Fatiga de Prompts

1. Visión general del concepto y problema sistémico

Al inicio de la euforia por la IA generativa, circulaba la tesis: "El inglés se ha convertido en el nuevo lenguaje de programación". Sin embargo, en la práctica, miles de desarrolladores se han enfrentado a una resistencia fundamental de la psique humana: pensar y formular ideas en un lenguaje conversacional para describir sistemas matemáticos estrictos es extremadamente difícil.

Fatiga de Prompts es un estado de agotamiento cognitivo en el que el desarrollador se encuentra pensando: "Me resulta físicamente más fácil abrir un archivo y escribir estas 10 líneas a mano que volver a explicar al asistente lo que quiero".

Los principales impulsores de la fatiga de prompts son:

• Resistencia semántica: La necesidad de pensar constantemente: "¿Cómo construir la frase para que el modelo no la entienda de manera ambigua?".
• Efecto del teléfono roto: Repetición constante de los mismos marcos contextuales ("¡estamos usando Tailwind v4, no v3!").
• Pérdida del sentido del control táctil: El ingeniero deja de sentir contacto físico directo con el material del código, convirtiéndose en un operador cansado de un centro de llamadas.

Ciclo de Prompt Churn:
[Intención: agregar validación] ---> [Prompt 1: "Agrega verificación de email"]
                                         |
                                         v
[El modelo agregó una regex, pero eliminó imports] <--- [Frustración]
                                         |
                                         v
[Prompt 2: "Devuelve los imports y deja la regex!"]
                                         |
                                         v
[El modelo cambió la lógica de la función] <--- [Aguda frustración]
                                         |
                                         v
[Conclusión: "Era más fácil escribirlo a mano en 20 segundos"]

2. Taxonomía arquitectónica y modelo mental

Gradación de interfaces de interacción según el nivel de resistencia cognitiva:

1. Nivel de alta fricción (Chat Conversacional Interactivo):
   • Trabajo a través de una ventana de chat libre sin estructura. Mayor riesgo de fatiga debido a la imprevisibilidad del comportamiento del modelo y la necesidad de escribir largas oraciones cada vez.
2. Nivel de fricción media (Prompts Inline In-place — ⌘K):
   • Selección de una sección específica de código con una breve indicación verbal ("extraer componente", "agregar try-catch"). Reduce la tensión, ya que el contexto está limitado a la selección.
3. Nivel de baja fricción (Dictado de Voz a Texto — Superwhisper / Wispr):
   • Pronunciación de pensamientos en voz alta a una velocidad de 150 palabras/minuto sin tensión en los dedos. El modelo reconoce localmente el habla y forma texto claro.
4. Nivel de fricción cero (Reglas Declarativas y Basadas en Especificaciones):
   • Uso de invariantes sistémicos: .cursorrules, CLAUDE.md, interfaces de TypeScript preescritas. El modelo ejecuta el código sin necesidad de prompts en lenguaje natural.

3. Pipeline técnico y mecánica interna

Matriz de selección: Cuándo promptar y cuándo codificar a mano

Protocolo para eliminar prompts repetidos a través de Reglas Persistentes

Si te encuentras explicando a la modelo la misma regla por segunda vez, extrae inmediatamente esa regla a un archivo de configuración del repositorio:

<!-- .cursorrules o AGENTS.md -->
## Invariantes de Ingeniería de Proyectos
- Nunca elimines comentarios @deprecated sin un comando explícito.
- Usa exclusivamente safeParse() de la biblioteca Zod.
- Todos los componentes deben ser Server Components por defecto.
- Si un componente necesita estado, agrega la directiva 'use client' en la primera línea.

Después de esto, ninguna de estas reglas necesitará ser escrita a mano en el chat nuevamente.

4. Escenarios prácticos de ingeniería en producción

01. Sustitución de la entrada de texto por dictado de voz local

El desarrollador siente dolor en las muñecas y agotamiento por escribir cientos de caracteres de prompts al día. Instala Superwhisper (modelo local de Whisper basado en Metal/GPU en Mac). En lugar de escribir texto, presiona una tecla de acceso rápido y en 10 segundos dicta la tarea al micrófono en un tono natural. La velocidad de establecimiento de tareas se triplica, y la fatiga física y cognitiva cae casi a cero.

02. Regreso consciente a la codificación manual ("Programación Zen")

Después de dos semanas de lucha continua con las alucinaciones de los agentes durante una integración compleja, el ingeniero cierra el chat con la IA durante todo un día. Implementa un algoritmo limpio en TypeScript puro, disfrutando de cada símbolo, el silencio total y recuperando el control sobre el sistema.

03. Uso de pruebas en lugar de prompts para corregir errores

En lugar de reescribir 5 veces el prompt "corrige el error cuando el usuario pasa un array vacío", el ingeniero simplemente escribe una prueba unitaria fallida en Vitest:

it("debería devolver un array vacío cuando la entrada está vacía", () => {
  expect(parseData([])).toEqual([]);
});

Y le da al agente la orden de dos palabras: "Haz que pasen las pruebas". El modelo se orienta al compilador y corrige el código a la primera.

5. Errores comunes, trampas y seguridad

1. "Prompting hasta el agotamiento" (The Sunk Cost Prompting Trap): Después de gastar 20 minutos intentando hacer que el modelo genere el CSS correcto o una expresión regular, el ingeniero no puede detenerse por el arrepentimiento del tiempo perdido. Regla de stop-loss: si el modelo no ha dado un resultado correcto en dos intentos, detén el diálogo y escribe el código a mano.
2. Parálisis por intentar escribir el "prompt perfecto": Gastar 15 minutos formulando un "prompt perfecto" de tres páginas para una tarea que se puede implementar a mano en 5 minutos. No compliques los prompts donde se necesita una acción simple.
3. Agotamiento emocional por antropomorfización: Intentar discutir con el modelo, frustrarse o sentirse ofendido por la "estupidez" del algoritmo consume recursos reales del sistema nervioso. Recuerda: LLM es simplemente una matriz matemática que predice el siguiente token, no una persona viva.