Quien trabaja regularmente con modelos de lenguaje conoce el patrón: una tarea se resuelve cada vez mejor a lo largo de varios intentos, la formulación es la adecuada, el resultado es correcto, y al cerrar la ventana del chat ese conocimiento desaparece. Dos desarrollos actuales abordan precisamente este punto, aunque en niveles distintos.
WikiSkill: los agentes documentan lo que ha funcionado
Google Research ha presentado con WikiSkill un framework que proporciona a los agentes de IA una base de conocimiento persistente. En este contexto, los agentes son sistemas de IA que procesan una tarea de forma autónoma a lo largo de varios pasos, por ejemplo invocando herramientas y verificando resultados intermedios. Hasta ahora, estos sistemas descartaban sus hallazgos tras cada iteración: lo que falló en el tercer intento posiblemente se vuelve a probar en el cuarto.
WikiSkill, en cambio, apuesta por la documentación. Los errores y los éxitos se registran en una especie de wiki y quedan disponibles para ejecuciones posteriores. Así, el agente va construyendo con el tiempo un acervo de experiencia en lugar de empezar desde cero cada vez.
Resulta interesante la observación de que el efecto varía según el tamaño del modelo. Según los datos disponibles, los modelos más grandes se benefician en mayor medida de la base de conocimiento documentada. Al mismo tiempo, los modelos más pequeños pueden llegar a equipararse en parte a los grandes, lo que indica que el conocimiento estructurado compensa una parte de lo que de otro modo tendría que resolverse mediante el tamaño del modelo. Para la práctica, esta es una perspectiva relevante, porque los modelos más pequeños son más económicos y rápidos.
Bibliotecas de prompts: el mismo principio a nivel de equipo
Paralelamente, los equipos abordan el problema desde el plano organizativo. heise KI Pro anuncia para el 1 de septiembre de 2026, de 16 a 17 horas, un webinar sobre la creación de bibliotecas de prompts reutilizables; la participación cuesta 99 euros. En cuanto al contenido, se trata de desarrollar, a partir de consultas puntuales a la IA, plantillas modulares que sirvan para equipos y tareas recurrentes.
El espectro mencionado abarca desde una simple plantilla de chat, pasando por Custom GPTs —es decir, asistentes preconfigurados con un rol y una base de conocimiento definidos—, hasta prompts como componentes en flujos de trabajo asistidos por IA. Con ello queda bien delimitado el abanico: en un extremo hay una colección de textos cuidada, en el otro un componente dentro de una cadena de procesos automatizada.
El núcleo común
Ambos enfoques tratan los prompts y los procedimientos no como artículos desechables, sino como un acervo de conocimiento que se mantiene y se reutiliza. La diferencia radica en quién documenta:
- WikiSkill automatiza el registro de experiencias dentro del sistema de agentes. El propio sistema anota lo que ha funcionado y lo que no.
- Las bibliotecas de prompts son una tarea humana. Los empleados reconocen que una formulación funciona bien y la convierten en una plantilla que otros pueden utilizar.
En la práctica, ambas direcciones se complementan. Una biblioteca de prompts proporciona la calidad inicial con la que arranca un agente. Un sistema con base de conocimiento persistente perfecciona ese punto de partida a partir de ejecuciones concretas. Quien solo aplica una de las dos cosas desaprovecha o bien la experiencia del uso o bien la estructura del equipo.
Qué pueden extraer las empresas de ello
La palanca práctica reside menos en el modelo que en la pregunta de dónde se encuentra realmente el conocimiento sobre IA en la empresa. Mientras los prompts estén atrapados en conversaciones de chat privadas de personas individuales, el conocimiento está ligado a esas personas. No se puede verificar, ni mejorar, ni transferir.
De ello pueden derivarse algunos puntos de partida:
- Identificar tareas recurrentes. La reutilización merece la pena allí donde el mismo tipo de consulta aparece con regularidad: textos de producto, resúmenes, clasificación de solicitudes, revisiones de código.
- Versionar los prompts como código. Cuando una plantilla se utiliza en procesos, necesita un historial de cambios comprensible. Los cambios en el prompt modifican el resultado, a menudo de forma sutil.
- Aclarar la responsabilidad. Una biblioteca sin mantenimiento queda obsoleta. Se necesitan personas que aprueben, revisen y retiren plantillas.
- Documentar los resultados, no solo los prompts. La idea central de WikiSkill —registrar los errores igual que los éxitos— también puede trasladarse a los equipos sin necesidad de un framework. Lo que no ha funcionado suele ser la información más valiosa.
Clasificación: límites y cuestiones abiertas
Hasta ahora, sobre WikiSkill existen resultados procedentes de la investigación, pero no hay datos sobre una amplia disponibilidad en entornos de producción. Cómo se comporta una base de conocimiento en crecimiento a lo largo de periodos prolongados es una cuestión abierta: los hallazgos documentados también pueden quedar obsoletos cuando cambian las herramientas, las interfaces o los requisitos. Un wiki que conserva supuestos erróneos refuerza los errores en lugar de evitarlos.
Algo similar ocurre con las bibliotecas de prompts. La creación es la parte fácil; el mantenimiento, la difícil. Las plantillas adaptadas a un modelo determinado no funcionan necesariamente igual de bien tras un cambio de modelo. Por eso, quien integra prompts en flujos de trabajo debería prever que estos componentes deben revisarse con regularidad, de forma comparable a las dependencias en una aplicación de software.
Para los proyectos web y de software, esto significa: los prompts forman parte de la lógica de la aplicación y deben tratarse en consecuencia: versionados, probados y con una responsabilidad clara. Quien integra funciones de IA en un sitio web, un sistema de gestión editorial o un proceso interno, debería definir desde el principio dónde se ubican estos componentes y cómo revierten los hallazgos del funcionamiento.
La diferencia entre una función de IA útil y una que nadie vuelve a tocar después de tres meses suele estar exactamente aquí.