Una frustración común entre los equipos que actualizan a LLM más nuevos y potentes es que los resultados no mejoran como se esperaba. La causa a menudo no es el modelo sino el prompt. Los prompts antiguos fueron diseñados para modelos más débiles, dividiendo las tareas en secuencias rígidas de pasos: revisar este módulo, modificar esa función, evitar estos archivos, etc. Los modelos más potentes no necesitan ese acompañamiento; de hecho, estas restricciones pueden limitar su razonamiento y flexibilidad.
El enfoque emergente es tratar los prompts como contratos de tareas. En lugar de prescribir la ruta exacta, defina el objetivo, los límites (qué no tocar), los criterios de aceptación (cómo verificar el éxito) y las ambigüedades que deben aclararse antes de continuar. Este enfoque aprovecha la capacidad del modelo para planificar y adaptarse, lo que lleva a mejores resultados y menos iteraciones.
Para los equipos de ingeniería, este cambio requiere un cambio de mentalidad: de microgestionar el modelo a delegar con expectativas claras. También significa actualizar las bibliotecas de prompts y las estrategias de prueba. El beneficio es significativo: los modelos más potentes pueden ofrecer soluciones más creativas y robustas cuando se les da el marco adecuado.