Cómo escribir instrucciones para un agente de IA de atención al cliente

Las buenas instrucciones para un agente de IA de atención al cliente describen comportamientos, no datos, y nunca se contradicen entre sí. El motivo se puede medir: en el benchmark IFScale, que evaluó 20 modelos de siete proveedores, incluso los mejores modelos de frontera solo siguieron el 68% de las instrucciones cuando recibían 500 a la vez, y el fallo más habitual fue sencillamente saltarse una regla. Cada regla que añades compite con todas las demás por la atención del modelo. Escribe las pocas reglas que importan, en lenguaje sencillo, y lleva todo lo demás a la base de conocimiento.

Esta guía es para quien abre la casilla de "instrucciones" de un agente de IA y no sabe qué escribir. Complementa dos artículos que ya publicamos: cómo entrenar a un agente de IA con el conocimiento de tu negocio trata lo que sabe el agente, y cómo evitar que tu agente de IA alucine trata las capas de seguridad que lo rodean. Este trata cómo se comporta el agente.

¿Qué diferencia hay entre instrucciones y conocimiento?

Las instrucciones le dicen al agente cómo actuar. El conocimiento le dice qué es cierto.

Ponlo en las instrucciones	Ponlo en la base de conocimiento
Tono y estilo ("cercano, breve, sin signos de exclamación")	Precios, paquetes y cartas de servicios
Qué hacer cuando un cliente está enfadado	Horarios y cierres por festivos
Cuándo pasar la conversación a una persona	Texto de la política de devoluciones y reembolsos
Lo que el agente nunca debe prometer	Especificaciones de producto, tallas, ingredientes
Qué datos recoger antes de una reserva	Direcciones, aparcamiento, cómo llegar

El error más común que vemos es pegar la lista de precios completa, la página de preguntas frecuentes y la política de cancelación dentro de las instrucciones. Parece minucioso. Empeora al agente, por dos razones.

Primero, los datos de un prompt se quedan obsoletos sin avisar. Cambias un precio en tu web, te olvidas del prompt, y el agente cita el precio antiguo con total seguridad. Segundo, los prompts largos diluyen la atención. El informe "Context Rot" de Chroma de 2025 evaluó 18 modelos y concluyó que el rendimiento empeora a medida que crece la longitud de la entrada, incluso en tareas sencillas. Un estudio dirigido por Stanford y publicado en TACL halló que los modelos aprovechan la información mejor al principio o al final de una entrada larga, y peor en el medio. Esa regla crítica que tienes enterrada en la línea 140, entre dos tablas de precios, está justo donde el modelo es más débil.

¿Cuántas reglas deben tener las instrucciones de un agente de IA?

Menos de las que crees. Merece la pena mirar de cerca los datos de IFScale, porque muestran cómo fallan los agentes a medida que se acumulan las reglas:

• La precisión cae con la densidad. Varios modelos potentes se mantuvieron por encima del 94% con 100 instrucciones y luego bajaron del 50% con 500.
• Las primeras reglas ganan. Los autores detectaron un sesgo constante a favor de las instrucciones que aparecen antes en el prompt.
• La omisión es el fallo principal. Por lo general, los modelos no incumplían las reglas; simplemente las dejaban caer sin decir nada.

Una advertencia honesta: IFScale usó instrucciones simples del tipo "incluye esta palabra clave" en una tarea de redacción de informes, y los autores dicen claramente que los resultados podrían no trasladarse a todos los ámbitos. Las reglas de atención al cliente son más difíciles de seguir que incluir una palabra clave, así que, si acaso, cuenta con que el cumplimiento en el mundo real sea peor, no mejor.

La conclusión práctica para ti: si tus instrucciones parecen un manual de políticas de 40 puntos, el agente cumplirá casi todo casi siempre, y no sabrás qué reglas ha dejado caer hasta que un cliente lo descubra. Apunta a una lista corta de reglas que de verdad te costarían dinero o confianza si se incumplen. Pon primero las más importantes.

¿Cómo se escriben las instrucciones de un agente de IA, paso a paso?

1. Empieza por el trabajo, en una frase

"Respondes los mensajes de Instagram y WhatsApp de una clínica dental, ayudas a la gente a reservar limpiezas y consultas, y pasas todo lo clínico a recepción." Esa frase hace más trabajo que una página de adjetivos. La propia guía de prompts de Anthropic sugiere tratar al modelo como un empleado brillante pero recién llegado al que le falta contexto sobre tus normas. Escribe lo que le dirías a una nueva incorporación el primer día.

2. Describe el tono con ejemplos, no con adjetivos

"Cercano y profesional" no significa nada; lo escribe cualquier negocio. En su lugar, da dos respuestas de ejemplo breves con el tono que quieres. Muestra también la extensión. Si tus clientes escriben tres palabras por WhatsApp, una respuesta de cinco párrafos suena a robot.

3. Explica el porqué de cada regla estricta

"Nunca des un precio final para implantes" es una regla. "Nunca des un precio final para implantes, porque el precio depende de una radiografía que el dentista aún no ha visto; ofrece una consulta en su lugar" es una regla que el agente puede aplicar a casos que no previste, como coronas o puentes.

4. Escribe de forma explícita las negativas y los traspasos

Decide qué hace el agente cuando no debe responder: consejo médico o legal, quejas sobre un empleado concreto, disputas por reembolsos, cualquier cosa relacionada con un problema de pago. Para cada caso, indica qué le dice al cliente y qué pasa después. "Dile que alguien del equipo le responderá en horario laboral y luego pasa la conversación a una persona" es claro. "Escala cuando sea oportuno" no lo es.

5. Di qué datos recoger, no cómo interrogar

Si una reserva necesita un nombre, un número de teléfono y un día preferido, enumera esos tres campos. Deja que el agente los recoja con naturalidad a lo largo de la conversación en lugar de fijar un orden de preguntas. Los clientes dan la información desordenada, y un guion rígido se rompe en cuanto lo hacen.

6. Busca contradicciones antes de guardar

Este es el paso que casi todo el mundo se salta. Las instrucciones crecen durante meses: alguien añade "ofrece siempre el 10% de descuento en la primera visita" en marzo, y otra persona añade "nunca menciones descuentos por mensaje directo" en julio. El agente tiene ahora dos reglas que no pueden cumplirse a la vez, y elegirá una, sin coherencia. Después de cada cambio, lee el prompt entero de arriba abajo, no solo la línea que has editado.

7. Prueba con los mensajes que recibes de verdad

Saca diez mensajes reales del mes pasado, incluidos los incómodos (el cliente enfadado, el que escribe en español, la persona que pide un descuento, el "¿eres un bot?"). Pásalos por el agente y lee cada respuesta. Cambia una sola cosa y vuelve a probar los mismos diez.

¿Cómo se ven unas instrucciones malas y unas buenas, lado a lado?

Instrucción débil	Versión más sólida
"Sé útil y amable."	Dos respuestas de ejemplo con el tono y la extensión exactos.
"No des información incorrecta."	"Si la respuesta no está en la base de conocimiento, di que lo consultarás con el equipo y pasa la conversación."
"Escala las quejas."	"Si un cliente está molesto por una visita anterior, discúlpate una vez, no discutas y pasa la conversación a una persona."
"Abrimos de 9 a 6, una limpieza cuesta..."	Lleva los horarios y los precios a la base de conocimiento.
"Haz siempre venta adicional."	"Cuando se confirme una reserva, menciona una vez la oferta de blanqueamiento. Si la rechazan, no vuelvas a sacarla."

¿Por qué importan las instrucciones desde el punto de vista legal?

Porque lo que dice tu agente es lo que dice tu negocio. En Moffatt v. Air Canada (2024), un tribunal de la Columbia Británica declaró responsable a la aerolínea después de que el chatbot de su web le dijera a un cliente que podía solicitar un descuento por duelo de forma retroactiva, algo que la política real de la aerolínea no permitía; el tribunal rechazó el argumento de que el chatbot era responsable de sus propios actos. Unas reglas claras de negativa ("nunca describas una política de reembolso que no esté en la base de conocimiento") son un seguro barato.

Cómo gestiona Entagl las instrucciones

Varias decisiones de diseño de Entagl salen directamente de la investigación anterior:

• Los datos y el comportamiento viven por separado. Los servicios, productos, preguntas frecuentes y horarios están en los datos de tu negocio y en tu base de conocimiento, así que las instrucciones pueden ser cortas y centrarse en el comportamiento.
• Especialistas en lugar de un prompt gigante. El Receptionist coordina un equipo de agentes especializados (reservas, productos, preguntas frecuentes, ventas y más), cada uno con un trabajo más acotado, de modo que ningún prompt tiene que cargar con todas las reglas.
• Una comprobación de contradicciones al editar. Cuando le pides al AI Manager que cambie las instrucciones de tu agente en lenguaje natural, revisa el prompt completo en busca de reglas existentes que el cambio contradiría o duplicaría y las concilia antes de aplicarlo, y te pregunta qué comportamiento mantener cuando dos reglas chocan de verdad. Es el paso 6, hecho por ti.
• Reglas de traspaso que defines tú. Tú decides cuándo pasa una conversación a una persona, y tu equipo la retoma en la bandeja de entrada compartida con todo el historial.
• Un panel de pruebas que enseña su trabajo. El panel Test Agent muestra el rastro de lo que hizo el agente en cada respuesta, así que cuando una respuesta de prueba parece incorrecta puedes ver por qué en lugar de adivinarlo.

Nada de esto sustituye tu criterio sobre cuáles deben ser las reglas. Hace que las reglas que escribes sean más fáciles de mantener cortas y al día. Si estás preparando un lanzamiento, nuestra guía para lanzar un agente de IA sin perder clientes cubre la parte del despliegue.

FAQ

¿Qué debo poner en las instrucciones de mi agente de IA?

El trabajo del agente en una frase, respuestas de ejemplo que muestren tu tono, el puñado de reglas estrictas que protegen tu dinero y tu confianza (con el motivo de cada una), qué datos recoger antes de una reserva y cuándo exactamente pasar la conversación a una persona. Deja los precios, los horarios y las políticas para la base de conocimiento.

¿Es mejor un prompt más largo para un agente de IA de atención al cliente?

Normalmente no. Investigaciones como IFScale y el informe Context Rot de Chroma muestran que el seguimiento de instrucciones y la precisión caen a medida que los prompts se hacen más largos y densos. Un prompt corto con prioridades claras gana a uno largo en el que la regla importante queda en el medio.

¿Cada cuánto debo actualizar las instrucciones de mi agente de IA?

Siempre que cambie tu forma de trabajar, y después de revisar conversaciones reales que salieron mal. Nuestra guía para mantener preciso un agente de IA después de su lanzamiento explica ese ciclo de revisión. Cada vez, vuelve a leer el prompt completo en busca de reglas que la nueva contradiga y repite un conjunto fijo de mensajes de prueba.

¿Puedo escribir las instrucciones de mi agente de IA en mi propio idioma?

Sí. Escríbelas en el idioma en el que piensas. El agente de Entagl responde a los clientes en el idioma en que escriben, en más de 100 idiomas, sea cual sea el idioma de tus instrucciones.

¿Necesito saber de ingeniería de prompts para configurar un agente de IA?

No. Las habilidades que importan son las que ya usas para formar a un nuevo empleado: explicar cuál es el trabajo, mostrar ejemplos, dar los motivos de las reglas y revisar el resultado.

Empieza por los diez mensajes

Antes de reescribir nada, saca diez mensajes reales de clientes y lee cómo los responde hoy tu agente. La mayoría de los problemas de instrucciones aparecen en esos diez. Si quieres ver cómo Entagl compara las nuevas instrucciones con las antiguas antes de que entren en funcionamiento en WhatsApp, Instagram, Messenger y tu web, reserva una demo de 30 minutos.

Fuentes: Jaroslawicz et al., "How Many Instructions Can LLMs Follow at Once?" (IFScale, arXiv 2507.11538, julio de 2025); Hong, Troynikov y Huber, "Context Rot: How Increasing Input Tokens Impacts LLM Performance" (Chroma, julio de 2025); Liu et al., "Lost in the Middle: How Language Models Use Long Contexts" (TACL, 2024); Anthropic, "Prompting best practices" (Claude Platform Docs); Moffatt v. Air Canada, 2024 BCCRT 149, según el resumen de la American Bar Association.