Cómo escribir mejores prompts de IA (con ejemplos)
Saber escribir un buen prompt es la habilidad más rentable que puedes desarrollar con IA. Un prompt claro y estructurado transforma una respuesta mediocre en una respuesta precisa y útil. Esta guía te da un framework concreto que puedes aplicar a cualquier modelo y cualquier tarea, ahora mismo.
Qué hace que un prompt sea bueno
Un buen prompt elimina la ambigüedad. El modelo no conoce tu contexto, tu audiencia ni tus estándares a menos que se los expliques. Entradas vagas como "escríbeme un correo" obligan al modelo a adivinar, y casi siempre va a adivinar mal.
Los prompts fuertes comparten tres rasgos: son específicos sobre el resultado deseado, dan contexto que el modelo necesita y establecen restricciones de formato o extensión. La guía de prompt engineering de OpenAI lo llama "escribir instrucciones claras", y es la técnica más efectiva que recomiendan.
Compara estos dos prompts. Malo: "Resume este artículo." Mejor: "Resume este artículo en tres puntos para un product manager que no lo ha leído. Máximo 20 palabras por punto." La segunda versión le dice al modelo qué producir, para quién y con qué extensión. Esa especificidad es lo que separa un resultado útil de un relleno genérico.
Si solo te llevas una idea de esta guía, que sea esta: cada dato que omites es una decisión que le dejas al modelo. A veces eso está bien. La mayoría de las veces, no.
El framework Rol-Tarea-Formato
La estructura más simple que produce buenos resultados de forma consistente tiene tres partes: Rol, Tarea y Formato. Asigna un rol a la IA ("Eres un copywriter senior"), describe la tarea ("Escribe un titular de landing page para una app de presupuestos dirigida a universitarios") y especifica el formato ("Dame cinco opciones, cada una de menos de 10 palabras").
Este framework funciona porque replica cómo le darías instrucciones a un colega humano. No le darías un proyecto sin explicarle quién es, qué necesitas y cómo quieres el entregable. La guía de prompt engineering de Anthropic recomienda asignar un rol como una de las primeras técnicas a probar, porque ancla el tono y el nivel de expertise del modelo.
Aquí tienes una plantilla que puedes copiar:
Rol: Eres un [puesto] con experiencia en [área].
Tarea: [Verbo de acción] + [qué] + [para quién o por qué].
Formato: Responde como [bullets / tabla / JSON / párrafo]. Máximo [extensión].
No necesitas las tres partes en cada prompt, pero empezar aquí te da una base confiable. Una vez que el resultado se acerque, puedes ajustar piezas individuales.
Una tarea por prompt
Meter varias tareas en un solo prompt es la forma más rápida de obtener resultados mediocres en todas. Cuando pides "investiga competidores, luego escribe un posicionamiento, luego redacta tres titulares para anuncios", cada subtarea recibe menos atención de la que merece.
Divide el trabajo complejo en una cadena de prompts enfocados. Primero, pide la investigación. Revísala. Después alimenta los hallazgos relevantes en un segundo prompt que escriba el posicionamiento. Usa ese posicionamiento en un tercer prompt para los titulares. Cada paso se construye sobre el resultado verificado del anterior.
Este enfoque tiene un beneficio práctico más allá de la calidad: es más fácil de depurar. Si los titulares no funcionan, puedes rastrear el problema hasta el posicionamiento o la investigación sin volver a ejecutar todo. La guía de prompts de Google Gemini también recomienda dividir tareas complejas, señalando que los prompts simples producen resultados más predecibles.
Una regla útil: si tu prompt contiene las palabras "luego" o "también" más de una vez, probablemente está haciendo demasiado. Divídelo.
Restricciones y listas de exclusión
Decirle al modelo qué no hacer es tan importante como decirle qué sí hacer. Sin restricciones, vas a obtener el comportamiento por defecto: párrafos largos, frases genéricas y muletillas innecesarias.
Las restricciones pueden cubrir extensión ("menos de 200 palabras"), tono ("sin jerga técnica, escribe para alguien de 15 años"), estructura ("usa pasos numerados, no párrafos") o contenido ("no menciones nombres de competidores"). Las listas de exclusión funcionan bien para problemas recurrentes. Si el modelo sigue agregando disclaimers que no quieres, agrega "No incluyas advertencias ni disclaimers" a tu prompt.
La guía de Anthropic sugiere usar restricciones explícitas para reducir alucinaciones, especialmente cuando pides al modelo que cite fuentes o se limite a datos proporcionados. Una restricción como "Usa solo información del documento anterior. Si la respuesta no está en el documento, dilo." mejora la precisión factual de forma notable.
Crea tu propia biblioteca de restricciones que resuelvan tus frustraciones frecuentes. Con el tiempo, tendrás un kit de fragmentos reutilizables que te ahorran tiempo de edición en cada generación.
Ejemplos y few-shot prompting
Mostrarle al modelo lo que quieres suele ser más efectivo que describirlo. Esta técnica se llama "few-shot prompting" y funciona incluyendo uno o más ejemplos del par entrada-salida deseado directamente en tu prompt.
Supongamos que necesitas que el modelo extraiga datos estructurados de texto libre. En lugar de escribir una descripción larga del esquema de salida, pega un ejemplo: "Entrada: 'Juan Pérez, CEO, se incorporó en marzo de 2019.' Salida: { nombre: 'Juan Pérez', cargo: 'CEO', fecha_inicio: '2019-03' }." El modelo capta el patrón y lo aplica a nuevas entradas con alta consistencia.
La guía de OpenAI recomienda los ejemplos few-shot como una de las formas más confiables de dirigir el formato y el estilo de la salida. Incluso un solo ejemplo (one-shot) puede mejorar la consistencia de forma notable frente a un prompt sin ejemplos (zero-shot).
Al elegir ejemplos, selecciona los que representen casos límite, no solo el camino fácil. Si tus datos a veces tienen campos vacíos, muestra un ejemplo con un campo vacío para que el modelo sepa cómo manejarlo. Dos o tres ejemplos bien elegidos superan a diez genéricos.
Prueba e itera tus prompts
Tu primer prompt es un borrador, no un producto terminado. Trata la escritura de prompts como código: escríbelo, pruébalo con varias entradas, revisa la salida y corrige. La mayoría de las personas se detienen en el primer intento y culpan al modelo cuando los resultados no son buenos.
Un ciclo de iteración simple se ve así: (1) Ejecuta el prompt. (2) Identifica la brecha más grande entre lo que obtuviste y lo que querías. (3) Agrega una restricción, ejemplo o aclaración que ataque esa brecha específica. (4) Ejecútalo de nuevo. Dos o tres ciclos normalmente te llevan a un resultado de calidad profesional.
Mantén un registro de prompts. Cuando encuentres uno que funcione de forma confiable, guárdalo donde puedas encontrarlo después. Etiquétalo con la tarea, el modelo en el que lo probaste y notas sobre qué lo hizo funcionar. Esto te ahorra reinventar prompts que ya resolviste.
La guía de prompts de Google Gemini recomienda probar el mismo prompt con ligeras variaciones de redacción para verificar estabilidad. Si pequeños cambios de fraseo producen resultados muy diferentes, tu prompt es frágil y necesita más estructura. La consistencia entre ejecuciones es la verdadera prueba de un prompt bien escrito.