Decisiones digitales

Ahora resulta que los prompts también han envejecido

Cuando los prompts se convierten en bucle, la pregunta útil no es qué escribir después, sino cuándo parar, revisar el objetivo y recuperar criterio antes de seguir generando.

22 de junio de 2026 15 min de lectura

Ahora resulta que los prompts también han envejecido

Si no sabes cuándo algo está bien, la IA puede seguir trabajando eternamente en lo equivocado. Laura Vaquero

Escribí la primera versión de este texto a principios de junio. Entonces ya empezaba a aparecer una palabra nueva en el vocabulario de la IA: loops.

Y pensé lo normal. ¡Ay, Dios. No me da la vida!

Acabábamos de asumir que había que saber escribir prompts. Luego llegaron los agentes. Después el context engineering. Luego los MCP, los conectores, los copilotos de todo, las automatizaciones que prometen hacerte la vida más fácil y que, curiosamente, siempre empiezan dándote más trabajo.

Ahora resulta que los prompts ya no bastan. La nueva palabra es loop.

A 22 de junio, la conversación ya no está solo en blogs técnicos. Empieza a circular como “la siguiente gran habilidad”: dejar de escribir prompts y empezar a diseñar bucles autónomos de IA.

Suena importante. También suena a otra cosa que alguien puede intentar venderte antes de que hayas podido entender la anterior.

Y no me he podido aguantar. No me tocaba escribir hoy para el blog, pero me ha pillado en el AVE volviendo a Barcelona. Quería llegar a casa para la verbena de San Juan, abrir el portátil solo lo justo y no meterme en otro jardín.

Pero aquí estamos. Así que vayamos por partes. Mejor aclarar qué son los loops antes de que nos vendan otro método definitivo con nombre en inglés.

No me interesa tanto la palabra nueva como la decisión que hay debajo: qué tareas tiene sentido dejar en manos de la IA, cuáles conviene supervisar de cerca y cuáles no deberían entrar todavía en automático.

Primero fueron los prompts. Ahora son los loops

Durante los últimos años, trabajar con IA generativa ha significado aprender a pedir. Mejor o peor, pero pedir.

“Redáctame esto.”
“Resume este documento.”
“Dame ideas para este tema.”
“Compárame estas herramientas.”
“Revisa este texto.”

El patrón era bastante claro: tú escribías una instrucción, la IA respondía, tú corregías, volvías a pedir, ajustabas, protestabas un poco porque no había entendido nada, reformulabas y, con suerte, al cabo de unas vueltas salía algo útil. Ese era el mundo del prompt.

El loop introduce otra lógica. En lugar de pedir una respuesta concreta, defines un objetivo, marcas cómo se sabrá que está cumplido, das recursos y límites, y dejas que el sistema itere. Hace una acción, observa el resultado, evalúa si se acerca al objetivo, corrige y vuelve a intentarlo.

Dicho sin incienso tecnológico: un loop es una tarea que la IA repite con cierta autonomía hasta que cumple una condición o hasta que se queda sin margen para seguir.

La parte interesante no es que repita. Eso lo hacen las máquinas desde hace décadas. La parte nueva es que algunos sistemas de IA ya pueden combinar lenguaje, herramientas, archivos, código, navegación, conectores y cierta autoevaluación dentro de una misma tarea.

Ahí aparece la promesa. Ya no le pides a la IA “dame una respuesta”. Le pides “haz este trabajo hasta que cumpla este criterio”. Y claro, dicho así, suena mucho mejor

Qué es un loop sin comprarse otra libreta de vocabulario IA

Un loop de IA tiene cinco piezas básicas.

La primera es el objetivo. No “escríbeme un texto”, sino “ayúdame a dejar este documento listo para una reunión de dirección”.
La segunda es el criterio de éxito. Aquí empieza lo serio. ¿Qué significa “listo”? ¿Que sea claro? ¿Que no tenga contradicciones? ¿Que incluya fuentes? ¿Que señale riesgos? ¿Que diferencie hechos, hipótesis y recomendaciones?
La tercera son los recursos. Qué puede consultar la IA: documentos, datos, URLs, herramientas internas, un repositorio, un CRM, una carpeta de trabajo.
La cuarta son las restricciones. Qué no debe hacer, cuántas vueltas puede dar, qué debe dejar intacto, qué coste o tiempo no debe superar.
La quinta es qué ocurre cuando falla. Porque falla. A veces no encuentra datos, a veces detecta una contradicción, a veces no puede verificar algo, a veces se atasca en una vuelta bastante elegante de tontería bien redactada.

Un loop bien pensado no solo dice qué hacer. Dice cuándo parar y qué hacer si no puede cumplir. Y ahí está la diferencia entre trabajar con IA con criterio y soltarle una tarea para que centrifugue tokens.

Agentes IA: qué son, qué cuestan y por qué ese coste te sorprenderá

No, los prompts no han muerto

Cada vez que aparece una palabra nueva en IA, alguien corre a enterrar la anterior.

Los prompts han muerto.
El SEO ha muerto.
La web ha muerto.
El email ha muerto.
El PowerPoint ha muerto.

Luego abres cualquier empresa un lunes por la mañana y todo sigue bastante vivo, especialmente el PowerPoint.

Con los prompts pasa algo parecido. No desaparecen. Cambian de sitio.

En un uso sencillo de ChatGPT, Claude, Gemini o Copilot, sigues escribiendo instrucciones. Vas a seguir pidiendo, corrigiendo, acotando y revisando. Lo que ocurre es que, en sistemas más agentivos, el prompt deja de ser solo “la frase que produce una respuesta” y pasa a ser la manera de definir un proceso.

Antes escribías: “Analiza este Excel.”

Ahora podrías escribir algo más parecido a: “Busca por qué ha caído el margen este trimestre. Formula hipótesis, contrástalas con los datos, descarta las que no encajen y marca qué parte necesita revisión humana antes de tomar una decisión.”

Eso todavía es un prompt. Pero ya no pide una salida aislada. Define una secuencia de trabajo. El cambio no está en que dejemos de escribir. Está en que tenemos que pensar mejor qué estamos pidiendo. ¡Vaya sorpresa!

El criterio de parada es donde se separa la magia del humo

La parte más importante de un loop no es que la IA haga muchas cosas. Es que sepa cuándo debe parar. Y para eso alguien tiene que definir un criterio.

Ilustración conceptual de un loop de IA dividido entre un proceso ordenado con criterios de validación y un bucle caótico sin condición de parada.

En programación es más fácil entenderlo. “Haz que todos los tests pasen.” La IA puede escribir código, ejecutar los tests, ver qué falla, corregir y volver a probar. Hay una señal bastante clara: tests en verde o límite de intentos agotado.

En datos también puede funcionar bien. “Deja este dataset preparado según estas reglas de calidad.” La IA puede detectar duplicados, formatos inconsistentes, campos vacíos y errores de validación. Si las reglas están bien definidas, el cierre es medible.

Pero llevemos esto a una empresa normal, con decisiones menos limpias.

“Prepara una propuesta comercial.”
“Revisa si este mensaje puede enviarse a clientes.”
“Dime si conviene automatizar este proceso.”
“Analiza si este contenido es adecuado para un sector regulado.”

Aquí el criterio de éxito ya no es tan obvio. ¿Qué significa adecuado? ¿Qué riesgos son aceptables? ¿Qué promesa no deberíamos hacer? ¿Qué parte debe validar una persona con responsabilidad legal, médica, financiera o comercial?

Si el criterio está mal definido, el loop no arregla el problema. Lo repite más veces.

Una IA puede iterar con mucha disciplina. Puede revisar, reescribir, comparar, volver a intentarlo y generar una versión aparentemente mejor. Pero si no sabe contra qué criterio debe evaluar, la mejora puede ser solo estética.

Más orden. Más seguridad en el tono. Más estructura. La misma mala decisión, pero con apartados.

Lo que esto de los loops cambia para una empresa normal

Lo primero que cambia es mental.

No hace falta instalarse nada para empezar a pensar en loops. Puedes trabajar mejor con cualquier IA si dejas de pedir “dame X” y empiezas a pedir “ayúdame a llegar a X con estos criterios”.

El salto práctico no es comprar una herramienta nueva. Es formular mejor el trabajo.

Por ejemplo, en lugar de pedir: “Redáctame un post sobre esta tendencia.”

Puedes pedir: “Analiza esta tendencia, separa qué es novedad real y qué es etiqueta de moda, detecta riesgos para una pyme, propón una tesis editorial y marca qué afirmaciones necesitarían fuente antes de publicar.”

Eso no convierte automáticamente tu chat en un agente autónomo. Pero cambia la calidad de la conversación. La IA deja de ser una máquina de producir texto y empieza a funcionar como apoyo para pensar una tarea completa.

La segunda cosa que cambia es más delicada: cuando pasamos a loops reales, con herramientas, datos, permisos y acciones, el riesgo sube.

Una cosa es pedirle a la IA que revise un borrador. Otra distinta es dejar que envíe emails, toque datos, ejecute cambios, publique contenido, modifique código o responda tickets sin supervisión suficiente.

Ahí ya no estamos hablando de “me ha redactado algo regular”. Estamos hablando de responsabilidad operativa.

Por eso los loops pueden ser útiles, pero no son una invitación a soltar procesos enteros en automático porque ahora la palabra queda moderna.

Antes de automatizar una tarea en bucle, yo haría preguntas bastante menos brillantes y mucho más necesarias:

¿Qué decisión está tomando la IA?
¿Qué puede tocar?
Qué no puede tocar bajo ningún concepto?
Cómo se revisa el resultado?
Quién responde si el loop lo hace mal?
Qué coste tiene que se equivoque?
Qué coste tiene que siga iterando sin sentido?

No son preguntas sexis. Suelen ser las buenas.

El viejo negocio de los packs de prompts empieza a oler raro

Una de las razones por las que este debate me interesa es menos técnica y más práctica.

Durante meses hemos visto circular packs infinitos de prompts. Prompts para dirección, prompts para ventas, prompts para marketing, prompts para productividad, prompts para respirar mejor mirando una hoja de cálculo. Algunos eran útiles. Muchos eran plantillas genéricas con barniz de novedad.

El problema de fondo era evidente: si necesitas 500 prompts para empezar a usar una IA, quizá no necesitas 500 prompts. Quizá necesitas entender mejor cómo pedir, cómo revisar y cómo decidir qué merece la pena pedir.

Los loops llevan esa conversación un paso más allá.

Si la propia IA puede ayudarte a diseñar mejores instrucciones, revisar sus respuestas y proponerte la siguiente vuelta, el valor de comprar recetas cerradas baja. Mucho. Lo que no baja es el valor del criterio.

Puedes pedirle a una IA que te ayude a construir un prompt. Puedes pedirle que lo mejore. Puedes pedirle que convierta una tarea en un proceso iterativo. Puedes pedirle que proponga criterios de revisión.

Lo que no deberías delegar tan alegremente es decidir si esa tarea debe automatizarse, qué riesgo introduce, qué partes requieren validación humana y qué significa “bien hecho” en tu contexto. Ahí está la diferencia.

Prompts, loops y herramientas impuestas

En muchas empresas, la pregunta ni siquiera será “qué agente instalo”. La realidad suele ser más prosaica: la organización ya tiene Copilot, Gemini, ChatGPT Enterprise, Claude o alguna herramienta corporativa aprobada. A veces bien desplegada. A veces aterrizada en los equipos como quien deja una caja en recepción y desea suerte.

En ese contexto, hablar de loops puede sonar lejano. Pero el principio sí aplica.

No se trata de que todo el mundo tenga que diseñar agentes autónomos. Se trata de pasar de instrucciones sueltas a procesos mejor definidos.

Una persona con responsabilidad de área no necesita memorizar la última jerga para trabajar mejor con IA. Necesita saber traducir una tarea en:

Qué quiero conseguir.
Qué información debe tenerse en cuenta.
Qué criterios debe respetar.
Qué debe revisar antes de darlo por válido.
Qué no debe hacer.
Dónde entra una persona.

Eso ya mejora mucho el uso de cualquier herramienta impuesta. Y evita una de las trampas más habituales: creer que la IA falla porque no tenemos el prompt perfecto, cuando quizá falla porque ni siquiera hemos definido bien el trabajo.

Entonces, ¿hay que aprender loop engineering?

Depende de tu rol.

Si trabajas desarrollando productos, agentes o sistemas internos con IA, sí. Te conviene entenderlo en serio. No como palabra de moda, sino como arquitectura de trabajo: herramientas, permisos, memoria, evaluación, coste, seguridad, trazabilidad y condiciones de parada.

Si diriges un área, lideras un equipo o estás intentando decidir cómo usar IA en una empresa, no necesitas salir corriendo a hacer otro curso con nombre nuevo. Necesitas entender la lógica.

Un prompt es una instrucción.
Un loop es una tarea iterativa con objetivo, recursos, límites y criterio de cierre.
Un agente es el sistema que puede ejecutar parte de ese trabajo usando herramientas.
Y una mala decisión automatizada sigue siendo una mala decisión, aunque ahora tenga más autonomía.

Aquí es donde conviene bajar el volumen. No hace falta despreciar la novedad. Hay algo real en todo esto. Los agentes están avanzando, los flujos con herramientas son cada vez más potentes y muchas tareas repetitivas van a cambiar.

Pero tampoco hace falta aplaudir cada palabra nueva como si el lunes hubiera que rediseñar toda la empresa.

El criterio sigue siendo bastante aburrido. Por eso funciona.

Antes de preguntarte si deberías usar prompts o loops, quizá la pregunta útil sea otra:

¿Qué tarea estoy intentando delegar, cómo sabré que está bien hecha y qué parte no debería soltar todavía?

La IA puede dar muchas vueltas. La dirección la sigues poniendo tú.

Cuando una cancion me encaja con lo que estoy escribiendo

Para cerrar, una canción que parece escrita para esta conversación sobre loops, automatización y productividad con esteroides: Harder, Better, Faster, Stronger, de Daft Punk.

Porque sí, la IA puede hacerlo más rápido. Puede repetir, revisar, corregir y volver a intentarlo. Pero la pregunta incómoda sigue siendo otra: ¿más rápido hacia dónde?

FAQs

¿Qué es un loop de IA?

Un loop de IA es un bucle de trabajo en el que el sistema repite acciones hasta cumplir un objetivo o alcanzar un límite. No pide una única respuesta, sino que planifica, ejecuta, observa, evalúa y corrige. Para que funcione, necesita un criterio claro de éxito y una condición de parada.

¿Los prompts van a dejar de ser importantes?

No. Los prompts siguen siendo importantes, pero cambia su función. En usos sencillos siguen siendo instrucciones directas. En usos más avanzados sirven para definir procesos: objetivo, recursos, restricciones y criterios de revisión. Lo que pierde valor es tratar el prompt como una receta mágica aislada del contexto

¿Qué diferencia hay entre un prompt y un loop?

Un prompt pide una salida concreta. Un loop define una tarea que puede iterar hasta cumplir una condición. En un prompt clásico, la persona corrige cada vuelta. En un loop, el sistema puede revisar parte del resultado y volver a intentarlo. La supervisión humana sigue siendo necesaria, especialmente si hay impacto operativo o reputacional

¿Necesito instalar algo para trabajar con loops?

Para pensar en lógica de loop, no. Puedes mejorar mucho tus peticiones en ChatGPT, Claude, Gemini o Copilot definiendo objetivo, criterios y límites. Para ejecutar loops autónomos reales sí hacen falta herramientas, conectores, permisos, controles de coste y sistemas de revisión. No es solo escribir una frase más larga.

¿Esto aplica a Copilot o Gemini en una empresa?

Sí, pero con matices. En muchas empresas estas herramientas se usan todavía como chat o asistente dentro del entorno corporativo. Ahí no siempre hay loops autónomos, pero sí puedes aplicar la lógica: pedir tareas con contexto, criterios, restricciones y revisión. Es una forma más madura de trabajar con herramientas ya impuestas.

¿Cuál es el mayor riesgo de los loops de IA?

El mayor riesgo es automatizar una tarea sin haber definido bien qué significa hacerla bien. Si el criterio es pobre, el loop puede repetir errores con más velocidad y mejor apariencia. También hay riesgos de coste, permisos, datos, seguridad y responsabilidad. La autonomía sin límites claros no es eficiencia, es exposición.

¿Tiene sentido comprar packs de prompts en 2026?

Cada vez menos. Puede haber plantillas útiles, pero los grandes packs genéricos pierden valor cuando la propia IA puede ayudarte a formular, revisar y adaptar instrucciones. Lo valioso no es acumular prompts. Es saber qué tarea merece la pena pedir, cómo evaluarla y cuándo una persona debe intervenir.

Descarga la guía con 95 herramientas IA