Auditoría de la biblioteca de prompts: intención vs. dialecto del modelo

Hay un prompt en mi carpeta de imágenes que tiene este aspecto:

cinematic portrait, 85mm, (rim light:1.3), deep shadows, masterpiece, best quality, 8k, ultra detailed, trending on ArtStation --ar 2:3 --stylize 400 --no watermark

Funcionó. Funcionó de forma tan fiable que dejé de leerlo y luego empecé a clonarlo: una versión nocturna, una en primer plano, una para un sujeto de cabello oscuro, porque el peso interactuaba de forma distinta con la luz. Después apunté la misma cadena a un modelo más nuevo y me devolvió algo brillante y sobreexpuesto, ligeramente plástico: una foto de stock de la idea que había tenido. Ese prompt había dejado de describir una imagen mucho tiempo atrás. Durante la mayor parte de su vida había estado discutiendo con un conjunto de hábitos que el modelo ya no tenía.

He visto que esto ocurre ya suficientes veces —imagen, vídeo, texto— como para decir la versión incómoda sin rodeos. La mayor parte de lo que internet llama ingeniería de prompts es dialecto. El dialecto no es tuyo. No eres dueño de la sintaxis, no fijas su tipo de cambio, y descubres de qué estaba hecha realmente tu biblioteca en el momento en que el proveedor lanza una nueva versión.

Cada prompt que tienes son dos prompts apilados

Toma cualquier prompt de tu biblioteca y divídelo. Encontrarás una descripción y un dialecto enredados en la misma línea.

La columna derecha es una especificación. Podrías dársela a un director de arte humano, a un editor de textos, a un director de fotografía, y obtener algo cercano a lo que querías. La columna izquierda solo significa algo para una implementación que fue construida para leerla, y no tiene significado alguno para la versión que la reemplaza.

Ese es todo el problema en una frase: la descripción es un activo, el dialecto es una posición en el parser de otro. Los activos ganan valor. Las posiciones se revalorizan de la noche a la mañana.

El dialecto no solo caduca. Empieza a jugar en tu contra.

La suposición cómoda es que los trucos obsoletos se vuelven neutrales: un peso muerto que puedes cargar hasta que te decidas a limpiarlo. Normalmente se vuelven activamente dañinos, de cuatro maneras distintas.

Compensación de un defecto. Una buena parte de los trucos en circulación se inventaron para combatir algo que un modelo hacía mal: un sesgo del decodificador hacia la iluminación plana, una tendencia a insertar preámbulos, una costumbre de desviarse del encargo. El conjuro funciona porque el defecto está ahí. Arregla el defecto y la compensación se convierte en distorsión, que es la razón por la que la sopa de etiquetas que antes producía imágenes ricas ahora produce imágenes plásticas, y por la que los disfraces de juego de rol que antes afinaban el tono ahora solo consumen contexto.

Dirección excesiva. Una pared de adjetivos se lee como instrucción para un modelo débil y como ruido para uno fuerte. Las restricciones que añadiste para mantener en vereda a un generador inestable se convierten en lo más estridente de la sala en cuanto el generador puede mantenerse solo en vereda. No mejoraste nada; superaste en votos al propio gusto del modelo con una lista de palabras.

Andamiaje redundante. Un “Think step by step” adjunto a un modelo que ya realiza trabajo intermedio, o un preámbulo de sistema que exige una postura cognitiva concreta a algo que nunca tuvo otra distinta. No es fatal, pero son tokens gastados en nada, y es otra cosa que hay que volver a verificar en cada actualización.

El flag que no se interpreta. Mueve la misma cadena a otra herramienta u otra interfaz y los parámetros dejan de ser parámetros. Según el software, se descartan en silencio o se interpretan como contenido literal, y el significado de tu prompt cambia sin ningún mensaje de error. Una interfaz que ya no ofrece un campo de prompt negativo simplemente ignora la mitad de tu prompt que vivía ahí.

El daño es invisible de la manera habitual: el resultado empeora, le echas la culpa al modelo y concluyes que un modelo más inteligente es, de algún modo, peor en lo tuyo. El diagnóstico correcto es que tu prompt era una cura temporal para una enfermedad que ya se ha curado.

Lo que sobrevive a un cambio es la especificación, y el criterio

Elimina de un prompt todo lo específico del modelo y lo que queda es la parte que realmente te pertenece: el sujeto, la luz, el encuadre, el medio, el ambiente, lo que descartas. Para el trabajo de texto: audiencia, propósito, el estándar que mantienes, la forma del entregable, la edición que pides, lo que no quieres que haga.

Nada de eso es exótico. Es el vocabulario del oficio, y de eso se trata: las palabras que usa un director de arte para la luz, las palabras que usa un montador para un corte, las palabras que usa un editor que encarga un trabajo para un briefing. Se transfieren porque nunca estuvieron dirigidas a un modelo. Estaban dirigidas a un resultado.

El segundo activo transferible es más frío y menos divertido: tu capacidad de saber si el resultado es bueno. Una biblioteca de prompts no vale nada si no puedes evaluar lo que recibes; un criterio en el que confías sobrevive a cada actualización, y es lo que convierte un modelo nuevo en una oportunidad en lugar de una amenaza.

En conjunto, ese es el replanteamiento. Nunca estabas aprendiendo el modelo. Estabas aprendiendo a decir lo que quieres decir y a juzgar lo que vuelve.

La auditoría: dos colores, una hora, toda tu biblioteca

No necesitas reescribirlo todo. Necesitas saber qué es qué.

1. Muestrea. Saca veinticinco prompts repartidos entre tus categorías —imagen, vídeo, texto, lo que uses—. Si tienes menos, tómalos todos.
2. Pasada de dos colores. Recorre cada uno token a token y márcalo como intención o dialecto. Pesos, flags, palabras de activación, pilas de sufijos, disfraces de rol, andamiaje de formato: dialecto. Cualquier cosa sobre la que una persona competente pudiera actuar: intención.
3. Aplica la prueba humana. ¿Un freelance con talento, al que solo se le diera este prompt, produciría algo cercano a lo que quieres? Si necesitara conocer el conjuro, es dialecto.
4. Puntúa la fragilidad. Estima la proporción de dialecto de cada prompt. Por debajo de un quinto, es bastante portable. Por encima de un tercio, es un activo atado al modelo y deberías tratarlo como algo que caduca.
5. Reduce a una versión canónica. Escribe el prompt solo de intención como maestro. Guarda los fragmentos específicos del modelo en un archivo adaptador aparte por herramienta, con fecha, de modo que el dialecto sea algo que adjuntas y no algo que almacenas.
6. Reconstruye uno de memoria. Elige tu prompt más usado, cierra el archivo y escribe el mismo briefing desde cero. Si no consigues acercarte, ese prompt estaba cargando con conocimiento que nunca tuviste, lo cual es el descubrimiento más valioso que la auditoría puede producir.

Luego guarda de cinco a diez briefings cortos en una carpeta como conjunto de evaluación, con tu juicio por escrito sobre la última vez que los ejecutaste. Llega un modelo nuevo, vuelves a ejecutar el conjunto, lees tus propias notas y sabes qué cambió en veinte minutos en lugar de perder un fin de semana.

A dónde van las próximas cien horas

A la descripción: luz, composición, lente, gramática de la edición, ritmo de la prosa, redacción de briefings. Al criterio: ejecutar el mismo briefing a menudo, escribir por qué un resultado es mejor que otro. A la infraestructura aburrida: maestros de intención, adaptadores con fecha, un conjunto de evaluación, un registro de cambios. A enseñarte a especificar un resultado con la suficiente precisión como para que un colaborador humano lo encuentre claro.

No a memorizar la sintaxis de los flags antes de necesitarla, ni a coleccionar paquetes de prompts específicos de un modelo como si fueran activos. Se parecen más a materia prima. Léelos buscando la intención que hay debajo y deja el dialecto donde lo encontraste; la misma disciplina se aplica a las colecciones públicas, incluidas las de awesome-prompts.com, que son más útiles cuando las tratas como descripciones de efectos y no como recetas para pegar.

¿Cómo sé si un prompt es específico de un modelo?

Aplica la prueba humana. Si una persona con habilidad, leyendo solo el prompt, no puede saber qué estás pidiendo, el prompt está haciendo su trabajo a través de las peculiaridades del modelo y no del significado. La segunda señal es si el prompt sigue funcionando cuando eliminas los números, los corchetes y los flags finales. Si se derrumba, eran elementos estructurales.

¿Debería borrar mis prompts antiguos?

No borres la intención. Para cada prompt antiguo, extrae la descripción, archívala como maestro y elimina el dialecto puro: las pilas de palabras clave que no significan nada para una persona y existen solo para empujar a un decodificador concreto. Conservarlos “por si acaso” es como acabas cargando con trescientos archivos en los que no puedes confiar ni evaluar.

¿No merece la pena aprender igualmente las peculiaridades de un modelo nuevo?

Sí, pero de forma barata. Saber cómo quiere que le hablen una herramienta es una ventaja real en las primeras semanas. Solo guarda ese conocimiento en el archivo adaptador, con fecha, y espera que sea desechable. El error no es aprender dialecto; es almacenarlo en el mismo lugar que la parte que pretendes conservar.

¿Con qué frecuencia debería volver a auditar?

Cuando cambia un modelo del que dependes y cuando te sorprendes copiando una cadena que ya no entiendes. Trimestralmente es más que suficiente. Mensualmente es procrastinación disfrazada de diligencia.

Abre tu biblioteca, elige los cinco prompts que más usas y haz la pasada de dos colores esta noche. La proporción que obtengas es una respuesta bastante honesta a cuánto de los últimos tres años se invirtió en la moneda que mantiene su valor y cuánto en billetes que siempre iban a caducar.