Llevas meses puliendo el prompt perfecto.
Cambiaste “genera una campaña” por “actúa como director creativo senior con 15 años de experiencia”. Agregaste “piensa paso a paso”. Probaste con ejemplos, con restricciones, con tono de voz.
Y la IA te sigue devolviendo algo genérico.
El problema no es tu prompt. Es que el modelo no sabe nada de tu negocio, tu cliente ni tu momento.
Ahí termina el prompt engineering y empieza la ingeniería contextual.
El problema visible: prompts perfectos, resultados genéricos
Pide a cualquier IA “escribe un correo de bienvenida para un cliente nuevo” y vas a obtener algo correcto, pulido y completamente intercambiable. Podría ser de cualquier marca, para cualquier cliente, en cualquier país.
Dale a esa misma IA tu manual de marca, tres correos que sí funcionaron, el segmento exacto del cliente y el objetivo de esa campaña. El resultado deja de ser un borrador que hay que reescribir por completo y se convierte en algo que solo hay que editar.
El modelo no cambió. Lo que cambió fue lo que tenía enfrente para trabajar.
Anthropic lo plantea así en su propia guía técnica: la ingeniería de contexto es la disciplina de curar y mantener el conjunto óptimo de información que el modelo tiene disponible en el momento de responder, no solo las palabras con las que se lo pides.
Lo que normalmente se malinterpreta
No es un cambio de nombre para “prompt engineering, versión 2”.
Un prompt es la instrucción. El contexto es todo lo demás: el historial de conversación, los datos del CRM, el inventario en tiempo real, el comportamiento del usuario, las reglas de negocio, los ejemplos de lo que sí funcionó antes.
La diferencia importa en la práctica. Si el modelo entiende lo que le pides pero le falta información para hacerlo bien, tienes un problema de contexto. Si tiene toda la información pero interpreta mal tu intención, tienes un problema de prompt. Son fallas distintas y se corrigen distinto.
Y hay un matiz que casi nadie menciona: más contexto no es automáticamente mejor contexto. Chroma, en su investigación sobre lo que llaman “context rot”, encontró que el desempeño de los modelos se vuelve menos confiable conforme crece la cantidad de información que reciben, incluso en tareas simples. Meter todo el historial del cliente en un solo prompt no mejora el resultado. A veces lo empeora, porque el modelo pierde precisión en medio de tanto ruido.
El marco: cuatro etapas, no una lista de trucos
Aplicada a marketing, la ingeniería contextual se puede pensar en cuatro etapas.
- Mapeo de datos. Antes de automatizar nada, hay que saber qué información existe sobre tu negocio y tu cliente, dónde vive y qué tan confiable es: historial de compras, comportamiento en el sitio, datos de CRM, inventario, estacionalidad, contexto cultural o geográfico.
- Diseño de arquitectura contextual. Decidir qué información llega al modelo, en qué momento y en qué orden. No es conectar todo con todo. Es decidir qué parte del contexto es relevante para cada decisión específica.
- Integración de fuentes. Conectar esas fuentes para que se actualicen solas: CRM, e-commerce, atención al cliente, analítica. Un contexto que se queda desactualizado dos semanas después de construido ya no sirve.
- Optimización continua. El contexto correcto de enero no es el contexto correcto de julio. Los productos cambian, los segmentos se mueven, el inventario se comporta distinto. La arquitectura contextual necesita revisión constante, no un despliegue único.
Lo que no es
Ingeniería contextual no es tener más datos por tener más datos. No es conectar quince fuentes distintas y esperar que la IA “entienda todo”. Y no reemplaza el criterio humano: sigue siendo alguien del equipo quien decide qué información importa, qué se prioriza y qué se descarta.
Tampoco es exclusiva de equipos con presupuesto de nivel Liverpool o Ford. La misma lógica se aplica con un CRM ordenado, un documento de brand voice y un puñado de ejemplos reales de lo que ha funcionado. La diferencia no es de tamaño de presupuesto. Es de disciplina.
De prompt engineering a ingeniería contextual, en tres pasos
- Reúne los datos relevantes sobre tu negocio y tus clientes: historial de compras, comportamiento, preferencias guardadas, inventario, estacionalidad.
- Conecta esos datos entre sí para formar un mapa completo, no fuentes sueltas que nadie cruza.
- Usa ese mapa para decidir en tiempo real, no como un reporte trimestral que nadie vuelve a abrir.
El prompt sigue importando. Pero deja de ser el lugar donde se juega la calidad del resultado.
A eso le llamo Ingeniería del Marketing: no se trata de escribir mejores instrucciones. Se trata de construir el sistema de información correcto para que cualquier instrucción, hasta la más simple, funcione.
Fuentes
- Anthropic. Effective context engineering for AI agents. anthropic.com/engineering/effective-context-engineering-for-ai-agents
- Villasuso, María Alexandra. Caso de éxito: Ford mejora el engagement y duplica el tiempo de permanencia en su sitio web gracias a la IA contextual de Seedtag. PRODU, 13 de mayo de 2025. produ.com
- Islas, Laura. Liverpool impulsa 34 proyectos de inteligencia artificial: su estrategia que busca transformar retail y logística. Merca2.0, 13 de mayo de 2026. merca20.com
- Context Engineering vs. Prompt Engineering. PromptLayer. blog.promptlayer.com
