modelos de IA van a seguir mejorando en interpretar instrucciones ambiguas. La interfaz de lenguaje natural va a volverse más tolerante, más intuitiva, más perdonadora de prompts mal construidos. Eso es inevitable.

Pero la habilidad subyacente al prompt engineering no es técnica. Es cognitiva. Es la capacidad de descomponer un problema complejo en partes manejables, de articular con precisión qué resultado necesitas, de pensar en restricciones y casos límite antes de actuar.

Esa habilidad no la va a automatizar ningún modelo. Es pensamiento crítico aplicado a herramientas nuevas. Y las organizaciones que inviertan en desarrollar esa capacidad en sus equipos van a extraer órdenes de magnitud más valor de la IA que las que se limiten a comprar licencias y esperar que la magia ocurra sola.