Context engineering: ingeniería de contexto para agentes de IA

Context engineering: ingeniería de contexto para agentes de IA

Miércoles, 11 de la mañana. Un dueño de negocio le pide a una IA que le redacte una respuesta para un cliente enojado. La IA escribe algo impecable... y completamente inútil, porque no sabe que ese cliente debe tres facturas, que ya tuvo un reclamo el mes pasado y que es la cuenta más grande del año. El prompt estaba perfecto. Faltaba todo lo demás.

Context engineering, o ingeniería de contexto, es la disciplina de diseñar el entorno informativo que rodea a una IA para que tenga, en el momento justo y en el formato justo, todo lo que necesita para hacer bien su trabajo. No se trata de escribir mejores órdenes, sino de darle a la máquina la materia prima correcta: tus datos, tus reglas, tu historia de negocio. Como lo resume Andrej Karpathy, citado en esta guía de Atlan, es "el arte delicado de llenar la ventana de contexto con la información justa para cada paso".

Esta es la guía completa del cluster: qué es, por qué reemplaza al prompt engineering, cómo funciona en la práctica y cómo aplicarlo en tu negocio. Cada sección enlaza al artículo que la profundiza.

¿Qué es la ingeniería de contexto?

La ingeniería de contexto es el diseño del conjunto de información que una IA ve antes de responder. Mientras el prompt es la pregunta, el contexto es todo lo que la IA sabe cuando la recibe: tus documentos, tus datos, las reglas de tu negocio, la conversación previa. Una IA con el contexto correcto y un prompt mediocre acierta; una IA con un prompt brillante y sin contexto, falla.

La metáfora que más sirve: si la IA es un empleado nuevo brillante, el prompt es la tarea que le asignás y el contexto es todo lo que le contás sobre la empresa antes de soltarlo. Nadie esperaría que un empleado nuevo, por inteligente que sea, resuelva bien sin saber nada del negocio. Con la IA es igual.

¿Por qué el contexto importa más que el prompt?

Porque el límite de una IA en tu negocio rara vez es su inteligencia: es lo que sabe de vos. Los modelos actuales son enormemente capaces, pero por defecto saben de todo en general y de tu negocio nada. El trabajo de generar valor está en cerrar esa brecha.

Gartner lo declaró sin vueltas en julio de 2025: "el context engineering entra, el prompt engineering sale", y predijo que aparecerá en el 80% de las herramientas de IA para 2028, según esta guía de context engineering. El cambio es de fondo: las empresas están contratando "diseñadores de contexto" junto a sus ingenieros. La ventaja competitiva ya no es tener acceso a la IA (todos lo tienen), sino alimentarla mejor con tu realidad.

Los componentes del contexto

El contexto de una IA no es una cosa; son varias capas que trabajan juntas. Entenderlas te ayuda a saber qué le falta cuando responde mal.

1. Datos del negocio: tu información real (clientes, productos, historial, números).
2. Reglas e instrucciones: cómo querés que se comporte, qué puede y qué no puede hacer.
3. Memoria: lo que recuerda de interacciones previas para no empezar de cero cada vez.
4. Herramientas: a qué sistemas puede consultar o actuar (tu base de datos, tu calendario).
5. Formato: cómo le entregás la información para que la entienda bien.

Cuando una IA falla, casi siempre es porque una de estas capas está vacía o desordenada. El diagnóstico empieza preguntando cuál capa le faltó.

Context engineering vs. prompt engineering

La confusión más común es pensar que son lo mismo o que uno reemplaza al otro. En realidad, el prompt engineering es un subconjunto del context engineering: escribir bien la instrucción sigue importando, pero es solo una pieza del entorno informativo total.

La diferencia, con ejemplos concretos, la desarrollo en ingeniería de contexto vs prompt engineering.

Cómo se ve en la práctica

En la práctica, hacer context engineering en un negocio significa responder tres preguntas para cada tarea que querés delegarle a la IA. ¿Qué información necesita para hacerla bien? ¿Dónde vive esa información hoy? ¿Cómo se la entrego en el momento justo?

Volvamos al cliente enojado del principio. Con context engineering, antes de que la IA redacte la respuesta, el sistema le pasa automáticamente el historial de ese cliente, su saldo, sus reclamos previos y las reglas de tu negocio sobre cómo tratar cuentas grandes. La misma IA, con ese contexto, escribe una respuesta que sí sirve. No cambió el modelo: cambió lo que sabía. Cómo armar esto sin escribir mil prompts a mano lo cuento en prompts para tu negocio: del prompt al sistema de contexto.

El contexto y la madurez de IA de tu negocio

No todas las empresas están listas para el mismo nivel de context engineering. Depende de cuán ordenada esté tu información. Una empresa cuyos datos viven en planillas sueltas y memorias de WhatsApp no puede alimentar bien a una IA, por más buena que sea la herramienta. El contexto solo es tan bueno como los datos que tenés.

Por eso el context engineering va de la mano con la madurez digital del negocio: cuanto más ordenada tu información, más valor saca tu IA. Los distintos niveles de esa madurez los desgloso en niveles de madurez de IA para tu negocio. Y cuando el contexto se vuelve un sistema experto que va más allá de responder, eso es lo que exploro en más allá de la capa de intención.

Por qué esto importa para los agentes de IA

La diferencia entre un chatbot y un agente de IA que de verdad trabaja para tu negocio es, casi enteramente, context engineering. Un agente sin contexto es un buscador con buena dicción; un agente con el contexto correcto es un empleado que conoce tu operación. El 75% de las empresas planea desplegar IA agéntica en dos años, según Deloitte citado en la misma fuente, pero la mayoría va a fracasar por la misma razón: despliegan el agente sin construirle el contexto que necesita para no equivocarse.

Acá está el insight contraintuitivo: el cuello de botella de la IA en tu negocio no es la IA. Es qué tan bien organizás y le entregás tu propia información. La empresa que gana no es la que tiene el mejor modelo, sino la que mejor lo alimenta.

Los errores más comunes de context engineering

La mayoría de los proyectos de IA que fracasan no fracasan por el modelo: fracasan por el contexto mal armado. Estos son los tres errores que más veo y que cuestan más caro.

El primero es darle a la IA demasiado contexto. Suena raro, pero saturar a un modelo con todos los documentos de la empresa no ayuda: lo confunde. El context engineering bueno es selectivo, le da lo que importa para esa tarea, no todo lo que existe. Más información no es mejor información; la información correcta es mejor información.

El segundo error es darle contexto desactualizado. Si la IA responde con precios viejos o reglas que ya cambiaron, el problema no es la IA: es que la estás alimentando con datos vencidos. El contexto necesita mantenerse fresco igual que cualquier otra parte del negocio. El tercero es no definir qué NO debe hacer la IA. Un contexto completo incluye los límites: qué temas evitar, qué decisiones escalar a un humano, qué información no revelar. Un agente sin límites claros es un riesgo, no una herramienta.

Cómo empezar el context engineering en tu negocio

No necesitás un proyecto de transformación de dos años para empezar. Necesitás elegir una tarea concreta y armarle el contexto bien. Este es el camino que funciona.

Empezá por una sola tarea de alto valor que hoy la IA hace mal por falta de contexto: responder a clientes, armar presupuestos, clasificar pedidos. Para esa tarea, escribí qué información necesita la IA para hacerla bien (los datos, las reglas, los ejemplos de respuestas buenas). Después, conectá esa información a la IA, ya sea cargándola en el sistema o dándole acceso a donde vive. Probá, medí si las respuestas mejoraron, y ajustá el contexto.

Lo importante es que esto es iterativo: nunca acertás el contexto perfecto a la primera. Armás, probás, ves dónde la IA todavía se confunde, y le agregás el contexto que le faltaba. Cada iteración la hace más útil. La pyme que gana con IA no es la que tuvo el contexto perfecto de entrada, sino la que iteró rápido sobre lo que le faltaba.

El contexto como ventaja competitiva

Acá está la parte estratégica que casi nadie ve. Tu competencia tiene acceso a la misma IA que vos: los mismos modelos, las mismas herramientas. Lo único que no pueden copiar es tu contexto: tu información de negocio, tus reglas, tu historia con tus clientes, el conocimiento de tu equipo. Ese contexto es tu foso.

Por eso el context engineering no es solo una técnica: es donde se decide quién gana con IA. Dos negocios con el mismo modelo pero distinta calidad de contexto van a tener resultados radicalmente distintos. El que organiza y entrega bien su información construye una IA que conoce su operación; el que no, tiene un chatbot genérico que cualquiera puede tener. La inteligencia se compró igual para todos; el contexto se construye, y eso te pertenece solo a vos.

Esta es la razón por la que vale la pena invertir en ordenar tu información antes que en la última herramienta de moda. La herramienta cambia cada seis meses; tu contexto bien armado se capitaliza y crece. Cada interacción que la IA tiene con tu negocio, bien diseñada, suma a un activo que tu competencia no puede comprar.

Quién hace el context engineering en una empresa

Una pregunta práctica que casi nadie se hace: ¿de quién es este trabajo? La respuesta corta es que es un trabajo compartido entre quien conoce el negocio y quien arma el sistema. El error es pensar que es puramente técnico y delegarlo entero al área de tecnología.

El conocimiento de qué contexto importa vive en la gente que hace el trabajo todos los días: quién atiende a los clientes sabe qué información necesita una respuesta buena, quién maneja el stock sabe qué reglas no se pueden romper. Ese conocimiento es la materia prima del contexto y no está en ningún manual técnico. Por eso las empresas más avanzadas están creando el rol de "diseñador de contexto", una persona que traduce el saber del negocio en información que la IA puede usar. No es un programador; es alguien que entiende profundamente la operación y sabe estructurar lo que importa.

En una pyme, ese rol suele recaer en el dueño o en quien mejor conoce el negocio, trabajando con un consultor técnico que arma la parte del sistema. La clave es no separar las dos cosas: el técnico que arma el contexto sin entender el negocio produce un sistema vacío, y el dueño que entiende el negocio pero no estructura su conocimiento deja a la IA adivinando. El valor aparece cuando las dos cabezas trabajan juntas.

Context engineering y la calidad de tus datos

No se puede hablar de context engineering sin hablar de la calidad de los datos, porque uno depende del otro. El contexto que le das a la IA sale de tus datos, y si tus datos están mal, el contexto está mal, y la IA responde mal. Es la cadena más simple y la que más se ignora: datos malos producen contexto malo produce respuestas malas.

Muchas empresas se entusiasman con la IA y descubren, al implementarla, que el problema real era otro: nunca habían ordenado su información. Los precios estaban en tres lugares distintos con valores diferentes, las reglas del negocio vivían en la cabeza de una persona, el historial de los clientes estaba partido entre el WhatsApp de uno y el mail de otro. La IA, al exponer esa desorganización, hace un favor: muestra el desorden que ya existía.

Por eso un proyecto de context engineering bien hecho casi siempre arranca ordenando los datos. No es un desvío del proyecto; es el proyecto. Cada hora que ponés en tener tu información limpia y en un solo lugar es una hora que multiplica el valor de cualquier IA que le pongas encima después. El orden de los datos no es el trabajo aburrido previo a la IA: es el trabajo que hace que la IA valga la pena.

El futuro: del prompt al sistema de contexto

Hacia dónde va todo esto es claro. Estamos pasando de un mundo donde la gente escribía prompts a mano, uno por uno, a un mundo donde los sistemas arman el contexto automáticamente para cada tarea. El prompt manual era artesanal y no escalaba; el sistema de contexto es industrial y se repite mil veces sin que vos intervengas.

En ese futuro, el valor no está en saber escribir el prompt perfecto (eso lo hará el sistema), sino en haber construido el contexto correcto: la información, las reglas, los límites, la memoria. La habilidad que se vuelve cara no es "hablarle bien a la IA", sino "diseñar el entorno donde la IA opera bien sola". Esa es exactamente la promesa del context engineering, y la razón por la que Gartner lo ve en el 80% de las herramientas para 2028.

Para un negocio, esto significa una cosa concreta: el trabajo que hagas hoy ordenando tu información y definiendo tus reglas no se pierde cuando cambie el modelo de moda. Se capitaliza. El modelo del año que viene será mejor, pero va a operar sobre el mismo contexto que construiste, y lo va a aprovechar aún mejor. Invertir en contexto es invertir en algo que no se devalúa con la próxima versión.

Un caso concreto de punta a punta

Para cerrar con algo tangible, sigamos una tarea real de principio a fin. Un negocio quiere que la IA arme presupuestos automáticamente cuando un cliente lo pide por WhatsApp. Sin context engineering, la IA arma un presupuesto genérico que ignora los descuentos del cliente, los precios actuales y los plazos reales de entrega. Sirve para nada.

Con context engineering, antes de que la IA escriba el presupuesto, el sistema le entrega cuatro cosas: la lista de precios vigente, las condiciones especiales de ese cliente (si tiene descuento por volumen, por ejemplo), las reglas del negocio sobre plazos y mínimos, y un par de ejemplos de presupuestos bien armados del pasado. Con ese contexto, la misma IA produce un presupuesto que el dueño solo tiene que revisar y aprobar, en segundos en vez de en media hora.

Fijate qué no cambió: el modelo es el mismo, el prompt es casi idéntico. Lo único que cambió fue la información que la IA tenía a mano en el momento de responder. Esa es toda la diferencia entre una IA que impresiona en una demo y una que de verdad trabaja en tu negocio. El presupuesto bien armado no salió de una IA más inteligente; salió de una IA mejor informada. Esa es la promesa entera del context engineering, resumida en una tarea.

Qué medir para saber si vas bien

Como todo en un negocio, el context engineering se mide o no existe. La métrica que importa no es "¿la IA responde lindo?", sino "¿cuántas de sus respuestas puedo usar sin corregir?". Esa tasa de respuestas usables es el termómetro del contexto: si sube, le diste el contexto correcto; si no se mueve, le falta información o se la estás dando mal.

Una segunda métrica útil es cuánto tiempo ahorrás por tarea. Si la IA arma un presupuesto que antes te llevaba 30 minutos y ahora solo revisás 2, ese ahorro es el valor concreto del contexto bien hecho. Multiplicado por la cantidad de veces que la tarea se repite, es plata real. La empresa que mide estas dos cosas sabe exactamente cuánto le rinde su inversión en contexto, y dónde conviene mejorarlo. La que no mide, opina; la que mide, decide.

Preguntas frecuentes

¿Qué es context engineering en palabras simples?

Es el arte de darle a una IA toda la información que necesita para hacer bien su trabajo: tus datos, tus reglas, tu contexto de negocio. No se trata de escribir mejores órdenes, sino de armar el entorno informativo correcto alrededor del modelo.

¿En qué se diferencia del prompt engineering?

El prompt engineering optimiza la instrucción que le das a la IA; el context engineering optimiza toda la información que rodea esa instrucción. Gartner declaró que el context engineering está reemplazando al prompt engineering y aparecerá en el 80% de las herramientas de IA para 2028.

¿Por qué falla mi IA aunque le escriba buenos prompts?

Porque un buen prompt sin contexto es una buena pregunta hecha a alguien que no conoce tu negocio. Si la IA no tiene tus datos, tus reglas y tu historia, no importa cuán bien escribas: le falta la materia prima para acertar.

¿Necesito ser técnico para aplicar context engineering?

No para entenderlo ni para liderar el proyecto. Necesitás saber qué información de tu negocio importa y cómo está organizada. La parte técnica la resuelve el sistema; la parte de criterio sobre qué contexto importa es tuya.

¿Sirve el context engineering para una pyme o solo para grandes empresas?

Sirve para cualquier negocio que quiera que la IA trabaje con SU realidad y no con conocimiento genérico. Una pyme con sus datos bien organizados saca más valor de la IA que una empresa grande con todo desordenado.

¿Tu IA responde lindo pero no sirve para tu negocio? Casi siempre es un problema de contexto, no de modelo. Escribime y vemos qué información le falta para que trabaje con tu realidad.