De la ingeniería de prompts a la ingeniería de contexto
Desde el lanzamiento de ChatGPT a finales de 2022 y hasta principios de 2024, la industria de la IA estuvo consumida por una sola idea: la ingeniería de prompts. Se crearon cursos enteros, certificaciones y puestos de trabajo en torno a la habilidad de redactar la instrucción perfecta para un modelo de lenguaje. Pero hacia 2024, algo cambió de forma fundamental. La industria fue más allá de los prompts y entró en una nueva disciplina: la ingeniería de contexto.
Este cambio no fue arbitrario. Lo impulsó una expansión drástica de las capacidades de los modelos subyacentes. A medida que los modelos de lenguaje ampliaron sus ventanas de contexto más allá de los 200.000 tokens, el juego cambió por completo. Con ese espacio, se podía incluir en una sola ventana de contexto una novela entera, una base de código completa, un conjunto de artículos de investigación o flujos de trabajo de larga duración. El cuello de botella ya no era qué decirle al modelo, sino qué mostrarle.
La diferencia entre un prompt y un contexto
La ingeniería de prompts consiste en instruir al modelo de lenguaje para que se comporte de cierta manera. Le dices que actúe como abogado, que sea conciso, que evite especular. La ingeniería de contexto es fundamentalmente distinta. Consiste en proporcionar la información correcta para que el modelo razone sobre ella. La instrucción puede ser perfecta, pero si el contexto es incorrecto, el resultado será incorrecto.
Piénsalo así: un prompt bien escrito con un contexto pobre produce un resultado pobre. Un prompt mediocre con un contexto excelente suele producir un buen resultado. El contexto es la materia prima. El prompt es solo el volante.
En la IA legal, esta distinción es crítica. Un abogado puede escribir el prompt perfecto, pero si el sistema alimenta al modelo con jurisprudencia desactualizada, documentos irrelevantes o instrucciones contradictorias, el resultado será poco fiable, sin importar lo elegante que sea el prompt.
Qué significan en realidad 200.000 tokens
Una ventana de contexto de 200.000 tokens es enorme. Para dar perspectiva, una novela promedio tiene aproximadamente 80.000 palabras, lo que equivale a unos 100.000 tokens. Eso significa que los modelos más recientes pueden contener el equivalente a dos novelas completas de información en una sola conversación. Para el trabajo legal, esto significa que puedes cargar expedientes completos, marcos regulatorios, memorandos internos e historial de conversación de forma simultánea.
Pero con esa capacidad llega un problema nuevo: la gestión del contexto. Que puedas incluirlo todo no significa que debas hacerlo. La calidad del razonamiento de la IA se degrada cuando el contexto está mal organizado, y han surgido tres modos de fallo específicos.
Tres fallos de contexto que todo abogado debería conocer
Envenenamiento del contexto
El envenenamiento del contexto ocurre cuando entra en la ventana de contexto información desactualizada, incorrecta o superada. Igual que llenarte la cabeza de información mala lleva a decisiones malas, alimentar a un modelo de IA con jurisprudencia obsoleta o interpretaciones regulatorias incorrectas hace que razone sobre una base defectuosa. El modelo no sabe que la información está desactualizada: trata todo lo que hay en su contexto como igualmente válido.
Distracción del contexto
La distracción del contexto ocurre cuando se mezcla demasiada información irrelevante en la ventana de contexto. A diferencia del envenenamiento, la información no es necesariamente errónea, es simplemente ruido. El modelo tiene que filtrar qué es importante y qué no, y ese filtrado es imperfecto. El resultado es un rendimiento más débil, un resultado menos enfocado y un mayor riesgo de alucinación, a medida que el modelo lucha por identificar la señal entre el ruido.
Choque de contexto
El choque de contexto ocurre cuando la información o las instrucciones dentro del contexto se contradicen entre sí. Si una parte del contexto dice "sé conciso" y otra dice "cubre cada detalle", el modelo tiene que resolver esa contradicción por su cuenta, y a menudo lo hace de forma inconsistente. En el trabajo legal, esto puede manifestarse como asesoramiento contradictorio, borradores de contrato internamente inconsistentes o análisis que cambian de tono y profundidad de forma impredecible.
Técnicas de ingeniería de contexto que funcionan
La disciplina de la ingeniería de contexto ha producido varias técnicas probadas para gestionar estos fallos. No son teóricas: son los métodos que usan las mejores plataformas de IA legal para garantizar un resultado fiable y fundamentado.
Prueba HAQQ AI gratis
Experimenta la redacción e investigación legal con IA
RAG: generación aumentada por recuperación
RAG es la técnica de ingeniería de contexto más adoptada. En lugar de meter toda la biblioteca de documentos en la ventana de contexto, RAG recupera de forma selectiva solo los documentos y pasajes relevantes para la consulta actual. Esta es una forma de contexto selectivo: incorporas lo que importa y dejas fuera lo que no. El resultado es una ventana de contexto más limpia, menor riesgo de distracción y un razonamiento de IA más enfocado.
Compresión de contexto
Otra técnica poderosa es comprimir el contexto existente resumiéndolo o recortándolo. Los historiales de conversación largos, los documentos extensos y la información redundante pueden condensarse sin perder el contenido crítico. Esto es especialmente importante en flujos de trabajo legales, donde las conversaciones pueden abarcar decenas de intercambios y los documentos pueden tener cientos de páginas.
Capas y priorización del contexto
Los sistemas avanzados usan capas de contexto: organizan la ventana de contexto en niveles priorizados. Las instrucciones del sistema ocupan el nivel de mayor prioridad, seguidas de los documentos más relevantes, luego el contexto de apoyo y, por último, el historial de conversación. Esto garantiza que el modelo preste atención a la información más crítica incluso cuando la ventana de contexto es grande.
Por qué esto importa para la IA legal
Para los abogados, la ingeniería de contexto no es un concepto abstracto. Es la diferencia entre una herramienta de IA que produce citas de casos alucinadas y una que produce un análisis fiable y fundamentado en fuentes. Es la diferencia entre una revisión de contrato que pasa por alto riesgos clave porque la IA se distrajo con cláusulas irrelevantes, y una que saca a la luz exactamente los problemas que importan.
En HAQQ, la ingeniería de contexto está integrada en la arquitectura central. El motor Justinian usa RAG para extraer documentos relevantes, comprime y organiza el contexto en capas de forma inteligente, y mantiene ventanas de contexto limpias y estructuradas a lo largo de conversaciones legales de múltiples turnos. Por eso los resultados de HAQQ están sistemáticamente fundamentados en los documentos reales y las normas jurisdiccionales, no en los datos de entrenamiento generales del modelo.
La era de la IA en la que el prompt lo era todo ha terminado. Ha comenzado la era en la que el contexto determina la calidad. Los abogados que entiendan este cambio usarán la IA de forma más eficaz que quienes todavía están optimizando sus prompts.
