Context Engineering: From Prompts to Corporate Multi-Agent Architecture

Este artículo propone la ingeniería de contexto como una disciplina fundamental que, junto con la ingeniería de intención y especificación, forma un modelo de madurez en pirámide para gestionar la complejidad de los sistemas de agentes corporativos autónomos, superando las limitaciones de la ingeniería de prompts tradicional mediante el diseño estructurado del entorno informativo, los objetivos organizacionales y las políticas corporativas.

Lo esencial

Imagina que la Inteligencia Artificial (IA) ha dejado de ser un simple "chatbot" que responde preguntas y se ha convertido en un trabajador autónomo capaz de planificar, ejecutar tareas complejas y tomar decisiones por sí mismo.

El artículo de Vera V. Vishnyakova nos dice que, para gestionar a estos nuevos "trabajadores digitales", no basta con saber cómo pedirles cosas. Necesitamos una nueva forma de ingeniería.

Aquí tienes la explicación de su "Pirámide de Madurez" usando analogías sencillas:

1. El Problema: De "Pedir" a "Gestionar"

Antes, la IA era como un chef que solo sigue una receta. Tú le decías: "Hazme una ensalada" (Prompt Engineering) y él lo hacía. Si la ensalada salía mal, cambiabas las palabras de la receta.

Pero ahora, la IA es un chef que tiene que organizar un banquete entero de 50 platos, comprar los ingredientes, cocinar, limpiar y servir, sin que tú estés mirando.

• El error: Si solo le das una receta de una sola frase ("Haz un banquete"), el chef se pierde, olvida ingredientes, mezcla platos que no combinan o gasta todo el dinero en trufas cuando debió comprar pan.
• La solución: Ya no basta con escribir bien la receta. Necesitas diseñar todo el entorno de trabajo del chef.

2. Los 4 Niveles de la Pirámide (De abajo a arriba)

El autor dice que hay cuatro niveles de habilidad necesarios para que una empresa use IA con éxito. No se trata de reemplazar uno por otro, sino de construir uno encima del otro.

Nivel 1: Ingeniería de Prompts (El Arte de Pedir)

• Qué es: Saber escribir la instrucción perfecta.
• Analogía: Es como aprender a hablarle a un perro. Si dices "siéntate" con el tono correcto, se sienta. Si dices "siéntate" mal, no hace nada.
• Limitación: Funciona bien para una sola orden. Pero si le pides al perro que cuide la casa, que regue las plantas y que cocine la cena durante 3 días sin que tú estés, solo decirle "hazlo" no es suficiente. Necesitas más estructura.

Nivel 2: Ingeniería de Contexto (El Sistema Operativo)

• Qué es: Diseñar qué información ve la IA en cada momento. Es como el sistema operativo de una computadora.
• Analogía: Imagina que la IA es un detective privado.
  • Si le das demasiada información (todas las notas de todos los casos anteriores), se confunde y olvida el caso actual.
  • Si le das poca información, no puede resolver el crimen.
  • Si le das información de otros detectives (contaminación), puede cometer errores graves.
• La clave: La "Ingeniería de Contexto" es el trabajo de filtrar y organizar lo que el detective ve. Le aseguras que solo tenga los archivos relevantes para este caso, que no mezcle datos de otros casos y que no gaste dinero en leer documentos inútiles.
• Regla de oro: Quien controla el contexto, controla el comportamiento.

Nivel 3: Ingeniería de Intención (La Brújula Estratégica)

• Qué es: Definir por qué hace lo que hace la IA y qué valores prioriza.
• Analogía: Imagina que tienes un coche autónomo muy rápido y eficiente.
  • Si solo le dices "llega al destino lo más rápido posible" (Contexto perfecto), podría atropellar a alguien o tomar un atajo ilegal.
  • La "Ingeniería de Intención" es programar la brújula moral y estratégica: "Llega rápido, pero nunca rompas la ley, nunca lastimes a nadie y prioriza la seguridad sobre la velocidad".
• El caso Klarna: La empresa Klarna usó una IA para ahorrar dinero (contexto eficiente), pero no definió bien su "intención" (cuidar al cliente). La IA fue tan eficiente en ahorrar que trató mal a los clientes, dañando la reputación de la marca. La IA hacía lo que se le pedía técnicamente, pero no lo que la empresa quería realmente.

Nivel 4: Ingeniería de Especificaciones (La Constitución)

• Qué es: Crear un manual de reglas legible por máquinas para toda la empresa.
• Analogía: Imagina una nación de robots.
  • Si tienes 1 robot, puedes darle instrucciones verbales.
  • Si tienes 10.000 robots trabajando juntos, no puedes gritarles instrucciones. Necesitas una Constitución escrita.
  • Esta "Ingeniería de Especificaciones" convierte las reglas de la empresa (que antes estaban en PDFs, correos electrónicos o en la cabeza de los jefes) en un código que todos los robots leen y siguen automáticamente.
• Objetivo: Asegurar que, si tienes 100 agentes trabajando, todos actúen de forma coherente y no se contradigan entre sí.

3. ¿Por qué es importante esto ahora?

El artículo advierte sobre una "trampa":

• La trampa romántica: Creemos que la IA es un "arte" mágico. Si escribimos un prompt bonito, todo funcionará.
• La realidad: Si no construimos los niveles superiores (Contexto, Intención, Especificaciones), estamos creando "fábricas oscuras": sistemas autónomos que funcionan técnicamente pero que pueden destruir la empresa porque no saben qué deben proteger realmente.

Resumen en una frase

Para que la IA funcione en una empresa grande, no basta con saber pedirle cosas (Nivel 1); hay que diseñar qué ve (Nivel 2), definir qué quiere lograr (Nivel 3) y escribir las reglas del juego para todos (Nivel 4).

La conclusión final:

• Quien controla el contexto, controla el comportamiento.
• Quien controla la intención, controla la estrategia.
• Quien controla las especificaciones, controla la escala.

Si tu empresa solo sabe pedirle cosas a la IA pero no ha diseñado su entorno, sus objetivos ni sus reglas, está construyendo un coche de carreras sin volante ni frenos.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Context Engineering: From Prompts to Corporate Multi-Agent Architecture" de Vera V. Vishnyakova, estructurado según los componentes solicitados.

1. El Problema

El artículo identifica una brecha crítica en la evolución de los sistemas de Inteligencia Artificial (IA). Mientras que la Ingeniería de Prompts (PE) ha sido suficiente para chatbots sin estado (modelos de "pregunta-respuesta"), resulta insuficiente para los agentes autónomos modernos que ejecutan flujos de trabajo multi-paso, delegan tareas y toman acciones en el mundo real.

Los problemas centrales que surgen al escalar de PE a sistemas multi-agente (MAS) son:

• Degradación del contexto: En sesiones largas (20-50 pasos), el modelo se pierde en la información intermedia, fijándose en patrones obsoletos o datos irrelevantes ("lost in the middle").
• Contaminación cruzada: La salida de una herramienta o sub-agente contamina el contexto de los siguientes pasos, provocando decisiones erróneas sin que el usuario pueda filtrar la información manualmente.
• Crecimiento exponencial de costos: Sin compresión y gestión, el costo de tokens y la latencia crecen de forma no lineal con cada paso del agente.
• Déficit de Intención: Incluso con un contexto perfecto, un agente puede optimizar la métrica incorrecta (ej. costo por token) en lugar de los objetivos estratégicos de la empresa (ej. lealtad del cliente), como se ilustra en el caso Klarna.
• Falta de gobernanza: Existe una desconexión entre la velocidad de implementación de agentes y la madurez de la gobernanza corporativa, llevando a riesgos reputacionales y legales.

2. Metodología

El autor emplea un enfoque de investigación aplicada y síntesis teórica, basado en:

• Experiencia práctica: Tres años de desarrollo de sistemas multi-agente (incluyendo un sistema de cumplimiento normativo) y uso intensivo de LLMs.
• Análisis de arquitecturas de proveedores: Revisión de herramientas y marcos de trabajo de Google (ADK), Anthropic, LangChain y protocolos emergentes (MCP, A2A).
• Datos empíricos corporativos: Análisis de encuestas de Deloitte (2026) y KPMG (2026) sobre la adopción de IA en empresas.
• Estudios de caso: Análisis detallado del caso Klarna (déficit de contexto e intención) y el caso TELUS (deuda de especificación a escala).
• Convergencia de literatura: Validación de la taxonomía propuesta mediante la coincidencia independiente de otros autores (Feroz, Reddy KS) en 2026.

3. Contribuciones Clave

El artículo introduce y formaliza cuatro disciplinas que forman un Modelo de Madurez Piramidal Cumulativo:

A. Ingeniería de Contexto (Context Engineering - CE)

Se define como el diseño, estructuración y gestión del entorno informativo completo donde el agente toma decisiones. Se trata de tratar el contexto como el sistema operativo del agente.

• Criterios de Calidad (5):
  1. Relevancia: Solo lo necesario para el paso actual.
  2. Suficiencia: Datos completos para evitar alucinaciones.
  3. Aislamiento: Los sub-agentes solo ven su contexto necesario (evitando fugas de datos).
  4. Economía: Minimización de tokens y reensamblajes sin perder calidad.
  5. Procedencia: Trazabilidad de cada elemento de contexto a su fuente.
• Taxonomía de Degradación (Context Rot): Envenenamiento, distracción, confusión y choque de contextos.

B. Ingeniería de Intención (Intent Engineering - IE)

Disciplina superior que codifica los objetivos corporativos, valores, jerarquías de compensación y principios éticos en la infraestructura del agente. Responde a la pregunta "¿qué quiere el agente?".

• Transforma la estrategia empresarial en reglas de toma de decisiones para evitar que el agente optimice métricas proxy incorrectas (ej. el caso Klarna).

C. Ingeniería de Especificaciones (Specification Engineering - SE)

Extiende la lógica al nivel de la arquitectura multi-agente corporativa. Consiste en crear un corpus legible por máquina de políticas, estándares de calidad y acuerdos corporativos.

• Funciona como una "constitución" para los agentes, permitiendo la gobernanza a escala masiva (miles de agentes) y evitando la deuda de especificaciones.

D. Modelo de Madurez Piramidal (The Pyramid)

Propone una jerarquía de cuatro niveles donde cada nivel subsume al anterior como infraestructura necesaria, no lo reemplaza:

1. Ingeniería de Prompts (PE): Base para interacciones individuales.
2. Ingeniería de Contexto (CE): Gestión del entorno de estado para agentes autónomos.
3. Ingeniería de Intención (IE): Alineación estratégica y de objetivos.
4. Ingeniería de Especificaciones (SE): Gobernanza y escalabilidad corporativa.

4. Resultados y Hallazgos

• La distinción LLM vs. Agente: Se aclara que un LLM es solo un componente (el "cerebro"), mientras que el agente es el sistema externo que incluye orquestación, herramientas, memoria y políticas. La ingeniería de prompts no escala a la ingeniería de sistemas.
• Economía del Contexto: Una ingeniería de contexto deficiente hace que los agentes sean económicamente inviables en producción. Técnicas como compresión, caché y carga selectiva pueden reducir costos entre 5x y 10x.
• El Caso Klarna: Demuestra que un agente técnicamente competente (con contexto) pero sin intención codificada (objetivos de marca/lealtad) es un riesgo estratégico.
• Gobernanza y Memoria: La gestión de la memoria (episódica, semántica, procedimental) es una decisión arquitectónica crítica que a menudo se delega a proveedores de nube, creando riesgos de soberanía de datos y cumplimiento (GDPR).
• Convergencia de Disciplinas: La identificación independiente de estas cuatro capas por múltiples autores confirma que la estructura refleja la realidad emergente del campo en 2026.

5. Significado e Implicaciones

El artículo establece un nuevo paradigma para la implementación de IA en empresas:

• Cambio de Rol Humano: El rol humano migra de la formulación táctica de consultas (artesanal) al diseño de entornos informativos, la codificación de intenciones estratégicas y la formalización de conocimiento corporativo (arquitectónico).
• Control y Responsabilidad:
  • Quien controla el contexto, controla el comportamiento.
  • Quien controla la intención, controla la estrategia.
  • Quien controla las especificaciones, controla la escala.
• Advertencia sobre la "Fábrica Oscura": La facilidad de creación de agentes (no-code/low-code) sin las capas superiores de la pirámide conduce a sistemas autónomos sin guardrails, estratégicamente ciegos y propensos a fallos catastróficos.
• Universalidad: La pirámide es agnóstica a la arquitectura subyacente (LLM, modelos de mundo, SLMs); la necesidad de ingeniería de contexto, intención y especificación se intensifica a medida que los sistemas interactúan con datos más complejos y ruidosos del mundo físico.

En conclusión, el artículo argumenta que para escalar la IA de prototipos a sistemas corporativos robustos, las organizaciones deben abandonar la visión puramente basada en "prompts" y adoptar una disciplina de ingeniería sistémica que abarque el contexto, la intención y las especificaciones formales.