La ingeniería de AI Prompt no es el futuro

La ingeniería prompt ha tomado por asalto el mundo de la IA generativa. El trabajo, que implica la optimización de la entrada de texto para comunicarse eficazmente con grandes modelos lingüísticos, ha sido aclamado por el Foro Económico Mundial como el "trabajo del futuro" número uno, mientras que el CEO de Open AI, Sam Altman, lo caracterizó como una "habilidad asombrosamente bien aprovechada". Las redes sociales rebosan de una nueva oleada de personas influyentes que exhiben "prompt mágicos" y prometen resultados asombrosos. Sin embargo, a pesar del revuelo que la rodea, la prominencia de la ingeniería de prompt puede ser efímera por varias razones. En primer lugar, las futuras generaciones de sistemas de IA serán más intuitivas y hábiles a la hora de comprender el lenguaje natural, lo que reducirá la necesidad de diseñar meticulosamente los prompt. En segundo lugar, los nuevos modelos lingüísticos de IA, como el GPT4, ya resultan muy prometedores en la elaboración de prompts: la propia IA está a punto de dejar obsoleta la ingeniería de prompt. Por último, la eficacia de los prompt depende del algoritmo específico, lo que limita su utilidad en distintos modelos y versiones de IA. Entonces, ¿cuál es una habilidad más duradera y adaptable que nos seguirá permitiendo aprovechar el potencial de la IA generativa? Es la formulación de problemas: la capacidad de identificar, analizar y delinear problemas. La formulación de problemas y la ingeniería de prompt difieren en su enfoque, tareas centrales y habilidades subyacentes. La ingeniería de prompt se centra en la elaboración de la entrada textual óptima mediante la selección de las palabras, frases, estructuras oracionales y puntuación adecuadas. En cambio, la formulación de problemas hace hincapié en definir el problema delimitando su enfoque, alcance y límites. La ingeniería de prompt requiere un dominio firme de una herramienta específica de IA y competencia lingüística, mientras que la formulación de problemas requiere una comprensión exhaustiva del dominio del problema y capacidad para destilar las cuestiones del mundo real. El hecho es que, sin un problema bien formulado, incluso los prompt más sofisticados se quedarán cortos. Sin embargo, una vez que el problema está claramente definido, los matices lingüísticos de un prompt pasan a ser tangenciales a la solución. Por desgracia, la formulación de problemas es una habilidad muy olvidada y poco desarrollada para la mayoría de nosotros. Una de las razones es el énfasis desproporcionado que se da a la resolución de problemas en detrimento de la formulación. Este desequilibrio quizá se ilustre mejor con el adagio de gestión prevalente pero equivocado, "no me traigas problemas, tráeme soluciones". Por eso no sorprende ver que una encuesta reciente revela que el 85% de los ejecutivos de la alta dirección consideran que sus organizaciones son malas diagnosticando problemas. ¿Cómo se puede mejorar en la formulación de problemas? Sintetizando las ideas de anteriores investigaciones sobre la formulación de problemas y el diseño de puestos de trabajo, así como mi propia experiencia e investigación sobre plataformas de crowdsourcing -en las que los retos organizativos se articulan con regularidad y se abren a grandes audiencias- he identificado cuatro componentes clave para la formulación eficaz de problemas: diagnóstico del problema, descomposición, replanteamiento y diseño de restricciones. Diagnóstico del problema El diagnóstico del problema consiste en identificar el problema central que debe resolver la IA. En otras palabras, se trata de identificar el objetivo principal que desea que logre la IA generativa. Algunos problemas son relativamente sencillos de precisar como, por ejemplo, cuando el objetivo es obtener información sobre un tema específico como, por ejemplo, diversas estrategias de gestión de recursos humanos para la remuneración de los empleados. Otros son más desafiantes como, por ejemplo, explorar soluciones a un problema de innovación. Un ejemplo de ello es InnoCentive (ahora Wazoku Crowd). La empresa ha ayudado a sus clientes a formular más de 2.500 problemas, con una impresionante tasa de éxito superior al 80%. Mis entrevistas con los empleados de InnoCentive revelaron que un factor clave de este éxito era su capacidad para discernir lo fundamental que subyace a un problema. De hecho, a menudo comienzan su proceso de formulación de problemas utilizando la técnica de los "Cinco porqués " para distinguir las causas fundamentales de los meros síntomas. Un ejemplo concreto es el problema del petróleo subártico, que supuso la limpieza de las aguas subárticas tras el catastrófico vertido de petróleo del Exxon Valdez. En colaboración con el Instituto de Recuperación de Vertidos de Petróleo, InnoCentive señaló que la causa raíz del problema de la limpieza del petróleo era la viscosidad del crudo: el petróleo congelado se volvió demasiado espeso para bombearlo desde las barcazas. Este diagnóstico fue clave para resolver finalmente el problema de dos décadas de antigüedad con una solución que implicaba el uso de una versión modificada de un equipo de construcción diseñado para hacer vibrar el petróleo, manteniéndolo en estado líquido. Descomposición del problema La descomposición de problemas implica dividir los problemas complejos en subproblemas más pequeños y manejables. Esto es especialmente importante cuando se abordan problemas multifacéticos, que a menudo son demasiado enrevesados para generar soluciones útiles. Tomemos como ejemplo el reto InnoCentive contra la esclerosis lateral amiotrófica (ELA). En lugar de buscar soluciones para el amplio problema de descubrir un tratamiento para la ELA, el reto se concentró en un subcomponente del mismo: detectar y controlar el progreso de la enfermedad. En consecuencia, se desarrolló por primera vez un biomarcador de la ELA, que proporciona una solución no invasiva y rentable basada en la medición del flujo de corriente eléctrica a través del tejido muscular. Puse a prueba cómo la IA mejora con la descomposición de problemas utilizando un reto organizativo oportuno y común: la implantación de un marco sólido de ciberseguridad. Las soluciones de Bing AI eran demasiado amplias y genéricas para ser útiles de inmediato. Pero tras descomponerlas en subproblemas -por ejemplo, políticas de seguridad, evaluaciones de vulnerabilidad, protocolos de autenticación y formación de los empleados- las soluciones mejoraron considerablemente. Las instantáneas siguientes ilustran la diferencia. Métodos como la descomposición funcional o la estructura de desglose del trabajo pueden ayudarle a representar visualmente problemas complejos y simplificar la identificación de los componentes individuales y sus interconexiones más relevantes para su organización. Reencuadre del problema El replanteamiento de problemas implica cambiar la perspectiva desde la que se ve un problema permitiendo interpretaciones alternativas. Al replantear un problema de varias maneras, puede guiar a la IA para que amplíe el alcance de las posibles soluciones, lo que a su vez puede ayudarle a encontrar soluciones óptimas y a superar los bloqueos creativos. Pensemos en Doug Dietz, arquitecto de innovación de GE Healthcare, cuya principal responsabilidad era diseñar escáneres de resonancia magnética de última generación. Durante una visita al hospital, vio a un niño aterrorizado esperando una resonancia magnética y descubrió que un asombroso 80% de los niños necesitaban sedación para afrontar la intimidante experiencia. Esta revelación le incitó a replantearse el problema: "¿Cómo podemos convertir la desalentadora experiencia de la resonancia magnética en una aventura emocionante para los niños?". Este nuevo punto de vista condujo al desarrollo de la serie Adventure de GE, que redujo drásticamente las tasas de sedación pediátrica a tan sólo un 15%, aumentó las puntuaciones de satisfacción de los pacientes en un 90% y mejoró la eficacia de las máquinas. Ahora imagine lo siguiente: los empleados se quejan de la falta de plazas de aparcamiento disponibles en el edificio de oficinas. Puede que el planteamiento inicial se centre en aumentar las plazas de aparcamiento, pero si replantea el problema desde la perspectiva de los empleados -que encuentran estresante aparcar o que tienen opciones limitadas para desplazarse al trabajo- podrá explorar diferentes soluciones. De hecho, cuando pedí a ChatGPT que generara soluciones para el problema del espacio de aparcamiento utilizando marcos iniciales y alternativos, los primeros arrojaron soluciones centradas en la optimización de la disposición o la asignación del aparcamiento y en la búsqueda de nuevas plazas. El segundo produjo un conjunto de soluciones diversas como la promoción del transporte alternativo, los desplazamientos sostenibles al trabajo y el trabajo a distancia. Para replantear eficazmente los problemas, considere la posibilidad de adoptar la perspectiva de los usuarios, explorar analogías para representar el problema, utilizar la abstracción y cuestionar proactivamente los objetivos del problema o identificar los componentes que faltan en la definición del problema. Diseño de restricciones del problema El diseño de restricciones del problema se centra en delinear los límites de un problema definiendo las restricciones de entrada, proceso y salida de la búsqueda de soluciones. Puede utilizar las restricciones para dirigir a la IA en la generación de soluciones valiosas para la tarea en cuestión. Cuando la tarea está orientada principalmente a la productividad, suele ser más apropiado emplear restricciones específicas y estrictas para delinear el contexto, los límites y los criterios de resultado. En cambio, para las tareas orientadas a la creatividad, experimentar imponiendo, modificando y eliminando restricciones permite explorar un espacio de soluciones más amplio y descubrir perspectivas novedosas. Por ejemplo, los gestores de marcas ya utilizan varias herramientas de IA, como Lately o Jasper, para producir contenidos útiles en las redes sociales a gran escala. Para asegurarse de que este contenido se ajusta a los distintos medios y a la imagen de la marca, suelen establecer restricciones precisas en cuanto a la longitud, el formato, el tono o el público objetivo. Sin embargo, cuando buscan una verdadera originalidad, los gestores de marca pueden eliminar las restricciones de formato o restringir la producción a un formato poco convencional. Un gran ejemplo es la campaña Help Changes Everything de GoFundMe. El objetivo de la empresa era generar un contenido creativo de fin de año que no sólo expresara gratitud a sus donantes y evocara emociones, sino que también se distinguiera del típico contenido de fin de año. Para lograrlo, establecieron unas restricciones poco ortodoxas: los elementos visuales se basarían exclusivamente en arte de estilo mural callejero generado por IA y presentarían todas las campañas de recaudación de fondos y los donantes. DALL-E y Stable Diffusion generaron imágenes individuales que luego se transformaron en un vídeo cargado de emoción. El resultado: una estética visualmente cohesiva e impactante que cosechó elogios generalizados. En general, perfeccionar las habilidades de diagnóstico de problemas, descomposición, replanteamiento y diseño de restricciones es esencial para alinear los resultados de la IA con los objetivos de las tareas y fomentar una colaboración eficaz con los sistemas de IA. Aunque la ingeniería prompt puede acaparar la atención a corto plazo, su falta de sostenibilidad, versatilidad y transferibilidad limita su relevancia a largo plazo. Hacer demasiado hincapié en la elaboración de la combinación perfecta de palabras puede ser incluso contraproducente, ya que puede desviar la atención de la exploración del problema en sí y disminuir la sensación de control sobre el proceso creativo. En cambio, dominar la formulación de problemas podría ser la clave para navegar en un futuro incierto junto a sofisticados sistemas de IA. Podría resultar tan fundamental como lo fue aprender lenguajes de programación en los primeros tiempos de la informática.

La ingeniería de AI Prompt no es el futuro

Resumen.

Partner Center