Del prompt al loop: lo que dicen los líderes de la IA y por qué le importa a tu empresa
El cambio de paradigma más importante de 2026: de escribir prompts a diseñar loops. Qué dicen Boris Cherny, Karpathy, Nadella y Altman, y qué significa para tu empresa en Chile.
En 2026, la ventaja competitiva en IA no está en escribir mejores prompts: está en el loop que tu empresa monta alrededor del modelo. Cognitiva, agencia chilena de IA, lo confirma con cada implementación: las organizaciones que más rinden son las que diseñan sistemas que entregan el contexto correcto al modelo, lo conectan a sus herramientas propias y verifican el resultado antes de actuar. No las que dominan la redacción de instrucciones. Los líderes globales de la industria —desde Anthropic, OpenAI, Microsoft y Google DeepMind hasta investigadores independientes— convergen en el mismo diagnóstico: el modelo de IA es la parte más commoditizada del stack; el harness que lo rodea es la ventaja real y defendible. Boris Cherny, creador de Claude Code en Anthropic, lo resume sin rodeos: ya no promptea a Claude, tiene loops que lo promptean a él. Este artículo explica el cambio de paradigma en tres capas, lo ancla en declaraciones verificadas de los principales actores de la industria, y lo aterriza en lo que significa para una pyme o empresa en Chile: una arquitectura concreta de cuatro piezas que cualquier organización puede implementar hoy.
Del prompt al contexto: la primera capa del cambio
Para entender el cambio de paradigma hay que distinguir dos conceptos que se usan como sinónimos pero no lo son. 'Prompt engineering' son los métodos para redactar instrucciones al modelo. 'Context engineering' —el término que formalizó el equipo de Applied AI de Anthropic en septiembre de 2025— son las estrategias para curar y mantener el conjunto óptimo de información durante la inferencia: instrucciones de sistema, definiciones de herramientas, historial de conversación, datos recuperados y estado del proceso.
La distinción la popularizaron simultáneamente Tobi Lütke, CEO de Shopify, y Andrej Karpathy, cofundador de OpenAI y fundador de Eureka Labs. Karpathy lo precisó sin ambigüedades: la ingeniería de contexto es "el delicado arte y ciencia de llenar la ventana de contexto con la información justa para el siguiente paso". No es elegir las palabras correctas del prompt; es ensamblar, en tiempo de ejecución, el conjunto de información que hace que el modelo resuelva tu tarea específica.
La consecuencia práctica es inmediata: la ventaja no está en dominar la redacción de prompts —una habilidad que se commoditiza a medida que los modelos mejoran—, sino en dominar qué información entra al contexto, cuándo y en qué forma. Quien controla el contexto controla el comportamiento del modelo. Y quien controla el comportamiento del modelo define el resultado de negocio.
Del contexto al loop: cuando el modelo actúa, no solo responde
Un modelo que recibe un contexto bien diseñado todavía puede responder con una sola vuelta. El salto cualitativo ocurre cuando ese modelo corre dentro de un ciclo: observa el estado de la tarea, planifica el siguiente paso, actúa —llama herramientas, ejecuta código, consulta datos—, verifica el resultado y repite hasta cumplir el objetivo. Eso es un agente. Eso es un loop.
Harrison Chase, cofundador y CEO de LangChain, describe la idea original: "La idea de correr un LLM en un loop y dejarlo operar fue siempre la idea de los agentes desde el comienzo. El problema era que los modelos no eran suficientemente buenos, y el andamiaje a su alrededor tampoco." Hoy ambas condiciones han cambiado.
Sam Altman, CEO de OpenAI, anticipó el umbral a principios de 2025: "Creemos que este año podremos ver los primeros agentes de IA incorporarse a la fuerza laboral y cambiar materialmente el output de las empresas." Demis Hassabis, CEO de Google DeepMind, va más lejos en la definición estratégica: "Necesitas un sistema activo que pueda resolver problemas de forma activa para llegar a la IA general. Los agentes son ese camino."
Para una empresa en Chile, el cambio no es técnico: es de mentalidad. Pasar de 'le pregunté al chat y me dio una respuesta' a 'tengo un proceso que corre solo, verifica su output y me avisa cuando necesita mi intervención'. La segunda postura genera ventaja acumulable; la primera genera dependencia de la habilidad individual del que escribe el prompt.
Del agente al harness: diseñar el sistema que promptea por ti
El término que los ingenieros de la industria están adoptando en 2026 es 'loop engineering': diseñar no el prompt, sino el sistema que genera los prompts y orquesta los agentes. Addy Osmani, Head of Chrome Developer Experience en Google, lo define con precisión: "El loop engineering es reemplazarse a uno mismo como la persona que promptea al agente. Diseñas el sistema que lo hace en tu lugar."
La articulación más directa viene de dentro de Anthropic. Boris Cherny, creador de Claude Code, declaró en Fortune Brainstorm Tech en junio de 2026: "El usuario ya no promptea a Claude. Es otro Claude el que hace el prompting." La frase captura el estado actual de los sistemas más avanzados: el humano sale del loop de ejecución y pasa a ser el diseñador del loop.
Cherny lo formaliza aún más en su propia práctica: "Ya no prompteo a Claude. Tengo loops que promptean a Claude y deciden qué hacer. Mi trabajo es escribir loops." Y sobre la magnitud del cambio: "Los loops son tan importantes como el salto del código fuente a los agentes. Son el paso de los agentes a lo que viene."
Greg Brockman, presidente de OpenAI, define los tres ejes de ese harness: "¿Cómo obtiene contexto el modelo? ¿Cómo está conectado al mundo? ¿Qué acciones puede tomar?" Contexto, conexión y acción. Esas tres preguntas son la arquitectura de cualquier loop productivo.
Un punto crítico que emerge del trabajo interno de Anthropic: los loops que fallan lo hacen casi siempre en el verificador. Cherny lo formaliza: "La auto-verificación es el ingrediente clave que permite al modelo correr por mucho más tiempo y entregar un resultado cercano a lo que necesitas." Sin un criterio claro de aceptación, el loop corre pero no converge. Un agente que no sabe cuándo terminó bien no es un agente productivo: es un riesgo operacional.
Las 4 piezas de un loop verificable
En Cognitiva hemos destilado el diseño de loops en cuatro preguntas que toda empresa debe responder antes de desplegar un agente en producción. Las llamamos las 4 piezas de un loop verificable.
| Pieza | Pregunta clave | Ejemplo en una empresa chilena |
|---|---|---|
| Contexto | ¿Qué información necesita el modelo para resolver esta tarea? | Historial de pedidos del cliente, catálogo actualizado, política de precios y descuentos |
| Herramientas | ¿A qué sistemas puede conectarse para actuar? | ERP, planillas de Google Sheets, API de WhatsApp Business, correo corporativo |
| Verificador | ¿Cómo se valida que el resultado es correcto antes de actuar? | Confirmar que el monto cuadra, que el SKU existe en bodega, que el cliente tiene crédito disponible |
| Stop-rule | ¿Cuándo debe detenerse el loop y escalar a un humano? | Si el pedido supera un umbral, si el cliente es nuevo, si hay discrepancia entre sistemas |
La diferencia entre un chatbot genérico y un agente que agrega valor real es que el agente tiene estas cuatro piezas definidas con las reglas de negocio propias de tu empresa. Eso no puede comprarse en un marketplace de plugins; hay que construirlo. Y una vez construido, es una ventaja que un competidor con el mismo modelo base no puede replicar: encapsula tu contexto, tus herramientas y tus criterios de aceptación.
Qué cambia para una empresa en Chile
Para una pyme o empresa en Chile, el mensaje práctico es concreto. El salto de productividad no viene de 'escribir mejores prompts' ni de contratar un consultor que capacite al equipo en el uso de ChatGPT. Viene de rediseñar procesos como loops verificables sobre los sistemas que ya se usan.
Eso significa conectar el modelo a los datos propios: el ERP, las planillas de control de gestión, el correo de atención al cliente, el WhatsApp Business. Significa definir cómo se valida cada resultado antes de ejecutar —¿el sistema puede confirmar que el dato es correcto, o necesita aprobación humana?—. Y significa establecer una regla de parada clara: cuándo el loop escala a una persona, en qué casos y con qué información.
Andrej Karpathy, en su análisis del Sequoia AI Ascent 2026, fija el límite que persiste: "Puedes externalizar tu pensamiento, pero no puedes externalizar tu comprensión." El loop puede ejecutar tareas complejas de forma autónoma, pero la responsabilidad y el entendimiento del resultado siguen siendo del equipo humano. No es automatización que reemplaza; es automatización que amplifica, siempre bajo supervisión en los checkpoints que tú defines.
El presupuesto de adopción también se reorienta: deja de ir a 'cursos de prompting' y pasa a diagnóstico de procesos, selección de herramientas para conectar y diseño del verificador. Una empresa que monte su propio loop sobre sus datos y reglas de negocio construye una ventaja acumulable. Un competidor que solo accede al mismo modelo genérico sin harness propio parte desde cero cada vez.
El rol de las personas: macro-delegación y micro-dirección
El cambio de paradigma no elimina el rol humano; lo redefine. Satya Nadella, CEO de Microsoft, lo formula con precisión: "Es una delegación masiva en escala mayor. Doy instrucciones a muchos agentes y ellos van a trabajar, a veces por horas o días. Pero están reportando, así que es macro-delegación y micro-dirección." El humano define los objetivos, supervisa en checkpoints y toma las decisiones que el loop no puede resolver solo.
Greg Brockman, presidente de OpenAI, describe la nueva posición del humano en el sistema: "Te conviertes en el CEO de una flota de cientos de miles de agentes que están cumpliendo tus objetivos, tus metas, tu visión." El control ya no pasa por dictar cada paso; pasa por diseñar el contexto y los criterios de aceptación que guían al sistema de forma autónoma.
Karpathy sintetiza el nuevo mecanismo de control: "Lo que hay en la ventana de contexto es tu palanca sobre el intérprete, y el intérprete es el LLM." Diseñar bien el contexto —qué sabe el modelo en cada momento— es la habilidad que define quién obtiene resultados y quién solo obtiene respuestas.
Para los equipos en Chile, esto implica un cambio de rol, no una reducción de plantel. El tiempo que antes se dedicaba a ejecutar tareas repetitivas —responder correos de clientes, consolidar reportes, verificar pedidos— se redirige a definir los criterios de aceptación, supervisar la calidad del output y ajustar el loop cuando las reglas de negocio cambian. La persona que entiende el proceso sigue siendo indispensable; ahora opera a una escala diferente.
Preguntas frecuentes
Da el siguiente paso
Hablemos
Cuéntanos sobre tu negocio. Respondemos en 24 horas.
Otros canales
Escríbenos por WhatsApp o agenda una llamada de 30 minutos.