Del "prompt perfecto" al loop que aprende solo

La inteligencia artificial (IA) está superando la fase en la que el centro de todo era la habilidad de redactar el "prompt perfecto", la instrucción exacta que se da a la herramienta. La nueva frontera es el loop engineering —es decir, la ingeniería de bucles—, una forma de trabajar que transforma la IA de una herramienta pasiva a un sistema autónomo capaz de ejecutar, revisar y mejorar tareas por sí misma.

Así lo explica Antonio Pita, profesor de los Estudios de Informática, Multimedia y Telecomunicación de la UOC, quien señala que el cambio de paradigma supone una transformación tanto técnica como conceptual en la forma como las personas interactúan con los sistemas de inteligencia artificial.

Prompt vs. loop: una diferencia de control y responsabilidad

La diferencia fundamental entre trabajar con un buen prompt y diseñar un loop radica en quién valida el resultado y decide cómo mejorarlo. Cuando se utiliza el prompting —trabajar dando instrucciones sueltas—, una persona formula una petición y la IA genera una respuesta. El usuario debe revisarla, validarla y solicitar los cambios necesarios. Este proceso avanza como una conversación en la que el humano dirige cada iteración.

En el loop engineering, sin embargo, se delega parte de esa validación al propio sistema. Una IA genera un resultado y, después, ella misma u otra IA lo analiza según criterios predefinidos. Si detecta errores o deficiencias, elabora automáticamente una nueva instrucción y solicita una versión alternativa. El ciclo se repite hasta que el resultado supera la validación establecida. Como explica Antonio Pita, "el prompt define una petición; el loop organiza un proceso de generación, validación y mejora". "La persona deja de intervenir en cada vuelta, pero adquiere una responsabilidad más importante: definir correctamente qué significa que el resultado sea válido", añade.

Ventajas, riesgos y la nueva responsabilidad humana

La principal ventaja del looping —es decir, de usar loops— es la automatización de la validación y la mejora. Un loop puede ahorrar mucho tiempo porque la IA genera una solución, la contrasta con un conjunto de criterios y produce nuevas versiones sin que el usuario tenga que dirigir cada iteración. Esto permite pasar de utilizar la IA como herramienta de consulta a convertirla en un sistema capaz de trabajar de forma más autónoma.

Sin embargo, el looping puede resultar menos eficaz en campos en los que la calidad depende de criterios ambiguos, subjetivos o contradictorios. Como señala Pita, cuando no sabemos expresar con precisión qué significa que una respuesta sea correcta, tampoco podemos esperar que la IA sepa cuándo ha terminado de mejorarla. Por el contrario, el loop engineering encuentra su terreno más fértil en ámbitos donde la validación es clara y binaria, como la programación o las matemáticas. Ahí, una señal inequívoca permite que el ciclo iterativo avance con seguridad hacia una solución.

El principal riesgo surge cuando las especificaciones están incompletas o se contradicen entre sí. Si no se definen bien las reglas de validación, la IA podría quedar atrapada en un ciclo de correcciones interminables. Como señala el profesor e investigador del grupo ICSO  (Internet Computing & Systems Optimization) de la UOC,, "un loop puede ahorrar mucho tiempo, pero su eficacia depende de nuestra capacidad para convertir una expectativa humana en criterios que una máquina pueda validar". Por eso, los loops suelen incorporar condiciones de parada y la obligación de solicitar intervención humana cuando el sistema no logra avanzar.

Un ejemplo cotidiano y otro empresarial

Pita ilustra este cambio con dos ejemplos, uno cotidiano y otro empresarial. Un particular puede usar un loop para generar un vídeo familiar con inteligencia artificial: en lugar de revisar cada versión y pedir correcciones una a una, define desde el principio los criterios que el resultado debe cumplir —rostros estables, movimientos naturales, sombras coherentes con la luz, sin deformaciones, etc.—.

Una IA genera el vídeo y otra lo evalúa; si detecta un defecto, como una mano con seis dedos o una sombra mal orientada, genera automáticamente las instrucciones para corregirlo. El usuario solo ve el resultado final, tras varias rondas internas de generación y validación.

Una empresa audiovisual podría aplicar la misma lógica a mayor escala. Mientras que una IA creadora produce las distintas escenas de una campaña publicitaria, una segunda IA revisa aspectos técnicos y corporativos: continuidad visual, presencia del producto, cumplimiento de la identidad de marca, duración, iluminación o posibles contenidos inadecuados. Cada incumplimiento activa automáticamente una nueva versión.

Según Pita, la diferencia respecto al uso particular radica en la cantidad y la formalización de los controles: la empresa puede convertir su manual de marca, sus requisitos técnicos y su normativa legal en criterios de validación, de modo que el equipo dedique menos tiempo a detectar errores evidentes y más a tomar decisiones creativas y estratégicas.

El futuro: agentes proactivos y el "ingeniero de bucles"

Más allá del loop engineering, ya se están desarrollando nuevas formas de interacción. Si el prompt engineering consiste en dar instrucciones y el loop engineering en diseñar sistemas que validan su trabajo, el siguiente paso serán los agentes proactivos (sistemas que actúan por iniciativa propia, sin esperar ninguna petición). Estos sistemas no esperarían una tarea explícita, sino que identificarían por sí mismos cuándo hay trabajo que hacer.

El experto de la UOC Antonio Pita señala que "primero aprendimos a dar instrucciones a la IA; después, a enseñarle cómo validar su trabajo. El siguiente paso será decidir en qué condiciones puede identificar por sí misma que existe un trabajo por hacer".

Pita advierte, no obstante, de que esta evolución no libera a las personas de la responsabilidad última: "Delegar la validación operativa no implica delegar toda la responsabilidad. El sistema puede comprobar si un resultado cumple unas reglas, pero alguien debe validar que esas reglas representan realmente el objetivo que perseguimos".

En el mundo empresarial, esta advertencia cobra especial relevancia: cuando un agente puede ejecutar cientos o miles de iteraciones, una pequeña diferencia en el diseño del loop puede traducirse en grandes diferencias de coste, tiempo y consumo de recursos.

El profesor Pita complementa esta visión con una analogía cotidiana. Primero, cuando usábamos la IA mediante prompts, era como encender un robot aspirador, seleccionar un programa y, al terminar, comprobar el resultado. Si una zona seguía sucia, modificábamos las instrucciones y lo volvíamos a poner en marcha.

En un segundo nivel, el del loop engineering, activamos la limpieza y definimos qué nivel de suciedad consideramos aceptable. El robot limpia, comprueba el suelo y, si detecta que alguna zona no cumple ese criterio, vuelve a pasar por ella. La orden humana pone en marcha el proceso, pero el propio sistema decide cuántas iteraciones necesita.

El tercer nivel, que ya empieza a vislumbrarse, es aquel en el que el robot mide continuamente la suciedad y, cuando detecta que se ha superado un umbral determinado, inicia la limpieza por iniciativa propia. En otros contextos, un agente podría detectar una factura pendiente, una anomalía en un sistema informático o una reunión que necesita reorganizarse y actuar sin esperar un nuevo prompt.

Este paso, aún sin un nombre consolidado, representa la siguiente frontera: decidir en qué condiciones la IA puede identificar por sí misma que existe trabajo por hacer.

Dos casos recientes citados por Pita ilustran con especial claridad el potencial y los riesgos de esta lógica iterativa. En julio de 2026, un agente autónomo logró penetrar en la infraestructura de Hugging Face —una plataforma donde se alojan y comparten modelos de inteligencia artificial— después de ejecutar durante varios días miles de pequeñas decisiones: probaba una vía de acceso, observaba el resultado y, cuando encontraba un obstáculo, adaptaba su estrategia y volvía a intentarlo.

La misma lógica iterativa está contribuyendo, esta vez de forma positiva, a avances relevantes en matemáticas e informática teórica, donde los sistemas de IA han generado resultados para varios problemas abiertos (problemas matemáticos que nadie había resuelto hasta ahora), o han permitido avanzar sustancialmente en ellos. Ambos casos comparten una característica decisiva: resulta relativamente fácil verificar si una acción ha funcionado, lo que permite repetir el ciclo y orientar cada nuevo intento con claridad.