En junio de 2026, Boris Cherny, creador de Claude Code, sorprendió a la comunidad al confesar que ya no escribe prompts para Claude. En su lugar, ha implementado una arquitectura de cuatro capas que ejecuta bucles automáticos, eliminando la necesidad de la tradicional ingeniería de prompts. Este anuncio, publicado en Towards AI, marca un punto de inflexión: los ingenieros más experimentados de la industria están migrando de la escritura manual de instrucciones a sistemas más estructurados y programables.

De los prompts a las capas

Durante los primeros años de la explosión de los grandes modelos de lenguaje (LLM), la práctica dominante consistía en diseñar prompts precisos que guiaban al modelo hacia la salida deseada. Esta técnica, conocida como prompt engineering, se convirtió en una habilidad especializada, casi un arte, que requería conocimientos profundos del comportamiento del modelo y de técnicas de few‑shot y chain‑of‑thought.

Sin embargo, a medida que los modelos se hicieron más robustos y las APIs más accesibles, surgió una necesidad de escalar la interacción sin depender de la intuición humana. Cherny y su equipo identificaron cuatro capas que permiten que los sistemas de IA operen de forma autónoma y reproducible:

  1. Capa de Orquestación – Un motor que gestiona flujos de trabajo, decide cuándo y cómo invocar a Claude y a otros modelos, y coordina respuestas en tiempo real.
  2. Capa de Pre‑procesamiento – Normaliza y enriquece la información de entrada (por ejemplo, extracción de entidades, traducción, o generación de contexto) antes de enviarla al modelo.
  3. Capa de Post‑procesamiento – Filtra, valida y transforma la salida del modelo, aplicando reglas de negocio, verificaciones de consistencia y ajustes de tono.
  4. Capa de Retroalimentación – Recoge métricas de desempeño y retroalimenta tanto a la orquestación como a los modelos, permitiendo aprendizajes continuos sin intervención humana.

Este enfoque modular sustituye la escritura de prompts puntuales por pipelines automáticos que pueden escalar a miles de interacciones simultáneas, manteniendo la calidad y la coherencia.

¿Por qué importa este cambio?

  1. Escalabilidad – Las empresas que dependen de IA para atención al cliente, generación de código o análisis de datos ya no pueden depender de equipos de ingenieros de prompts que ajustan manualmente cada caso. Las capas permiten desplegar soluciones a gran escala con mantenimiento mínimo.

  2. Reproducibilidad – Un pipeline bien definido garantiza que dos llamadas idénticas produzcan resultados consistentes, algo crítico para entornos regulatorios y auditorías de IA.

  3. Velocidad de innovación – Al abstraer la lógica de interacción en capas, los desarrolladores pueden experimentar con nuevos modelos o técnicas de razonamiento sin rehacer los prompts desde cero.

  4. Reducción de sesgos – La capa de post‑procesamiento y la retroalimentación continua facilitan la detección y mitigación de sesgos emergentes, algo que los prompts aislados no pueden garantizar.

Impacto en la comunidad de desarrolladores

La noticia ha generado debate en foros como Hacker News y Reddit. Algunos profesionales temen que la desaparición de la ingeniería de prompts reduzca la demanda de habilidades “blandas” de lenguaje, mientras que otros la ven como una evolución natural hacia la Ingeniería de Sistemas de IA. Cursos y certificaciones están empezando a incluir módulos sobre orquestación de LLM, gestión de pipelines y monitoreo de métricas de rendimiento.

Además, la adopción de estas capas está impulsando la creación de herramientas open‑source que facilitan la construcción de pipelines, como LangChain, Promptify y la recién lanzada ClaudeFlow, un SDK que permite diseñar la arquitectura de cuatro capas con pocas líneas de código.

Desafíos y consideraciones futuras

Aunque prometedora, la transición no está exenta de retos. La complejidad de diseñar una orquestación robusta puede requerir conocimientos de arquitectura de software y DevOps, áreas que no todos los ingenieros de IA poseen. Asimismo, la dependencia de datos de retroalimentación plantea preguntas sobre la privacidad y la gobernanza de la información recopilada.

Otro punto crítico es la interoperabilidad entre diferentes modelos. La capa de pre‑procesamiento debe ser lo suficientemente flexible para adaptar entradas a Claude, GPT‑4, PaLM‑2 u otros, lo que implica estándares comunes de formatos y protocolos.

Conclusión

El anuncio de Boris Cherny no es solo una curiosidad personal; es el síntoma de una transformación estructural en cómo los profesionales de IA interactúan con los modelos de lenguaje. Las cuatro capas que sustituyen la ingeniería de prompts prometen escalabilidad, consistencia y una mayor capacidad de adaptación, pero también exigen nuevas competencias y una atención cuidadosa a la ética y la gobernanza.

Para los tech‑professionals hispanohablantes, entender y adoptar esta nueva arquitectura será clave para mantenerse relevantes en un mercado que avanza rápidamente hacia sistemas de IA autónomos y altamente integrados.