Un mismo modelo puede dar una respuesta excelente o un desastre según cómo le preguntes. Esa palanca es gratis y se domina rápido. Aquí van seis prácticas que separan un prompt flojo de uno que funciona, con ejemplos concretos y sin promesas infladas.
Por qué el prompt importa tanto como el modelo
El prompt es la única parte del sistema que controlas del todo. No decides la arquitectura ni los datos de entrenamiento, pero sí las instrucciones, el contexto y los ejemplos que le das al modelo. Ahí está una parte enorme del resultado.
La ingeniería de prompts consiste en elegir bien las palabras, las frases, los símbolos y el formato para sacar el mejor resultado posible de un modelo, según la definición que maneja el MIT Sloan. Suena sencillo y lo es, pero la diferencia entre escribir un prompt a la carrera y dedicarle dos minutos a ordenar bien lo que quieres se nota cada día en la calidad de lo que recibes.
Y aquí conviene separar dos cosas. Seguir una guía de prompt engineering buenas prácticas sirve para sacar más partido a un modelo ya entrenado. Entrenamiento con prompts, en cambio, apunta a que el modelo aprenda del propio texto que le das, sin tocar sus pesos. Confundir ambas lleva a pedirle a una que haga el trabajo de la otra.
Conviene desterrar una idea. No hay un prompt perfecto universal. Hay prompts buenos para una tarea y un modelo concretos. La iteración es parte del trabajo, no una señal de fracaso.
Práctica 1: da contexto antes de la instrucción
Los modelos más recientes siguen mejor las órdenes cuando el contexto va delante. Describe el papel, la situación y el objetivo antes de pedir la tarea.
Mal: "Resume esto".
Bien: "Eres asistente de dirección. Resumo una reunión para el comité de inversión, que solo tiene cinco minutos. Resume en cinco puntos las decisiones tomadas y los importes mencionados, y omite el debate previo".
La segunda versión dice quién, para quién, con qué límite y qué excluir. El modelo tiene mucho menos que adivinar.
Práctica 2: sé específico con el formato y la longitud
Si no fijas el formato, el modelo elige uno y rara vez es el que necesitas. Di si quieres una tabla, una lista, tres párrafos o una sola frase. Marca la longitud con un número.
OpenAI recomienda en su documentación de buenas prácticas empezar los prompts con la instrucción y separar el material de apoyo con delimitadores claros como comillas triples o etiquetas, porque esos separadores evitan que el modelo confunda los datos que le pasas con las órdenes que le das.
Para tareas repetitivas, el formato importa más que el estilo. Si vas a pegar la salida en una hoja de cálculo, pide columnas separadas por comas y ahorrarás una hora de limpieza.
Práctica 3: añade ejemplos cuando la tarea se complica
Para tareas sencillas basta con una descripción clara. Cuando la tarea es compleja o poco común, conviene enseñar al modelo qué quieres con ejemplos reales. Es lo que se llama aprendizaje con pocos ejemplos.
Dos o tres ejemplos bien elegidos suelen marcar más diferencia que reescribir la instrucción por quinta vez. Elige casos que cubran los bordes: uno típico, uno difícil y uno donde la respuesta correcta es "no se puede determinar", porque es justo en los casos límite donde un modelo sin ejemplos tiende a inventar una respuesta que suena bien pero no sirve.
Los ejemplos también fijan el tono. Si quieres respuestas sobrias, no pongas ejemplos efusivos, porque el modelo copiará ese registro.
Práctica 4: pide el razonamiento paso a paso
En problemas matemáticos, acertijos lógicos o tareas de razonamiento complejo, pedir una explicación paso a paso mejora la precisión. Es la conocida cadena de pensamiento.
En lugar de exigir solo la respuesta, pide que el modelo muestre los pasos y luego concluya. Verás menos errores y, de paso, podrás comprobar dónde se equivoca cuando falla.
¿Y si el modelo ya trae razonamiento incorporado? Entonces esta práctica a veces basta con pedirla de forma implícita. Pruébalo en tu caso concreto: si la respuesta mejora, mantén la instrucción explícita.
Práctica 5: itera con datos, no con intuición
Un prompt no se mejora a base de sensaciones. Reúne un conjunto de casos de prueba con la respuesta que consideras correcta y mide cada cambio sobre ese conjunto.
Cuando ajustes una instrucción, vuelve a pasarlo todo y compara. Así distingues una mejora real de un cambio que arregla un caso y rompe otros tres. Sin esta disciplina, cada retoque es una apuesta.
Los equipos que lo hacen bien tratan el prompt como un activo versionado: guardan cada versión, saben qué cambió y pueden volver atrás.
Práctica 6: documenta qué prompt genera cada resultado
La última práctica es de gestión, no de escritura. Guarda junto a cada salida la versión exacta del prompt y del modelo que la produjo. Es lo que te permite reproducir un acierto o entender un fallo semanas después.
Sin ese registro, un resultado brillante se vuelve irrepetible porque nadie recuerda con qué instrucción salió. Y cuando el proveedor actualiza el modelo sin avisar de todos los cambios, te quedas sin punto de comparación entre lo que hacía antes y lo que hace ahora.
Esta disciplina separa a quien juega con la IA de quien la usa en serio. El prompt no es una ocurrencia suelta. Es parte del sistema, y como tal se cuida y se documenta.
Lo que no debes esperar de un buen prompt
Un prompt excelente no convierte un modelo flojo en uno bueno ni compensa datos malos, y tampoco sustituye a la evaluación sistemática, porque si no mides con criterios estables nunca sabrás si realmente estás mejorando algo o solo cambiando de problema.
Lo que sí hace es exprimir el modelo que ya tienes, muchas veces sin gastar un euro más. Es la mejora con mejor relación entre esfuerzo y resultado de todo el flujo, y aun así sigue siendo la que más gente se salta porque parece demasiado simple para importar.
Domina las seis prácticas de arriba y pasarás de pelear con las respuestas a dirigirlas. La diferencia no está en el modelo. Está en cómo le hablas.






