Context engineering: qué es y por qué es la evolución del prompt engineering

En junio de 2025, Andrej Karpathy, uno de los nombres más influyentes de la inteligencia artificial actual, escribió algo que cambió la forma en que muchos equipos hablan del tema: en cualquier aplicación seria con IA, la habilidad central ya no es el prompt engineering, es el context engineering.

Tobi Lütke, CEO de Shopify, lo resumió con una frase que se ha citado hasta la saciedad desde entonces: describe mejor la habilidad real, el arte de aportar todo el contexto necesario para que la tarea sea razonablemente resoluble por el modelo.

Llevamos meses viendo cómo clientes que ya dominan el arte del prompt siguen sin obtener resultados consistentes con la IA.

El problema casi nunca está en cómo preguntan. Está en lo que la IA sabe, o no sabe, antes de que le pregunten nada.

Qué es context engineering (ingeniería de contexto)

El context engineering, o ingeniería de contexto, es la disciplina de diseñar de forma deliberada todo el entorno de información que rodea a un modelo de lenguaje antes de pedirle que resuelva una tarea. O lo que es lo mismo, crear uno o varios documentos que proporcionen a un LLM toda la información necesaria para enriquecer el contexto, como información, documentos, gráficos, tablas, etc.

Simon Willison, uno de los primeros en formalizar el concepto, lo describe como

el ensamblaje consciente de prompts de sistema, documentos recuperados, historial de conversación y resultados de herramientas en un paquete de información coherente.

La diferencia con el prompt engineering es clara una vez se explica: el prompt engineering trata sobre cómo formulas la instrucción puntual.

El context engineering trata sobre qué información tiene disponible el modelo para resolver esa instrucción.

Un prompt perfecto sobre un contexto vacío sigue produciendo resultados mediocres, porque el modelo carece de la información implícita que un humano daría por hecha.

Las cuatro estrategias de context engineering según LangChain

LangChain, uno de los frameworks de referencia para construir aplicaciones con IA, formalizó el context engineering en cuatro estrategias que resumen bien de qué se trata en la práctica.

Write (escribir): redactar con precisión las instrucciones y el conocimiento base que el modelo necesita, en lugar de dar por hecho que ya lo sabe.

Select (seleccionar): elegir qué contexto es realmente relevante para la tarea actual, descartando información que solo añade ruido.

Compress (comprimir): reducir el desperdicio de tokens sin perder la información esencial, algo especialmente importante cuando se trabaja con conversaciones largas o documentos extensos.

Isolate (aislar): mantener contextos separados y limpios cuando se dividen tareas entre varios agentes o procesos, para evitar que información de una tarea contamine otra.

Estas cuatro palancas funcionan igual de bien para un equipo que construye agentes de código que para una agencia que produce contenido editorial con IA, aunque la mayoría del contenido publicado sobre el tema esté escrito pensando solo en los primeros.

Context engineering aplicado a redacción con IA, no solo a agentes

Casi todo lo que se ha escrito hasta ahora sobre context engineering está orientado a desarrollo de software y agentes autónomos. Pero el mismo principio se aplica, con las mismas cuatro estrategias, a producir contenido editorial con IA.

En SMP llevamos aplicando esta lógica desde antes de que existiera el término para nombrarla.

Cuando preparamos un brief SEO completo, una guía de estilo detallada y ejemplos de artículos previos antes de redactar con IA, no estamos haciendo redacción con IA a base de prompts sueltos.

Estamos construyendo el contexto que hace que el resultado suene a la marca del cliente, no a una respuesta genérica.

Un ejemplo real de esta lógica aplicada a medios de comunicación es el proyecto GuIA de El País, lanzado en 2026.

El sistema se integra con el gestor de contenidos de la redacción para automatizar tareas repetitivas como el etiquetado, la selección de noticias relacionadas y la generación de resúmenes, liberando así tiempo de los periodistas para el análisis, la búsqueda de fuentes y la redacción propiamente dicha.

No sustituye el criterio editorial: estructura el contexto operativo alrededor de él.

Para un equipo de marketing de contenidos, aplicar context engineering significa preguntarse, antes de escribir cualquier prompt:

• ¿tiene la IA el tono de marca?
• ¿Tiene ejemplos de contenido que ya ha funcionado?
• ¿Sabe a quién se dirige el texto y qué debe evitar?

Si la respuesta es no, cualquier prompt, por bien redactado que esté, va a producir algo genérico.

Puedes ver cómo encajamos esto dentro de un proceso completo en nuestra guía de flujo de trabajo con IA.

Qué es un context engineer y si es un rol nuevo

El término «context engineer» ha empezado a aparecer en ofertas de empleo y publicaciones técnicas, pero conviene aclarar algo: en la mayoría de organizaciones no es todavía un puesto de trabajo independiente.

Es una competencia que se está integrando dentro de roles ya existentes: desarrolladores de IA que además diseñan el sistema de recuperación de información, o redactores y estrategas de contenido que preparan el contexto de marca antes de delegar la escritura en un modelo.

Esto tiene una implicación práctica: no hace falta contratar a nadie con ese título exacto para empezar a aplicar context engineering.

Hace falta que quien ya diseña vuestros prompts empiece a pensar también en qué información rodea a esos prompts, algo que se puede incorporar directamente a un proceso de producción de contenido con IA ya existente.

Ejemplos prácticos de context engineering

En un chatbot de atención al cliente, context engineering significa que el modelo tenga acceso al historial de compras del cliente, a las políticas de devolución vigentes y al tono de marca de la empresa antes de responder, no solo a la pregunta que acaba de escribir.

En un agente de código, significa darle acceso a la estructura del repositorio, a las convenciones de nomenclatura del equipo y a ejemplos de código ya aprobado, en lugar de pedirle una función aislada sin contexto del proyecto.

En producción de contenido editorial, como hacemos en SMP, significa aportar la metodología SEO del cliente, artículos previos publicados, el brief de la keyword objetivo y las normas de estilo de marca antes de redactar cualquier párrafo.

El resultado no es un texto genérico corregido después: es un texto que ya nace alineado, porque el modelo tenía la información necesaria desde el principio.

Conclusión

El context engineering no sustituye al prompt engineering, lo completa.

Un buen prompt sigue siendo necesario, pero deja de ser suficiente en cuanto el resultado que buscas depende de información que el modelo no tiene por defecto.

Nuestra recomendación

Antes de escribir el siguiente prompt, pregúntate qué le falta saber al modelo para acertar a la primera.

Si la respuesta es «bastante», ahí está el trabajo real, no en pulir la redacción de la instrucción.

Es la misma lógica que aplicamos en nuestro enfoque de IA generativa aplicada al marketing de contenidos: el contexto decide el resultado antes que la instrucción.

Preguntas frecuentes sobre context engineering

¿Qué es context engineering?

Es la disciplina de diseñar de forma deliberada toda la información que un modelo de lenguaje necesita para resolver una tarea: instrucciones, documentos de referencia, historial de conversación y ejemplos previos, más allá de la instrucción puntual.

¿En qué se diferencia context engineering de prompt engineering?

El prompt engineering se centra en cómo formulas la pregunta. El context engineering se centra en qué información tiene disponible el modelo antes de que se la hagas. Un prompt perfecto sin contexto adecuado sigue produciendo resultados mediocres.

¿Qué es un context engineer?

Todavía no es, en la mayoría de organizaciones, un puesto de trabajo independiente. Es una competencia que se integra dentro de roles ya existentes, como desarrolladores de IA o estrategas de contenido.

¿Cuáles son ejemplos de context engineering?

Dar a un chatbot acceso al historial del cliente antes de responder, dar a un agente de código la estructura del repositorio antes de pedirle una función, o dar a una IA la guía de estilo y artículos previos de una marca antes de pedirle que redacte contenido.

¿Cómo se aplica context engineering a la redacción de contenido con IA?

Aportando al modelo el brief SEO, la guía de estilo de marca, ejemplos de artículos previos y el público objetivo antes de pedirle que redacte, en lugar de depender solo de un prompt bien escrito.

¿Por qué mis prompts ya no funcionan igual de bien que antes?

Probablemente porque el problema nunca estuvo solo en el prompt. A medida que las tareas se vuelven más complejas, el modelo necesita más contexto del que un prompt aislado puede aportar, por bien redactado que esté.