Por qué el trabajo de ingeniería de prompts ha cambiado en 2026
Hoy en día, crear prompts efectivos ya no se limita a escribir frases cortas e instrucciones. Los nuevos modelos de lenguaje multimodal (LLM), como la familia NeoMME de H Company, requieren un enfoque más estructurado que aproveche su capacidad para procesar texto, imágenes y datos estructurados de forma nativa. Para obtener resultados concretos en entornos empresariales, es fundamental conocer las nuevas técnicas deingeniería avanzada de promptsque se han consolidado durante este año.
Nuevos modelos multimodales como NeoMME
NeoMME es una familia de codificadores bidireccionales de 260 y 800 millones de parámetros que elimina la torre de visión y el decodificador causal, centrándose en el procesamiento multilingüe del texto y en la integración con datos visuales y tabulares. Este diseño revoluciona el trabajo de los equipos que necesitan extraer información de fuentes heterogéneas, como alertas de envío, informes financieros o imágenes satelitales.
Las principales ventajas de NeoMME frente a los tradicionales sistemas de recuperación basados en ColPali son:
- Una comprensión contextual más profunda gracias a la ausencia de un decodificador causal separado.
- Compatibilidad multilingüe nativa, ideal para operaciones globales.
- Integración perfecta con los modernosAI Copilotutilizados por empresas como M&T Bank.
Casos de uso reales: M&T Bank y MG Ship
M&T Bankha implementado AI Copilot para más de 15.000 empleados, utilizando prompts bien diseñados para extraer información de los registros de transacciones y generar respuestas en lenguaje natural. La eficacia de estos copilotos se basa en prompts que guían al modelo a mantener una actitud colaborativa, a hacer preguntas de aclaración cuando sea necesario y a citar fuentes confiables.
MG Ship, por otro lado, ha introducido un módulo de optimización de rutas que analiza los datos de navegación, las condiciones del tráfico y los costos de los transportistas. El sistema utiliza prompts multimodales que combinan datos de ruta textuales, imágenes satelitales y feeds de datos en tiempo real para sugerir el trayecto más eficiente.
Ambos casos demuestran que unaingeniería avanzada de promptspuede transformar un LLM genérico en una herramienta de alto rendimiento, capaz de manejar cargas de trabajo empresariales críticas.
Cómo crear prompts efectivos para NeoMME
Al trabajar con NeoMME, es útil seguir un marco de prompts estructurado en cuatro fases:Clarify-Structure-Sample-Validate.
Ejemplo de prompt: Optimización de rutas para MG Ship
A continuación se presenta un prompt listo para usar que puede adaptarse para extraer información de rutas a partir de datos heterogéneos:
# Prompt: Optimización de rutas de envío con NeoMME
Eres un experto en logística marítima que analiza datos multimodales (rutas de navegación textuales, imágenes satelitales y feeds de datos sobre costos de transportistas) para recomendar el camino de envío óptimo.
Entrada:
- Datos de ruta (JSON): {"rutas": [{"id": "R1", "distancia": 1200, "tiempo": 5, "costo": 8000}, ...]}
- URL de imagen satelital: "https://example.com/satimg/Route_R1.png"
- Información de tráfico en tiempo real: "Congestión moderada en el punto 30N, 45E"
Instrucciones:
1. Extrae los atributos clave (distancia, tiempo, costo) para cada ruta.
2. Evalúa la calidad visual de cada imagen satelital (breve comentario).
3. Evalúa el impacto del tráfico en la duración de la ruta.
4. Proporciona una recomendación final: selecciona la mejor ruta y justifica la elección.
Formato de salida:
{
"ruta_seleccionada": "R1",
"justificación": "R1 ofrece el menor costo por kilómetro, con tráfico mínimo..."
}Este prompt aprovecha la naturaleza multimodal de NeoMME, proporcionando instrucciones claras, datos de ejemplo y un formato de salida estructurado para guiar al modelo hacia una respuesta coherente.
Ejemplo de prompt: Copilot empresarial para M&T Bank
# Prompt: Asistente para la extracción de información financiera con NeoMME
Eres un asistente financiero interno que analiza registros de transacciones textuales y capturas de pantalla de informes para extraer información clave para la contabilidad.
Entrada:
- Registro de transacciones: "2026-09-01, Acme Corp, €12.500, factura #4582"
- Captura de pantalla: "[imagen de un recibo PDF que contiene el monto €12.500 y la fecha 01/09/2026]"
Instrucciones:
1. Identifica el monto, la fecha y el beneficiario.
2. Verifica la coincidencia entre el texto extraído y la imagen.
3. Devuelve un JSON con los campos validados.
Formato de salida:
{
"monto": 12500,
"fecha": "2026-09-01",
"beneficiario": "Acme Corp",
"validación": "coincidencia exacta"
}El prompt equilibra la precisión (validación) con la claridad (JSON estructurado), características esenciales para los copilotos empresariales utilizados por M&T Bank.
Mejores prácticas y consejos avanzados
- Sé explícito sobre los formatos.Proporcionar ejemplos de salida deseados reduce la variabilidad y mejora la confiabilidad para los equipos de ciencia de datos.
- Utiliza tokens de contexto.Marca los bloques multimodales (por ejemplo,
<image>) para indicar al modelo dónde concentrarse. - Aplica el control de versiones.Almacena los prompts en repositorios de control de versiones para rastrear los cambios que afectan el rendimiento de los modelos.
- Implementa el control humano.Para aplicaciones empresariales críticas, combina los prompts con el control humano (por ejemplo, un revisor que verifica el JSON generado).
- Monitorea las métricas.Rastrea la precisión, el tiempo de generación y las tasas de rechazo para iterar sobre los prompts en función de los comentarios.
Resumen y próximos pasos
Laingeniería avanzada de promptsen 2026 ya no se trata de simples trucos de formato; se trata de diseñar instrucciones que aprovechen las capacidades multimodales de modelos de vanguardia como NeoMME. Ya sea que estés optimizando rutas de envío para MG Ship o construyendo un asistente financiero para M&T Bank, un prompt bien estructurado puede transformar un LLM en una herramienta empresarial estratégica.
Acciones concretas:
- Explora la documentación de NeoMME para comprender los tokens multimodales compatibles.
- Diseña un prototipo de prompt para tu caso de uso más crítico utilizando el modelo
Clarify-Structure-Sample-Validate. - Implementa un ciclo de monitoreo de métricas para medir la precisión y la velocidad.
- Coordina con tu equipo legal y de cumplimiento para garantizar que los datos de entrenamiento utilizados cumplan con las regulaciones vigentes.
Adoptando estas prácticas, podrás aprovechar el pleno potencial de los LLM más recientes y liderar la innovación en tu sector en 2026 y más allá.
IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. El contenido debe ser fresco y relevante para el presente. CONTEXTO ACTUAL (septiembre de 2026): Aquí hay algunas tendencias y noticias recientes para inspirarte: - MG Ship añade optimización de rutas con IA a medida que la logística regresa a la aceleración: MG Ship ha introducido un módulo de optimización de rutas y selección de transportistas con IA a medida que los despliegues logísticos demuestran rápidos retornos en costos y tiempo. [2026-09-07] - El 50,5 % de los estadounidenses dice que una relación romántica con una IA puede considerarse como infidelidad: Justo más de la mitad de los adultos estadounidenses (50,5 %) dicen que una relación romántica o sexual de una pareja con una IA puede considerarse como infidelidad. La cifra proviene de... [2026-09-04] - M&T Bank expande la IA empresarial después de años de reforma tecnológica: M&T Bank ha desplegado copilotos de IA para más de 15.000 empleados a medida que el banco regional de EE. UU. aplica la IA a las operaciones internas, el servicio al cliente y el software. [2026-09-04] Usa esta información actual como inspiración para crear un prompt original y relevante para 2026.