Ingeniería Prompts Aplicada
La ingeniería de prompts aplicada al derecho y la contaduría es la disciplina que estudia cómo formular instrucciones estructuradas para obtener de los modelos de lenguaje — Large Language Models (LLMs) — outputs útiles, verificables y aplicables en contextos profesionales con consecuencias jurídicas o fiscales reales. No es una habilidad blanda de comunicación con máquinas. Es una técnica con principios, patrones y errores documentados, cuyo dominio determina la diferencia entre un modelo que produce respuestas plausibles pero inutilizables y uno que genera análisis precisos, estructurados y fundamentados en los parámetros que el profesionista define. En el entorno jurídico y fiscal mexicano, donde la precisión normativa no es opcional y donde un error de referencia puede comprometer la posición de un cliente en un proceso contencioso, la ingeniería de prompts deja de ser una curiosidad tecnológica para convertirse en una competencia profesional con impacto directo sobre la calidad del trabajo producido. La inteligencia artificial aplicada al derecho opera con la calidad que permite la instrucción que la activa.
Los modelos de lenguaje generan texto mediante predicción probabilística de la siguiente palabra o token más probable dado el contexto precedente. Esa naturaleza estadística — no lógica, no normativa, no deductiva — tiene consecuencias técnicas que el profesionista debe comprender antes de usar cualquier LLM en su práctica: el modelo no sabe lo que afirma, no tiene acceso a bases de datos en tiempo real salvo que se le proporcionen explícitamente, y puede producir afirmaciones incorrectas con la misma fluidez y apariencia de certeza con que produce las correctas. El fenómeno se denomina alucinación — y no es un defecto de un modelo específico ni un problema que la mejora tecnológica eliminará completamente. Es una característica estructural de los sistemas de predicción de lenguaje. Un abogado que usa un LLM para investigar jurisprudencia del TFJA sin un protocolo de validación explícito no está ahorrando tiempo: está delegando la verificación normativa a un sistema que estadísticamente producirá errores invisibles. La ingeniería de prompts incluye, como componente no negociable, el diseño de instrucciones que minimizan la probabilidad de alucinación y que activan en el modelo conductas de declaración de incertidumbre cuando no tiene información suficiente para responder con precisión.
Las técnicas de ingeniería de prompts documentadas por los laboratorios de IA — Anthropic, OpenAI, Google DeepMind — incluyen un conjunto de patrones con aplicación directa al trabajo jurídico y contable. El prompting zero-shot formula la instrucción directamente sin ejemplos previos — adecuado para tareas simples o para modelos con alto nivel de entrenamiento en el dominio. El prompting few-shot proporciona al modelo dos a cinco ejemplos del formato y el nivel de análisis esperado antes de la pregunta principal — técnica que mejora significativamente la calidad del output en tareas estructuradas como la revisión de cláusulas contractuales o el análisis de inconsistencias en CFDI. El chain-of-thought prompting instruye al modelo para que desarrolle su razonamiento paso a paso antes de producir la respuesta final — técnica especialmente relevante en análisis jurídicos donde la conclusión debe derivarse de premisas verificables. El ReAct (Reasoning + Acting) combina razonamiento con acciones explícitas sobre información disponible — aplicable en flujos donde el modelo debe consultar documentos propios antes de responder. Ninguna de estas técnicas garantiza outputs correctos. Todas reducen la probabilidad de outputs deficientes cuando se aplican con conocimiento del dominio al que se dirigen.
La aplicación de ingeniería de prompts al entorno regulatorio mexicano requiere un componente adicional que los manuales genéricos de prompt engineering no contemplan: el conocimiento del dominio normativo que permite al profesionista evaluar si el output del modelo es correcto. Un prompt bien diseñado que pide al modelo analizar una operación bajo el estándar A-P-I-C de la Doctrina de Fiscalización produce un output más útil que el mismo prompt sin ese marco de referencia — pero el profesionista debe saber qué es el estándar A-P-I-C para evaluar si el análisis del modelo lo aplica correctamente. Un prompt que instruye al modelo para identificar las tesis del TFJA aplicables a la responsabilidad solidaria en subcontratación produce referencias más estructuradas que una búsqueda de texto libre — pero el abogado debe poder verificar que las tesis citadas existen y tienen el contenido que el modelo afirma. La ingeniería de prompts y el conocimiento del dominio no son sustitutos mutuos. Son las dos condiciones simultáneas que hacen posible el uso profesional real de los LLMs en el derecho y la contaduría mexicanos. La alineación profesional en IA es el proceso que desarrolla ambas condiciones de forma integrada.
La mayoría de los abogados y contadores que usan IA obtienen resultados mediocres. No porque el modelo sea malo. Porque la instrucción es vaga.
Un modelo de lenguaje produce lo que se le pide — con la precisión que la instrucción permite. Si la instrucción no especifica el marco de análisis, el formato de respuesta, las fuentes a usar y los límites de lo que el modelo debe declarar cuando no sabe, el modelo rellena esos vacíos con lo más probable estadísticamente. Lo más probable no es siempre lo correcto. En derecho y contaduría, la diferencia importa.
La ingeniería de prompts aplicada es la técnica que cierra esa brecha.
El problema
Un abogado escribe en el chat del modelo: "analiza si esta operación tiene materialidad". El modelo responde con tres párrafos que parecen un análisis jurídico — fluido, técnico, convincente. El abogado lo incorpora al escrito. Semanas después descubre que dos de las tesis citadas no existen, que el criterio del TFJA que el modelo invocó fue superado en 2023 y que el análisis no consideró el estándar A-P-I-C que la Doctrina de Fiscalización exige.
Ese escenario no es hipotético. Ocurre con una frecuencia que los usuarios de LLMs en contextos profesionales subestiman — porque el modelo no avisa cuando produce información incorrecta. La redacta con el mismo tono que la correcta.
El problema no está en el modelo. Está en la instrucción. Una instrucción que no especifica el marco de análisis, las fuentes válidas, el formato de respuesta y las condiciones en que el modelo debe declarar incertidumbre produce exactamente lo que ese abogado recibió: texto plausible con errores invisibles. La IA aplicada en la contaduría y el derecho exige un protocolo de uso que la ingeniería de prompts es la disciplina encargada de construir.
La ingeniería de prompts no elimina los errores de los LLMs. Los hace detectables — y eso, en un entorno jurídico y fiscal con consecuencias reales, es lo que hace posible usarlos de forma profesional.
Fundamentos técnicos
Los modelos de lenguaje no razonan. Predicen. Esa distinción no es semántica — tiene consecuencias directas sobre cómo deben usarse en contextos profesionales.
Cuando un LLM responde una consulta jurídica, no está consultando un repertorio de normas ni aplicando reglas de lógica deductiva. Está generando la secuencia de texto estadísticamente más probable dado el prompt recibido y el entrenamiento previo del modelo. Si ese entrenamiento incluyó muchos textos jurídicos correctos, el output será probablemente correcto — pero "probablemente" no es un estándar suficiente cuando el output va a incorporarse a un escrito procesal o a un dictamen fiscal.
Principio 1 — Rol explícito
Asignar al modelo un rol con especificidad de dominio reduce la varianza del output. "Eres un abogado especialista en juicio contencioso administrativo federal ante el TFJA" produce análisis más precisos que "eres un asistente jurídico". El rol no engaña al modelo — lo orienta estadísticamente hacia el subconjunto de su entrenamiento más relevante para la tarea.
Principio 2 — Contexto antes de tarea
Proporcionar el contexto factual antes de formular la pregunta reduce la probabilidad de que el modelo complete los vacíos de información con suposiciones. "La empresa X facturó servicios de mantenimiento especializado por $3,000,000 sin tener personal registrado ante el IMSS. Analiza si esta operación satisface el estándar A-P-I-C bajo la siguiente normativa: [texto]" produce un análisis más útil que "¿esta empresa tiene materialidad?".
Principio 3 — Marco de análisis explícito
En contextos jurídicos y fiscales, el marco normativo que debe aplicarse rara vez es obvio para el modelo. Proporcionarlo explícitamente en el prompt — incluir el artículo aplicable, el estándar doctrinal, los criterios de evaluación — redirige el output hacia el análisis que el profesionista necesita, no hacia el análisis más frecuente en el entrenamiento general del modelo.
Principio 4 — Formato de respuesta definido
Especificar el formato esperado — "responde en tres secciones: análisis de hechos, fundamento normativo y conclusión; no incluyas recomendaciones ni lenguaje condicional" — reduce la probabilidad de que el modelo produzca texto de relleno que parece análisis pero no lo es.
Principio 5 — Instrucción de incertidumbre
Añadir al final del prompt: "si no tienes información suficiente para responder con precisión, decláralo explícitamente en lugar de inferir" activa en la mayoría de los modelos una conducta de declaración de límites que reduce — no elimina — la probabilidad de alucinación. Este principio es el que con mayor frecuencia se omite en el uso cotidiano y el que mayor impacto tiene sobre la confiabilidad del output en contextos con consecuencias regulatorias. Los sistemas RAG para bases de conocimiento jurídico amplían este principio al proporcionar al modelo documentos reales que reducen estructuralmente la necesidad de inferencia.
Ejemplos de prompts aplicados
Los tres ejemplos que siguen ilustran la diferencia entre una instrucción vaga y una instrucción estructurada para tareas concretas del entorno regulatorio mexicano. No son plantillas universales — son modelos que cada profesionista debe adaptar al caso específico con el contexto factual y normativo que corresponda.
Ejemplo 1 — Análisis de materialidad de operación (contador o abogado fiscal)
Actúa como contador público con especialidad en fiscalización del SAT en México.
Contexto: La empresa ABC S.A. de C.V. emitió CFDI por servicios de mantenimiento
especializado a la empresa XYZ por un total de $5,200,000 en el ejercicio 2024.
En ese mismo período, ABC no tenía trabajadores registrados ante el IMSS, no
declaró renta de inmuebles y sus únicos gastos registrados en contabilidad fueron
comisiones bancarias.
Tarea: Analiza si la operación descrita satisface el estándar A-P-I-C (Activos,
Personal, Infraestructura y Capacidad) conforme a los criterios de materialidad
que el SAT aplica en facultades de comprobación.
Formato de respuesta:
1. Evaluación de cada componente A-P-I-C (máximo 3 oraciones por componente)
2. Conclusión sobre la probabilidad de que la operación sea cuestionada como
inexistente bajo el artículo 69-B del CFF
3. Documentación que el contribuyente debería tener para desvirtuar la presunción
Restricción: si no tienes información suficiente sobre algún componente específico,
decláralo. No inferas ni supongas hechos no proporcionados.Ejemplo 2 — Investigación jurisprudencial (abogado litigante)
Actúa como investigador jurídico especializado en juicio contencioso administrativo
federal ante el Tribunal Federal de Justicia Administrativa (TFJA) en México.
Tarea: Identifica los criterios jurisprudenciales del TFJA sobre responsabilidad
solidaria del beneficiario de servicios especializados cuando el prestador no cumple
sus obligaciones de seguridad social, en el contexto del régimen REPSE posterior
a la reforma de abril de 2021.
Formato: Para cada criterio identificado, proporciona:
- Rubro de la tesis (si existe)
- Sala que la emitió
- Criterio principal en no más de cuatro oraciones
- Aplicación práctica al caso de beneficiario que verificó REPSE pero no obtuvo ICSOE
Restricción crítica: si no puedes verificar la existencia exacta de una tesis,
decláralo y describe el criterio general disponible sin atribuirlo a una tesis
específica que no puedas confirmar. No inventes números de tesis ni rubros.Ejemplo 3 — Revisión de cláusula contractual REPSE (asesor corporativo)
Actúa como abogado corporativo especializado en contratos de prestación de servicios
especializados bajo el régimen REPSE en México.
Texto de la cláusula a revisar: [PEGAR TEXTO DE LA CLÁUSULA]
Tarea: Identifica si la cláusula cubre adecuadamente las obligaciones del prestador
conforme a los artículos 13, 15 y 15-A de la Ley Federal del Trabajo en su texto
vigente, específicamente en cuanto a: entrega cuatrimestral de ICSOE ante el IMSS
y SISUB ante el INFONAVIT; responsabilidad solidaria del beneficiario ante
incumplimiento; y mecanismo de retención del IVA cuando el prestador no acredite
cumplimiento.
Formato:
- Cobertura adecuada (sí/no) para cada obligación, con justificación en dos oraciones
- Riesgos identificados en la redacción actual
- Propuesta de texto alternativo para cada cláusula deficiente
Restricción: basa el análisis únicamente en el texto de la cláusula proporcionado
y en la normativa mencionada. No asumas condiciones contractuales no declaradas.Los tres prompts comparten la misma arquitectura: rol explícito, contexto antes de tarea, marco normativo definido, formato de respuesta estructurado y restricción de incertidumbre. La diferencia entre estos y una pregunta genérica no está en la longitud — está en que cada elemento de la instrucción tiene una función específica sobre el output que el modelo producirá. La automatización de tareas profesionales basada en IA usa estos mismos principios para construir flujos que producen outputs consistentes sin intervención manual en cada iteración.
Por qué con Gabriel Aranda Zamacona
La ingeniería de prompts para contextos jurídicos y fiscales requiere conocer ambos lados: cómo funciona el modelo y qué debe producir para ser útil en el entorno regulatorio concreto.
Un programador puede diseñar prompts técnicamente correctos que generan outputs inútiles porque no sabe qué es una tesis de la SCJN ni qué implica la responsabilidad solidaria en subcontratación. Un abogado puede saber exactamente qué necesita del modelo y no saber cómo pedírselo de forma que el modelo lo produzca con consistencia.
La formación en ingeniería de prompts aplicada que ofrece esta práctica parte de más de 25 años de ejercicio activo en litigio y consultoría ante IMSS, INFONAVIT, STPS y SAT — con doble formación en derecho y contaduría. Eso significa que los prompts que se diseñan y enseñan tienen una validación que los manuales genéricos de productividad no pueden tener: han sido probados contra problemas reales del entorno regulatorio mexicano, con expedientes reales, y sus outputs han sido evaluados por alguien que sabe cuándo el modelo acertó y cuándo produjo algo plausible pero incorrecto.
Preguntas frecuentes
¿Qué es la ingeniería de prompts aplicada al derecho y la contaduría?
Es la técnica de formular instrucciones estructuradas para modelos de lenguaje que producen outputs útiles, verificables y aplicables en contextos jurídicos, fiscales y de cumplimiento regulatorio. No es comunicación intuitiva con una herramienta — es un conjunto de principios documentados (rol explícito, contexto antes de tarea, marco de análisis, formato definido, instrucción de incertidumbre) que determinan la calidad del output con mayor precisión que el talento natural del usuario para redactar preguntas.
¿Por qué es importante la estructura de las instrucciones en contextos profesionales?
Porque los modelos de lenguaje predicen, no razonan. Un prompt vago produce el texto estadísticamente más probable dado el entrenamiento del modelo — que puede ser correcto, incorrecto o plausible-pero-incorrecto. En derecho y contaduría, la última categoría es la más peligrosa: outputs que parecen análisis jurídicos o fiscales correctos pero que contienen errores de referencia, tesis inexistentes o aplicación incorrecta de criterios normativos. La estructura del prompt reduce la varianza del output y activa conductas de declaración de incertidumbre que hacen los errores detectables antes de que tengan consecuencias.
¿Cómo mejora la interacción con IA mediante prompts bien diseñados?
En tres dimensiones medibles: precisión (el output responde exactamente a la pregunta formulada, en el formato requerido, con el marco normativo especificado), confiabilidad (el modelo declara sus límites en lugar de inventar cuando no tiene información suficiente) y eficiencia (el profesionista no dedica tiempo a reformular preguntas ni a filtrar outputs deficientes antes de encontrar algo utilizable). En la práctica, un prompt bien diseñado puede reducir el tiempo de iteración con el modelo de cuatro o cinco intentos a uno o dos con calidad consistente.
¿Qué aplicaciones profesionales concretas tiene la ingeniería de prompts en el entorno regulatorio mexicano?
Análisis de materialidad de operaciones bajo el estándar A-P-I-C; revisión de cláusulas de contratos REPSE con identificación de vacíos de cobertura; investigación de jurisprudencia del TFJA y la SCJN por concepto jurídico con instrucción explícita de no inventar tesis; análisis de inconsistencias en lotes de CFDIs de nómina con criterio de fiscalización; generación de borradores de conceptos de impugnación con cadena de razonamiento guiada; y síntesis de resoluciones administrativas con identificación de los argumentos centrales y los puntos débiles de la determinación.
¿Qué errores deben evitarse en el uso de prompts para trabajo jurídico y fiscal?
Cuatro errores con mayor impacto: no especificar el marco normativo aplicable (el modelo usa el más frecuente en su entrenamiento, que puede no ser el correcto para el caso); no incluir instrucción de incertidumbre (el modelo inventa en lugar de declarar que no sabe); pedir análisis sin proporcionar los hechos completos (el modelo los completa con suposiciones); y no verificar las referencias normativas que el modelo produce (alucinaciones de tesis y artículos son el riesgo más común y el menos visible en el output).
¿Cómo se desarrollan mejores resultados con la práctica de prompting?
Con tres elementos que se desarrollan en paralelo: comprensión técnica del modelo (qué tipo de instrucciones producen qué tipo de respuestas), conocimiento del dominio (saber qué debe producir el modelo para ser útil en el contexto específico) y protocolo de validación (criterios para evaluar si el output es correcto antes de usarlo). La práctica sin protocolo de validación produce falsa confianza — el profesionista que itera hasta obtener un output que le parece correcto, sin verificarlo de forma independiente, puede estar seleccionando el error mejor redactado de entre varios errores.
¿La ingeniería de prompts funciona igual en todos los modelos de lenguaje disponibles?
No. Los modelos tienen capacidades, comportamientos y respuestas a las técnicas de prompting distintos. Claude, GPT-4 y Gemini responden de forma diferente a las mismas instrucciones — en algunos casos de forma significativamente diferente. Esto no implica que un modelo sea universalmente mejor que otro: implica que el profesionista debe conocer el comportamiento específico del modelo que usa y ajustar sus instrucciones en consecuencia. La ingeniería de prompts es un conjunto de principios, no una fórmula universal que funciona igual en todos los sistemas.
¿Qué relación existe entre la ingeniería de prompts y los sistemas RAG?
Complementaria y necesaria. Un sistema RAG (Retrieval Augmented Generation) mejora la calidad de las respuestas del modelo proporcionándole documentos reales como contexto antes de generar el output. Pero si el prompt que activa ese sistema está mal diseñado — si no especifica qué tipo de información recuperar, en qué formato usarla y cómo integrarla al análisis — el beneficio del RAG se reduce significativamente. La ingeniería de prompts es la técnica que determina cómo el modelo usa la información que el sistema RAG le proporciona. Las dos tecnologías funcionan mejor juntas que por separado, y ninguna opera bien sin la otra.