Muchos equipos de desarrollo han creado en los últimos años sus propias colecciones de prompts y skills: bloques de texto que explican a un asistente de IA cómo se trabaja en el proyecto, qué archivos debe leer de antemano y qué pasos no debe ejecutar nunca sin consultar. Estas bibliotecas han ido creciendo, normalmente sin que nadie las haya vuelto a reducir. Precisamente eso se está convirtiendo ahora en un problema.

Lo que observa OpenAI

Eric Provencher, desarrollador en OpenAI, señala que las descripciones extensas de skills, las obligaciones generales de lectura y las reglas rígidas de aprobación pueden frenar al modelo GPT-6 Astra en Codex. El trasfondo: los modelos más potentes necesitan menos instrucciones detalladas que sus predecesores. Lo que antes era una guía necesaria, hoy se convierte en lastre.

La recomendación es, en consecuencia, sobria. Las instrucciones deben acortarse según la tarea, en lugar de aplicarse de forma general a todos los casos. Y en vez de prescribir cada paso de trabajo, los equipos deben definir criterios claros de finalización, es decir, establecer cuándo se considera terminada una tarea.

Por qué es plausible

Las bibliotecas de prompts surgen de forma reactiva. Un asistente olvida una convención, así que se añade una regla. Modifica un archivo que no debería tocar, así que se añade una lista de prohibiciones. No lee el contexto, así que se hace obligatoria la lectura. Cada una de estas adiciones tenía sentido en su momento.

El resultado es un conjunto de reglas adaptado a las debilidades de un estado concreto del modelo. Si el modelo cambia, la instrucción permanece. Entonces describe problemas que ya no existen y, al mismo tiempo, reduce el margen para soluciones que el nuevo modelo encontraría por sí mismo.

Directrices que quedan obsoletas con especial rapidez

  • Obligaciones generales de lectura: instrucciones de leer completos determinados archivos o documentaciones antes de cada tarea, independientemente de si encajan con la tarea.
  • Coreografías paso a paso: especificaciones detalladas del proceso que prescriben al modelo el orden, en lugar de describir el objetivo.
  • Reglas rígidas de aprobación: obligaciones de consulta que se activan en cada acción y fragmentan el flujo de trabajo.
  • Explicaciones redundantes: descripciones extensas de conceptos que el modelo ya domina desde hace tiempo.

No todas estas directrices son superfluas. Las obligaciones de aprobación en migraciones de bases de datos, despliegues o cambios en configuraciones de producción tienen su razón de ser y deberían mantenerse. La cuestión es si una regla protege frente a un riesgo real o solo compensa una antigua debilidad del modelo.

Criterios de finalización en lugar de instrucciones de trabajo

La parte más interesante de la indicación es el cambio a criterios de finalización. En lugar de describir cómo debe trabajarse, se describe cómo debe ser el resultado: ¿Qué pruebas deben pasar en verde? ¿Qué verificaciones deben superarse? ¿Qué documentación debe estar actualizada? ¿Qué interfaces no deben haber cambiado?

Este enfoque es más robusto frente a los cambios de modelo. Un criterio como "la suite de pruebas existente se ejecuta sin errores" sigue siendo válido, independientemente del modelo que realice el trabajo. Una instrucción como "lee primero estos cuatro archivos" está vinculada a un estado concreto del modelo.

De paso, el cambio obliga a los equipos a una aclaración útil: quien quiera formular criterios de finalización debe saber qué significa calidad en su propio proyecto. Esta pregunta merece la pena incluso cuando no participa ningún asistente de IA.

Un tema de mantenimiento, no un proyecto único

Las bibliotecas de prompts y skills forman parte de la infraestructura del proyecto, comparables con las configuraciones de build o las reglas del linter. Necesitan mantenimiento, y no solo en forma de adiciones. Un ritmo pragmático sería revisar la colección siempre que un nuevo modelo entre en el flujo de trabajo.

Para ello ayuda un procedimiento sencillo: a cada regla se le pregunta qué problema concreto resolvió en su momento. ¿Ese problema sigue existiendo? Si nadie en el equipo conoce la respuesta, es una señal de que la regla puede eliminarse a modo de prueba. El versionado hace que estos experimentos tengan poco riesgo, porque cualquier cambio puede revertirse.

También es importante que el efecto siga siendo medible. Quien no hace seguimiento de cuántos retrabajos causa un asistente o con qué frecuencia fracasan las propuestas en la revisión, tampoco puede evaluar si un recorte ha ayudado o perjudicado.

Qué significa esto para proyectos web y de software

Quien haya integrado asistentes de IA de forma fija en sus procesos de desarrollo debería tratar las instrucciones que los acompañan como un componente del proyecto sujeto a mantenimiento, con revisión periódica y la disposición a eliminar reglas de nuevo. El esfuerzo es pequeño, el efecto sobre la velocidad y la calidad del resultado puede ser notable. Y el cambio de instrucciones de trabajo a criterios claros de finalización compensa por partida doble: hace más estable la colaboración con asistentes y, al mismo tiempo, afina la propia comprensión de la calidad en el equipo.

Fuentes