Ingeniería de Prompts 101: Guía para Principiantes para Obtener Mejores Resultados de la IA
22 de septiembre de 2026
«Ingeniería de prompts» suena como una habilidad técnica especializada, pero la mayor parte de lo que realmente mejora los resultados de la IA se reduce a un puñado de hábitos que cualquiera puede aprender en una tarde. Ninguno de ellos es un truco ni una frase mágica; funcionan por cómo procesan realmente las instrucciones los modelos de lenguaje, y entender el porqué hace mucho más fácil aplicarlos de forma constante.
¿Por qué importa más ser específico que ser ingenioso?
Un modelo no tiene acceso al contexto que hay en tu cabeza; solo tiene las palabras que realmente escribiste. «Escribe algo sobre nuestro producto» deja que el modelo adivine tu tono, tu público, la extensión y el objetivo, y adivinará algo plausible pero genérico. «Escribe una publicación de LinkedIn de 100 palabras anunciando nuestro producto a dueños de pequeñas empresas, con un tono seguro pero no de venta agresiva, terminando con una pregunta» elimina casi toda esa incertidumbre. La especificidad no es una preferencia de estilo, es suministrar directamente la información que el modelo necesita y que de otro modo no tiene.
¿Por qué los ejemplos mejoran el resultado más que instrucciones más largas?
Describir un estilo deseado en abstracto («que sea contundente y profesional») es inherentemente ambiguo: contundente y profesional significan cosas distintas para personas distintas, y el modelo tiene que adivinar a cuál versión te refieres. Proporcionar uno o dos ejemplos del estilo, formato o tono exactos que quieres ancla al modelo a algo concreto en lugar de a una descripción abstracta, lo cual es sistemáticamente más fiable que intentar describir el estilo objetivo con cada vez más adjetivos.
¿Qué logra realmente darle a un modelo un rol o una persona?
Plantear una solicitud como «eres un contador experimentado explicando esto a alguien que declara impuestos por primera vez» consigue dos cosas reales: estrecha el espacio de respuestas plausibles hacia las convenciones y el vocabulario de ese dominio, y establece implícitamente un tono adecuado y un nivel de conocimiento asumido sin que tengas que detallarlos por separado. Es una forma compacta de codificar información sobre el público y el nivel de experiencia que de otro modo requeriría varias frases para especificar explícitamente.
¿Por qué dividir una solicitud compleja en pasos produce mejores resultados que un solo prompt grande?
Un único prompt denso que pide investigación, análisis y resultado con formato todo a la vez obliga al modelo a hacer malabares con varios objetivos simultáneamente, y la calidad de cualquiera de ellos puede resentirse. Dividir la misma solicitud en pasos secuenciales —primero esbozar la estructura, luego redactar cada sección, luego revisar y pulir— permite que el modelo se concentre por completo en un objetivo a la vez, y te permite revisar y corregir resultados intermedios antes de que se acumulen en el resultado final. Esto importa más para tareas genuinamente complejas y de varias partes; las solicitudes sencillas no lo necesitan.
¿Vale la pena decirle a un modelo qué NO hacer, o eso simplemente lo confunde?
Las instrucciones negativas («no uses jerga corporativa», «no incluyas un párrafo de conclusión») funcionan, pero en general son menos fiables que las instrucciones positivas que describen lo que sí quieres, porque el modelo igualmente tiene que generar algo, y una ausencia es más difícil de apuntar que una presencia. «No seas demasiado formal» es una guía más débil que «escribe en un tono casual y conversacional, como explicándoselo a un amigo»; la segunda le da al modelo algo concreto hacia lo cual apuntar en lugar de solo un límite que evitar.
¿Por qué el primer borrador de un modelo rara vez se siente como la versión terminada?
La primera respuesta de un modelo a cualquier prompt no trivial es su mejor intento único de satisfacer todo lo indicado en tus instrucciones a la vez; todavía no ha visto tu reacción. Tratar el primer resultado como un borrador sobre el que iterar, en lugar de una respuesta final que aceptar o rechazar en bloque, es sistemáticamente más productivo: señalar específicamente qué está mal («más corto», «ejemplos más concretos», «corta el segundo párrafo») y pedir una revisión suele acercarte más rápido a lo que realmente querías que intentar escribir el prompt perfecto al primer intento.