Saber redactar buenas instrucciones para los modelos de lenguaje IA — lo que se conoce como “prompt engineering” — es lo que separa a los equipos que exprimen al máximo la IA de aquellos que, con las mismas herramientas, apenas obtienen resultados aceptables.
No es una habilidad técnica en el sentido tradicional. Es una habilidad de comunicación: saber expresar con precisión qué se quiere obtener, en qué formato y con qué restricciones. Y tiene técnicas concretas que se pueden aprender y aplicar de forma inmediata.
Por qué los resultados varían tanto con la misma herramienta
Dos personas que usan el mismo modelo de lenguaje (ChatGPT, Claude, Gemini) para la misma tarea pueden obtener resultados completamente diferentes. La diferencia no está en la herramienta — está en cómo le dan las instrucciones.
Un prompt vago produce resultados genéricos. Un prompt preciso produce resultados útiles. Esta diferencia se multiplica cuando el uso es profesional: en análisis de documentos, redacción de comunicaciones, extracción de información o apoyo a decisiones de negocio.
Las técnicas fundamentales
1. Rol y contexto al inicio. Decirle al modelo quién es y en qué contexto está trabajando mejora significativamente la calidad de las respuestas. No es lo mismo “resume este contrato” que “Eres un abogado mercantil. Resume este contrato de distribución destacando las cláusulas que implican obligaciones para nuestra empresa, los plazos de preaviso para rescisión y las penalizaciones aplicables.”
El contexto funciona porque los modelos de lenguaje tienen que hacer inferencias sobre lo que se quiere cuando la instrucción es vaga. Cuanto más contexto se proporciona, menos inferencias incorrectas se producen.
2. Formato de salida explícito. Especificar cómo se quiere el resultado ahorra el trabajo de reformatearlo después. “Devuelve el resultado en una tabla con tres columnas: cláusula, obligación para nuestra empresa, plazo” produce directamente un resultado utilizable.
Otros formatos útiles según el caso: listas numeradas con un máximo de puntos, resumen ejecutivo en un párrafo seguido de detalles, respuesta estructurada con secciones específicas.
3. Ejemplos de lo que se quiere. Los modelos de lenguaje responden muy bien a los ejemplos. Si se quiere que el modelo clasifique emails en categorías específicas, mostrarle dos o tres ejemplos de cómo se quiere la clasificación produce resultados mucho más consistentes que describir las categorías en texto.
Esta técnica — llamada “few-shot prompting” — es especialmente útil para tareas de clasificación, extracción de datos con formato específico y generación de contenido en un estilo determinado.
4. Restricciones explícitas. Decirle al modelo qué no debe hacer es tan útil como decirle qué debe hacer. “No incluyas información que no esté en el documento. Si no tienes suficiente información para responder, dilo explícitamente en lugar de suponer.” Esta instrucción reduce significativamente las alucinaciones — las respuestas inventadas con confianza que son el mayor riesgo de los modelos de lenguaje.
5. Pedir al modelo que muestre su razonamiento. Para tareas analíticas complejas, pedir al modelo que explique su razonamiento (“Explica paso a paso cómo llegaste a esta conclusión”) tiene dos efectos útiles: permite al usuario verificar si el razonamiento es correcto, y frecuentemente mejora la calidad de la respuesta porque el modelo “piensa” más cuidadosamente cuando sabe que tiene que justificar.
Prompts reutilizables: la inversión que más rentabiliza
El mayor retorno del prompt engineering en equipos de empresa no viene de optimizar prompts individuales. Viene de crear una biblioteca de prompts reutilizables para las tareas más frecuentes del equipo.
Un prompt bien diseñado para “resumir actas de reunión en el formato que usa nuestra empresa” puede usarse decenas de veces. El tiempo de diseñarlo bien — que puede ser una tarde de trabajo — se amortiza en días de trabajo ahorrados.
Las empresas que más están avanzando en productividad con IA son las que han creado estas bibliotecas de prompts internos y las han compartido con el equipo — en un documento compartido, en la intranet o en un repositorio interno.
Lo que el prompt engineering no puede resolver
El prompt engineering tiene límites claros que conviene conocer:
No corrige información incorrecta en el modelo. Si el modelo tiene información desactualizada o incorrecta sobre un tema, mejorar el prompt no cambia eso. La solución es proporcionar la información correcta en el propio prompt (contexto explícito) o usar sistemas con acceso a documentos actualizados (RAG).
No elimina las alucinaciones, solo las reduce. Los modelos de lenguaje pueden inventar información con total confianza. El prompt engineering con restricciones explícitas reduce la frecuencia, pero no la elimina. Para información crítica, la verificación humana sigue siendo necesaria.
No sustituye la calidad del modelo. Para tareas muy complejas, la diferencia entre modelos de distintas capacidades importa más que el diseño del prompt. Un prompt excelente con un modelo menos capaz puede no alcanzar el resultado que un prompt básico con el modelo más capaz.
Preguntas frecuentes
¿Hay diferencias entre cómo diseñar prompts para ChatGPT vs Claude vs otros modelos? Los principios son los mismos, pero cada modelo responde de forma algo diferente. Claude tiende a seguir instrucciones estructuradas con mucha fidelidad. ChatGPT tiene más variabilidad pero puede ser más creativo. Conocer las características del modelo que se usa ayuda a calibrar cómo escribir las instrucciones.
¿Cuánto tiempo lleva aprender prompt engineering? Los fundamentos se aprenden en una sesión de práctica de dos a tres horas. La maestría viene con la práctica en casos de uso reales. El mejor aprendizaje es experimental: probar variaciones del mismo prompt y observar cómo cambia el resultado.
¿Hay herramientas para gestionar la biblioteca de prompts de un equipo? Hay herramientas específicas para gestión de prompts en equipos, pero para empezar es suficiente con un documento compartido bien organizado. Lo más importante es que los prompts estén documentados, accesibles para el equipo y que haya un proceso para actualizarlos cuando se encuentran mejoras.