CEO de Superblocks revela: Cómo encontrar ideas unicornio analizando prompts de IA

¿La próxima gran startup de IA multimillonaria? La respuesta podría estar en las «system prompts»

Imagina un mundo donde la clave para desbloquear la próxima startup unicornio de IA no está en un algoritmo secreto ni en una tecnología revolucionaria, sino a la vista de todos: las «system prompts». Brad Menezes, CEO de Superblocks, una startup que se dedica a «vibe coding» para empresas, está convencido de ello.

Pero, ¿qué demonios son las «system prompts»? En pocas palabras, son instrucciones extensas – a veces de más de 5.000 o 6.000 palabras – que las startups de IA utilizan para guiar a los modelos fundacionales de empresas como OpenAI o Anthropic. Piensa en ellas como una clase magistral de «prompt engineering».

Según Menezes, cada empresa tiene una «system prompt» completamente diferente para el mismo modelo fundacional. ¿El objetivo? Conseguir que el modelo haga exactamente lo que se necesita para un dominio o tarea específicos. Es como darle una hoja de ruta súper detallada a la IA para que sepa cómo comportarse y qué resultados debe generar.

Aunque estas «system prompts» no son un secreto a voces (muchas herramientas de IA permiten a los clientes pedirlas), tampoco son públicas por defecto. Así que, para anunciar el lanzamiento de Clark, su nuevo agente de IA para la codificación empresarial, Superblocks decidió compartir un archivo con 19 «system prompts» de algunas de las herramientas de codificación con IA más populares, como Windsurf, Manus, Cursor, Lovable y Bolt.

El tweet de Menezes se hizo viral, alcanzando casi los 2 millones de visualizaciones, incluyendo a pesos pesados de Silicon Valley como Sam Blond (ex de Founders Fund y Brex) y Aaron Levie (inversor en Superblocks). Poco después, Superblocks anunció una ronda de financiación Serie A de 23 millones de dólares, elevando su total a 60 millones para sus herramientas de «vibe coding» diseñadas para usuarios no desarrolladores en empresas.

Pero, ¿cómo podemos estudiar estas «system prompts» para obtener información valiosa? Le pedimos a Menezes que nos guiara a través de este proceso.

El 20% es la «system prompt», el 80% es lo que la rodea

«La mayor lección que hemos aprendido construyendo Clark y analizando las ‘system prompts’ es que la ‘system prompt’ en sí misma es, quizás, el 20% del secreto», explica Menezes. Esta prompt proporciona al LLM (Large Language Model) la base sobre qué debe hacer.

El otro 80% es el «enriquecimiento de la prompt», que es la infraestructura que una startup construye alrededor de las llamadas al LLM. Esto incluye instrucciones que se adjuntan a la prompt del usuario y acciones que se toman al devolver la respuesta, como la verificación de la precisión. Es decir, no basta con darle la orden a la IA, hay que rodearla de un ecosistema que garantice que la orden se entiende bien, se ejecuta correctamente y el resultado es fiable.

Roles, contexto y herramientas: las claves para descifrar las «system prompts»

Según Menezes, hay tres partes fundamentales en una «system prompt» que debemos analizar: el «role prompting», el «contextual prompting» y el «tool use».

Lo primero que hay que tener en cuenta es que, aunque las «system prompts» están escritas en lenguaje natural, son increíblemente específicas. «Básicamente, tienes que hablar como si estuvieras hablando con un compañero de trabajo humano», dice Menezes. «Y las instrucciones tienen que ser perfectas». No vale con ser ambiguo o dejar cosas a la interpretación. Hay que ser preciso y claro como el agua.

• Role Prompting: Ayuda a los LLM a ser consistentes, dándoles un propósito y una personalidad. Por ejemplo, la prompt de Devin (un agente de software) comienza diciendo: «Eres Devin, un ingeniero de software que utiliza un sistema operativo de ordenador real. Eres un verdadero genio del código: pocos programadores tienen tanto talento como tú para entender bases de código, escribir código funcional y limpio, e iterar en tus cambios hasta que sean correctos». Imagina que le estás dando un briefing a un actor para que interprete un papel. Cuanto más detallada sea la descripción del personaje, más creíble será su actuación.

• Contextual Prompting: Proporciona a los modelos el contexto que deben tener en cuenta antes de actuar. Debería proporcionar directrices que puedan, por ejemplo, reducir los costes y garantizar la claridad en las tareas. La prompt de Cursor (un editor de código con IA) instruye: «Sólo llama a las herramientas cuando sea necesario, y nunca menciones los nombres de las herramientas al usuario – sólo describe lo que estás haciendo. … no muestres código a menos que se te pida. … Lee el contenido relevante del archivo antes de editar y corrige los errores claros, pero no adivines ni repitas las correcciones más de tres veces». Aquí se trata de establecer los límites y las reglas del juego para que la IA no se desvíe del camino marcado.

• Tool Use: Permite las tareas agenticas porque instruye a los modelos sobre cómo ir más allá de la simple generación de texto. Por ejemplo, la prompt de Replit (un entorno de desarrollo online) es larga y describe la edición y búsqueda de código, la instalación de lenguajes, la configuración y consulta de bases de datos PostgreSQL, la ejecución de comandos de shell y mucho más. En este caso, se le está dando a la IA un conjunto de herramientas y se le explica cómo utilizarlas para resolver problemas complejos.

Analizando las «system prompts» de la competencia

Estudiar las «system prompts» de otros ayudó a Menezes a ver qué enfatizaban otros «vibe coders». Herramientas como Loveable, V0 y Bolt «se centran en la iteración rápida», mientras que «Manus, Devin, OpenAI Codex y Replit» ayudan a los usuarios a crear aplicaciones full-stack, pero «el resultado sigue siendo código sin procesar».

Menezes vio una oportunidad para permitir a los no programadores escribir aplicaciones, si su startup podía encargarse de más cosas, como la seguridad y el acceso a fuentes de datos empresariales como Salesforce. Es decir, identificó un nicho de mercado donde podía aportar un valor añadido.

Superblocks: Empoderando a los no programadores

Aunque todavía no está dirigiendo la startup multimillonaria de sus sueños, Superblocks ha conseguido clientes importantes, como Instacart y Paypaya Global.

Menezes también está utilizando el producto internamente. Sus ingenieros de software no tienen permitido escribir herramientas internas; sólo pueden construir el producto. Así que su personal de negocios ha construido agentes para todas sus necesidades, como uno que utiliza datos de CRM para identificar clientes potenciales, uno que rastrea las métricas de soporte y otro que equilibra las asignaciones de los ingenieros de ventas humanos.

«Esta es básicamente una forma de construir las herramientas y no comprarlas», dice. En resumen, están utilizando su propia tecnología para resolver sus propios problemas, demostrando su utilidad y eficacia.

Conclusión: Desbloqueando el potencial de la IA con las «system prompts»

La historia de Superblocks y Brad Menezes nos enseña que la innovación en el campo de la IA no siempre requiere una reinvención de la rueda. A veces, la clave para desbloquear nuevas oportunidades está en analizar y comprender las herramientas y técnicas que ya están disponibles, como las «system prompts».

Al estudiar el «role prompting», el «contextual prompting» y el «tool use» de las «system prompts» de la competencia, podemos obtener información valiosa sobre cómo guiar a los modelos de IA para que realicen tareas específicas y resuelvan problemas complejos. Y al combinar estas «system prompts» con una infraestructura robusta y un enfoque en el «enriquecimiento de la prompt», podemos crear soluciones de IA que sean realmente innovadoras y transformadoras.

Así que, la próxima vez que te preguntes dónde se esconde la próxima startup unicornio de IA, no busques más allá de las «system prompts». Ahí podría estar la clave para desbloquear el futuro de la inteligencia artificial.

Más allá de la superficie: Profundizando en el análisis de las «System Prompts»

Ahora que hemos cubierto los aspectos básicos del análisis de «system prompts», vamos a sumergirnos un poco más en cómo puedes sacar el máximo provecho de este ejercicio.

1. La importancia del contexto sectorial:

No todas las «system prompts» son iguales. Lo que funciona para una empresa de comercio electrónico puede no ser relevante para una empresa de atención médica. Por lo tanto, es crucial centrarse en las «system prompts» de empresas que operan en un sector similar al tuyo. Esto te permitirá comprender mejor los desafíos específicos que enfrentan estas empresas y cómo están utilizando la IA para abordarlos.

Por ejemplo, si estás interesado en desarrollar una solución de IA para el sector financiero, deberías analizar las «system prompts» de empresas que ofrecen servicios de análisis de riesgos, detección de fraudes o asesoramiento financiero automatizado. Esto te dará una idea de cómo estas empresas están utilizando la IA para cumplir con las estrictas regulaciones del sector y proteger la información confidencial de sus clientes.

2. Desglosando la estructura de la «System Prompt»:

Una «system prompt» bien diseñada suele tener una estructura clara y lógica. Al analizar la estructura de diferentes «system prompts», puedes identificar patrones y mejores prácticas que puedes aplicar a tus propias prompts.

Aquí hay algunos elementos comunes que suelen encontrarse en una «system prompt»:

• Introducción: Esta sección proporciona una descripción general del propósito de la prompt y el rol que debe asumir el modelo de IA.

• Instrucciones específicas: Esta sección contiene instrucciones detalladas sobre cómo debe responder el modelo de IA a diferentes tipos de consultas.

• Ejemplos: Esta sección proporciona ejemplos de cómo debe comportarse el modelo de IA en diferentes situaciones.

• Restricciones: Esta sección define los límites del comportamiento del modelo de IA y las cosas que debe evitar hacer.

3. Identificando las «palabras clave» y los «conceptos clave»:

Al analizar una «system prompt», presta atención a las palabras clave y los conceptos clave que se utilizan. Estos términos suelen indicar los aspectos más importantes del problema que se está tratando de resolver.

Por ejemplo, si una «system prompt» contiene muchas referencias a «aprendizaje automático», «redes neuronales» y «procesamiento del lenguaje natural», es probable que la empresa esté utilizando técnicas avanzadas de IA para lograr sus objetivos.

4. Analizando las «trade-offs»:

Cada «system prompt» representa una serie de «trade-offs» entre diferentes objetivos. Por ejemplo, una empresa puede priorizar la precisión sobre la velocidad, o la creatividad sobre la coherencia. Al analizar las «trade-offs» que se han hecho en diferentes «system prompts», puedes obtener información valiosa sobre las prioridades de cada empresa.

5. Experimentando con tus propias «System Prompts»:

La mejor manera de aprender sobre las «system prompts» es experimentar con tus propias prompts. Prueba diferentes enfoques y ve cómo afectan el comportamiento del modelo de IA. No tengas miedo de fracasar. El fracaso es una parte importante del proceso de aprendizaje.

Herramientas y recursos para el análisis de «System Prompts»

Afortunadamente, existen varias herramientas y recursos disponibles para ayudarte a analizar las «system prompts»:

• Herramientas de análisis de texto: Estas herramientas pueden ayudarte a identificar palabras clave, conceptos clave y patrones en las «system prompts». Algunos ejemplos populares incluyen NLTK, SpaCy y TextBlob.

• Plataformas de colaboración: Estas plataformas te permiten compartir y analizar «system prompts» con otros expertos. Algunos ejemplos populares incluyen GitHub, GitLab y Bitbucket.

• Comunidades online: Existen varias comunidades online donde puedes discutir las «system prompts» con otros usuarios y obtener consejos de expertos. Algunos ejemplos populares incluyen Reddit, Stack Overflow y Quora.

El futuro de las «System Prompts»

A medida que la IA continúa evolucionando, las «system prompts» se volverán aún más importantes. En el futuro, es probable que veamos «system prompts» más complejas y sofisticadas que sean capaces de guiar a los modelos de IA para que realicen tareas aún más desafiantes.

También es probable que veamos el surgimiento de nuevas herramientas y técnicas para el diseño y el análisis de «system prompts». Estas herramientas permitirán a los desarrolladores crear «system prompts» más efectivas y eficientes.

En definitiva, el análisis de «system prompts» es una habilidad cada vez más valiosa en el mundo de la IA. Al dominar esta habilidad, puedes desbloquear nuevas oportunidades y crear soluciones de IA que sean verdaderamente innovadoras.

Caso de estudio: Aplicando el análisis de «System Prompts» a la creación de un chatbot

Para ilustrar cómo se puede aplicar el análisis de «system prompts» en la práctica, vamos a analizar un caso de estudio: la creación de un chatbot para un servicio de atención al cliente.

Paso 1: Identificar las «System Prompts» relevantes:

El primer paso es identificar las «system prompts» de chatbots de atención al cliente similares. Podemos buscar ejemplos en plataformas como GitHub o en la documentación de APIs de diferentes chatbots. También podemos analizar la información proporcionada por Superblocks en su archivo compartido.

Paso 2: Analizar las «System Prompts»:

Una vez que hayamos recopilado una serie de «system prompts», podemos empezar a analizarlas para identificar patrones y mejores prácticas. Podemos prestar atención a los siguientes aspectos:

• El tono y el estilo del chatbot: ¿Es el chatbot amigable y conversacional, o formal y profesional?

• La capacidad del chatbot para entender el lenguaje natural: ¿Qué tan bien entiende el chatbot las preguntas de los usuarios?

• La capacidad del chatbot para responder preguntas con precisión: ¿Qué tan precisas y útiles son las respuestas del chatbot?

• La capacidad del chatbot para manejar situaciones complejas: ¿Cómo maneja el chatbot las preguntas que son ambiguas, complejas o fuera de su alcance?

Paso 3: Diseñar nuestra propia «System Prompt»:

Basándonos en nuestro análisis de las «system prompts» existentes, podemos diseñar nuestra propia «system prompt» para nuestro chatbot. Debemos tener en cuenta los siguientes factores:

• El propósito del chatbot: ¿Qué tareas queremos que el chatbot pueda realizar?

• El público objetivo del chatbot: ¿Quiénes son los usuarios que van a interactuar con el chatbot?

• El tono y el estilo que queremos que tenga el chatbot: ¿Cómo queremos que los usuarios perciban al chatbot?

Paso 4: Probar y refinar nuestra «System Prompt»:

Una vez que hayamos diseñado nuestra «system prompt», debemos probarla y refinarla para asegurarnos de que funciona correctamente. Podemos pedir a un grupo de usuarios que interactúen con el chatbot y nos proporcionen comentarios sobre su experiencia. También podemos utilizar herramientas de análisis para rastrear el rendimiento del chatbot y identificar áreas de mejora.

Este proceso iterativo nos permitirá crear un chatbot que sea realmente efectivo para satisfacer las necesidades de nuestros clientes.

Conclusión: La «System Prompt» como Arte y Ciencia

En resumen, el análisis de «system prompts» es una mezcla de arte y ciencia. Requiere una comprensión profunda de los principios de la IA, así como una capacidad de análisis y creatividad. Al dominar esta habilidad, puedes desbloquear el potencial de la IA y crear soluciones que sean realmente transformadoras. Así que, ¡no esperes más y empieza a explorar el mundo de las «system prompts»! El futuro de la IA te está esperando.