Ingeniería de contexto vs. ingeniería de prompts: qué les falta a tus agentes de IA

En Anthropic, los agentes de IA ya registran seis horas de trabajo por cada hora que trabajan sus colegas humanos. Cabría esperar que las reuniones disminuyeran. No fue así. El empleado mediano pasa alrededor de un 20 % más de tiempo en reuniones que hace un año.

Ese dato, extraído de el estudio de Anthropic de octubre de 2026 sobre cómo está cambiando el trabajo dentro de la empresa (se abre en una pestaña nueva), revela algo importante sobre la ingeniería de contexto: la disciplina que ha reemplazado discretamente a la ingeniería de prompts como factor decisivo para que un agente de IA sea útil o se equivoque con seguridad.

Esta guía explica qué es la ingeniería de contexto, en qué se diferencia de la ingeniería de prompts, qué incluye el contexto de un agente y cuál es la capa que la mayoría de los equipos pasa por alto.

¿Qué es la ingeniería de contexto?

La ingeniería de contexto es la práctica de diseñar todo lo que ve un modelo de IA antes de responder (instrucciones, documentos recuperados, resultados de herramientas, memoria e historial de conversación) para que tenga justo la información que necesita para la tarea y nada que lo distraiga.

La ingeniería de prompts pregunta: «¿Cómo debería formular esto?». La ingeniería de contexto pregunta: «¿Qué necesita saber el modelo y de dónde lo obtendrá?».

Piensa en una persona nueva e inteligente que empieza su primer día de trabajo. Puede ser brillante y aun así no servir de mucho si nadie le explica quién es el cliente, qué se acordó la semana pasada o qué proyecto se canceló. La calidad de su trabajo depende del material de incorporación. Un agente de IA es esa persona nueva en cada tarea, cada vez. La ingeniería de contexto consiste en preparar ese material y mantenerlo actualizado.

El equipo de ingeniería de Anthropic plantea el contexto como un recurso finito (se abre en una pestaña nueva): los modelos tienen una capacidad de atención limitada, así que el objetivo no es añadir más contexto, sino reunir la mínima cantidad de información relevante para completar el trabajo.

Ingeniería de contexto vs. ingeniería de prompts

¿Por qué este cambio? Un chatbot responde una pregunta. Un agente ejecuta un ciclo: planifica, llama a una herramienta, lee el resultado, decide el siguiente paso y repite. Para el décimo paso, tu indicación cuidadosamente redactada representa solo una pequeña parte de lo que hay en su ventana de contexto. El resto son archivos recuperados, resultados de herramientas y pasos anteriores. Si eso falla, ninguna indicación podrá salvarlo.

La ingeniería de prompts no desapareció. Se convirtió en una parte de una tarea más amplia. Si estás creando agentes por tu cuenta, la guía técnica de LangChain sobre ingeniería de contexto para agentes (se abre en una pestaña nueva) complementa muy bien esta guía.

Qué incluye el contexto de un agente

La mayoría de los marcos de trabajo dividen el contexto en unas cuantas capas. Aquí tienes una versión práctica.

1. Instrucciones

El prompt del sistema, las reglas permanentes y las habilidades reutilizables que indican al agente cómo comportarse. Se acumulan rápidamente: en Anthropic, las instrucciones permanentes escritas para los agentes pasaron de unos cientos a mediados de 2025 a alrededor de 8.500 un año después.

2. Memoria e historial

La memoria a corto plazo abarca la conversación y la tarea actuales. La memoria a largo plazo es lo que se conserva entre sesiones: preferencias, resultados anteriores y aprendizajes. Sin ella, cada tarea empieza de cero.

3. Conocimiento recuperado

Documentos, wikis, código, tickets y registros que se incorporan a la ventana de contexto mediante búsquedas o generación aumentada por recuperación (RAG). La clave es recuperar los tres párrafos adecuados, no toda la carpeta.

4. Herramientas y acciones

API, bases de datos y otras aplicaciones que el agente puede utilizar, y los resultados que devuelven. Los estándares abiertos como el Model Context Protocol (MCP) (se abre en una pestaña nueva) facilitan mucho conectar un agente con las herramientas que tu equipo ya utiliza.

5. Contexto organizativo

Lo que la empresa ha decidido, prometido y reconsiderado. Quién está a cargo de cada cosa ahora. Qué pidió un cliente en la llamada del martes pasado. Esta es la capa que menos se suele documentar y la que los agentes interpretan mal sin que nadie se dé cuenta.

Por qué fallan los agentes de IA: cuatro problemas de contexto

• Falta de contexto. La información existe, pero nunca llegó al agente. Redacta un correo de renovación sin saber que el cliente pidió un descuento en la llamada de la semana pasada.
• Contexto desactualizado. El agente se basa en algo que antes era cierto. Anthropic cuenta el caso de un empleado cuyo nombre aparecía en un documento interno antiguo sobre productos promocionales de la empresa. Meses después de cambiar de puesto, los agentes todavía le enviaban solicitudes de camisetas y tazas.
• Demasiado contexto. Si incluyes todo, la información relevante queda enterrada. A menudo, los modelos empeoran en lugar de mejorar cuando se llena la ventana con material irrelevante.
• Contexto sin fuentes. El agente presenta algo como un hecho y nadie puede comprobar de dónde salió. Sin fuentes, no puedes distinguir entre algo que recordó y una alucinación.

Solo el tercero es un problema puramente técnico. Los otros tres tienen que ver con cómo registra una empresa lo que sabe.

El contexto que tus agentes no pueden ver: qué descubrió Anthropic

En octubre de 2026, el equipo de economía de Anthropic publicó un estudio detallado sobre cómo la IA ha transformado el trabajo dentro de la empresa (se abre en una pestaña nueva), basado en datos internos sobre el uso de IA, la producción, los calendarios, la comunicación y la contratación. Es una sola empresa y, además, una empresa poco común. Pero es lo más parecido que tenemos a un anticipo de un lugar de trabajo con muchos agentes, y varios hallazgos son relevantes para la ingeniería de contexto.

• Los agentes trabajan más horas que las personas que los dirigen. En agosto de 2026, los agentes dirigidos por empleados registraban seis veces más horas que los propios empleados.
• Las reuniones aumentaron, no disminuyeron. El tiempo mediano dedicado a reuniones subió alrededor de un 20 % en un año, e incluso un 16 % entre los colaboradores individuales de áreas técnicas. Las decisiones estratégicas siguen tomándose cuando las personas debaten entre sí.
• Las decisiones que no se registran son invisibles para los agentes. Los investigadores señalan que, cuando se toma una decisión en una reunión y nunca se documenta, los agentes pierden el contexto que necesitan para actualizar sus objetivos y suposiciones. El trabajo privado que no se registra se convierte en un riesgo.
• Las personas son el cuello de botella. Las sesiones interactivas con agentes pasan aproximadamente el 80 % del tiempo esperando la intervención humana. Como dijo un ingeniero: las personas están «frenando a los agentes».
• Gestionar agentes se convirtió en un trabajo. El trabajo relacionado con el trabajo (redactar especificaciones, supervisar flujos de trabajo y crear herramientas para agentes) aumentó del 10 % al 22 % de las sesiones de agentes de los empleados entre el otoño de 2025 y la primavera de 2026.

La respuesta de Anthropic fue principalmente cultural: usar canales abiertos por defecto, trasladar el trabajo a espacios que los agentes puedan consultar y tomar decisiones a la vista de todos. Funciona. Pero también exige que cada persona documente cada decisión, cada vez, justo el tipo de tarea que la gente ocupada suele dejar para después.

Conviene señalar una salvedad: parte del aumento del tiempo dedicado a reuniones se debe al rápido crecimiento de Anthropic y al cambio hacia puestos con más reuniones. Los investigadores también señalan que las personas que adoptaron herramientas de IA no fueron seleccionadas al azar. Toma estas cifras como una señal, no como una regla.

Pero la tendencia es clara. Cuanto más trabajo hacen los agentes, más importan las decisiones que los guían, y muchas de esas decisiones se expresan oralmente, no por escrito.

Cómo crear contexto organizativo

No necesitas un equipo de plataformas para hacerlo. Con cinco hábitos podrás avanzar la mayor parte del camino.

1. Lleva un registro de decisiones

Una línea por decisión: qué se decidió, quién lo decidió, cuándo y por qué. Si tu equipo ya toma actas, añade una sección de decisiones a tu plantilla de acta de reunión. Es la solución más sencilla y económica para evitar que el contexto quede desactualizado.

2. Comparte la información por defecto

Una decisión que se toma por mensaje directo es invisible tanto para tus colegas como para tus agentes. Trasládala a un canal o documento compartido.

3. Registra las reuniones automáticamente

Si el registro depende de que alguien se acuerde de redactarlo, la mitad de tus reuniones no quedará documentada. La transcripción y los resúmenes automáticos cierran esa brecha sin añadir tareas a la lista de nadie. (Aquí te explicamos en qué se diferencian los agentes de IA y los asistentes de IA para tomar notas de reuniones.)

4. Controla los permisos y cita las fuentes del contexto

Un agente solo debería acceder a la información que la persona que lo utiliza tiene permiso para ver. Además, cada afirmación que haga debería poder rastrearse hasta quien la dijo, en qué reunión y con las palabras exactas. Las fuentes convierten la respuesta de un agente de «probablemente correcta» en algo en lo que puedes basar tus decisiones.

5. Elimina el contexto desactualizado

Retira los documentos y la información sobre responsables que estén desactualizados; de lo contrario, los agentes seguirán actuando según esos datos. Acuérdate de las solicitudes de productos promocionales.

Cómo encaja Tactiq

Tactiq ofrece notas de reuniones con IA para personas, equipos y agentes. Transcribe en directo en Google Meet, Zoom y Microsoft Teams, directamente desde el navegador y sin que ningún bot se una a la llamada. Cuando termina la reunión, el resumen y las tareas pendientes ya están redactados.

Para los equipos, cada reunión se convierte en memoria compartida, con permisos y capacidad de búsqueda. «¿Qué le prometimos a este cliente en marzo?». «¿Quién decidió eliminar esa función?». Cada respuesta incluye su fuente.

Para los agentes, el servidor MCP de Tactiq proporciona a las herramientas de IA que ya utilizas, como Claude, Claude Code, Cursor y ChatGPT, contexto de reuniones que pueden consultar, junto con las fuentes, antes de redactar el correo de seguimiento, actualizar el CRM o escribir la especificación.

Si trabajas en Claude, Tactiq es un conector verificado en el directorio de Claude, revisado por Anthropic. Conéctalo en dos clics y luego pregunta qué se decidió en la llamada de la semana pasada. La respuesta incluirá una cita, el nombre de quien habló y la marca de tiempo.

También está diseñado para resolver el problema del «exceso de contexto». Una transcripción de 20.000 palabras agotaría la ventana de contexto de un agente, y un simple resumen omitiría el razonamiento detrás de una decisión. Por eso, el conector ofrece las reuniones con niveles de detalle cada vez mayores: una lista de llamadas, luego resúmenes, después tareas pendientes, el momento exacto citado y, por último, la transcripción completa. El agente profundiza solo tanto como lo requiere la pregunta. Así se aplica la ingeniería de contexto.

Tus agentes no pueden asistir a tus reuniones. Pero sí pueden saber qué se decidió en ellas.

Más de 1 millón de personas usan Tactiq. La mayoría dice lo mismo: «Ojalá lo hubiera descubierto antes». Prueba Tactiq gratis en tu próxima reunión.

En resumen

La ingeniería de prompts consistía en saber preguntar. La ingeniería de contexto consiste en saber qué información proporcionar. A medida que los agentes de IA se vuelven más baratos y capaces, la ventaja pasa a estar en el contexto que puedes proporcionarles. Y la parte más reciente y menos documentada de ese contexto es lo que tu equipo dice en voz alta. Captúrala, indica su fuente y deja que tus agentes la consulten.