El 'prompting' ya es cosa del pasado, ahora la nueva tendencia es el 'loop engineering'
Elígenos como tu fuente preferida en Google.
Dar instrucciones simples a un modelo de inteligencia artificial ya no es suficiente; ahora, los expertos creen que los bucles pueden aumentar el rendimiento de los modelos.
Las herramientas de inteligencia artificial generativa se han desarrollado tan rápidamente, a pesar de los avisos de grandes expertos del sector de que debería pararse, que incluso la ingeniería de prompts ya parece ser cosa del pasado.
En este caso, el pasado se refiere a hace apenas 3 años, cuando los usuarios tenían que revisar detalladamente qué instrucciones le daban a los modelos de lenguaje natural (LLM), independientemente de la compañía de la que dependieran.
Ahora, los expertos aseguran que la ingeniería de prompts se ha quedado en un segundo plano, mientras la tendencia es lo que se conoce como loop engineering, una especie de bucle que permite que los agentes autónomos puedan resolver por sí mismos sus problemas, sin necesidad de que un ser humano esté pendiente siempre.
"Es una forma de enseñar a una inteligencia artificial a trabajar por pasos: analiza lo que tiene que hacer, actúa, revisa el resultado y repite hasta terminar correctamente la tarea o hasta alcanzar el número máximo de intentos establecidos", explica Omar Martínez, CTO de la compañía tecnológica SDi.
En castellano, esta nueva modalidad podría traducirse como ingeniería de bucles, y busca directamente suplir la necesidad de que un ser humano tenga que dar instrucciones al LLM para que este pueda actuar por su propia cuenta, de forma autónoma, un objetivo verificable.
En junio de este mismo año, incluso personalidades importantes del sector, como Boris Cherny, responsable de Claude Code en Anthropic, ya aseguró que no introducía prompts en Claude, sino que tenía diferentes bucles en ejecución. Un nuevo paradigma que parece ser el futuro de los agentes autónomos.
De instrucciones estáticas a un modelo que se retroalimenta
La diferencia técnica es bastante clara entre la ingeniería de prompts y la ingeniería de bucles, ya que en el caso de la primera las instrucciones son estáticas, mientras que un bucle permite corregir instrucciones durante la marcha sin tener que revisar constantemente el prompt.
"El prompt engineering se centra en formular bien una petición para obtener una buena respuesta en un momento concreto. El loop engineering va un paso más allá: busca que la inteligencia artificial sea capaz de avanzar sobre una tarea, revisar lo que ha hecho, corregir errores y continuar hasta alcanzar un resultado válido", explica Martínez.
Es uno de los cambios más sustanciales de los últimos tiempos. Si antes la IA se dedicaba a predecir el siguiente movimiento, ahora es capaz de planificar, evaluar alternativas y descartar los caminos que puedan dar lugar a errores.
Incluso existen estudios que ya han analizado la fiabilidad de las respuestas de modelos tan conocidos como GPT, como el de AlphaCodium: con un promt, este LLM ofrecía una precisión del 19%; con un bucle, el rendimiento aumentó hasta el 44%, una diferencia bastante notable.
Esto supone un incremento del 131% en la precisión del mismo modelo, por lo que la fiabilidad no depende del LLM en sí mismo, sino de este tipo de ingeniería, que permite al modelo entender cómo funcionan sus propios errores y los solventa por su propia cuenta.
"Tiene que saber qué objetivo debe conseguir, qué puede hacer para alcanzarlo, cómo comprobar si va por buen camino y en qué momento debe terminar o pedir ayudar a una persona", detalla el experto. "El agente revisa en qué punto se encuentra, qué ha conseguido hasta ese momento y qué le falta para llegar al objetivo. Con esa información decide cuál es la siguiente acción que tiene más sentido".
En este sentido, el bucle no funciona al margen de la infraestructura. Por el contrario, cuenta con un círculo cerrado bastante bien definido: analiza herramientas y permisos; actúa en base al contexto; observa los cambios; verifica si existe algún error, y vuelve a repetir de nuevo todos estos pasos, mejorando en cada ciclo.
Una técnica que podría llevar al desastre financiero y operativo
Seguramente ya hayas pensado en uno de los grandes inconvenientes que tiene dejar a un LLM actuar en bucle por su cuenta, ya que estos modelos de IA se basan generalmente en tokens, una especie de créditos que no suele ser nada baratos, ni a nivel económico ni a nivel de consumo energético.
Por tanto, dejar a un modelo actuar por su propia cuenta podría quemar directamente todos los tokens de un plan de pago en poco tiempo y arruinar cualquier proyecto, tanto personal como de una organización.
Los expertos aseguran que no todas las tareas son adecuadas para dejarlas en mano de un bucle de este tipo, sino más bien las que son más verificables; es decir, las que tienen unos objetivos muy claros y preestablecidos.
Tal fue el caso de una compañía tan relevante como Uber, que acabó con su presupuesto anual de IA en tan solo 4 meses, ya que un LLM que actúe en bucle puede consumir hasta 15 veces más que uno basado en los tradicionales prompts.
"Las tareas más apropiadas son aquellas en las que el resultado se puede comprobar con facilidad: localizar y corregir errores, crear pruebas, revisar código, actualizar documentación o realizar cambios repetitivos. Cuanto más claro sea el resultado esperado, mejor funciona este enfoque", concreta Martínez.
Pero incluso más allá del riesgo económico, hay otro peligro que puede pasar una factura más invisible: si se deja el control absoluto en bucles autónomas, esto podría llevar a la conocida como deuda técnica.
Esto se debe a que los programadores y analistas podrían enfrentarse a errores en el bucle sin que sean capaces de identificar qué está ocurriendo en el interior, ya que estos LLM actúan muchas veces con una rapidez que un ser humano no puede replicar.
Son inconvenientes sobre las que ya han alertado compañías tan importantes como Google e IBM, con lo cual el ser humano aún es imprescindible para que todo funcione correctamente, siempre desde una planificación y el control del bucle.
"Una automatización tradicional sigue siempre el mismo camino para cualquier petición realizada dentro de un contexto. Un loop permite que la IA vaya decidiendo qué hacer según los resultados que obtiene e itere de manera controlada para encontrar una respuesta correcta", concluye el experto.