En dos años el “prompt engineering” se ha convertido en un género de contenido lleno de fórmulas mágicas: listas de 500 prompts, conjuros para copiar, la promesa de que una frase secreta lo cambia todo. Casi nada de eso está verificado.
Algunas técnicas, sin embargo, se han medido en estudios publicados. Otras, incluida la más popular, se han medido y han fallado. Esta guía separa las dos cosas y reconstruye el método sobre lo que aguanta.
El modelo mental correcto
Un modelo de lenguaje no “entiende” tu petición: predice la continuación más probable del texto que le has dado. No es una precisión académica, tiene una consecuencia operativa inmediata:
Un prompt no es una orden, es una especificación. Todo lo que no especificas se rellena con la opción estadísticamente más común, que casi nunca es la tuya.
Si no dices la longitud, obtienes la longitud media de ese tipo de texto. Si no dices el destinatario, obtienes uno genérico. Si no dices qué excluir, lo obtienes todo. La mayoría de las respuestas decepcionantes no son un error del modelo: son un hueco en la especificación.
Qué funciona, según los estudios
Tres técnicas tienen respaldo experimental serio. Vale la pena conocerlas por lo que son, sin exagerar su alcance.
Los ejemplos (few-shot). El trabajo que popularizó la idea es Language Models are Few-Shot Learners (Brown et al., 2020): mostrar algunos ejemplos de entrada y salida deseadas dentro del prompt mejora notablemente la adherencia al formato pedido. En la práctica es la técnica con mejor relación esfuerzo/resultado: dos ejemplos de tu salida típica valen más que diez líneas explicando cómo debería ser.
La cadena de razonamiento (chain-of-thought). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., NeurIPS 2022) muestra que pedir pasos intermedios mejora la precisión en tareas que requieren varios pasos, como aritmética, razonamiento lógico y problemas articulados. Un trabajo posterior, Large Language Models are Zero-Shot Reasoners (Kojima et al., 2022), mostró que incluso una instrucción simple de proceder por pasos produce parte del efecto.
Precisión honesta y casi siempre omitida: el beneficio afecta a las tareas de varios pasos. En una petición de reescritura de un correo, pedir que razone paso a paso no sirve de nada y solo te da más que leer.
La estructura explícita. Separar instrucciones, contexto y material de entrada con delimitadores claros reduce la ambigüedad. Es la recomendación constante en la documentación de los proveedores, tanto de OpenAI como de Anthropic, y cuesta diez segundos.
La técnica popular que no aguanta
Aquí está el punto que casi ninguna guía recoge, porque contradice el consejo número uno de todas las demás.
“Actúa como un experto en…” es con diferencia la fórmula más extendida. Pero cuando se ha probado de forma sistemática, el efecto sobre la precisión no ha aparecido. El trabajo de referencia es When “A Helpful Assistant” Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models (Zheng et al., 2024): decenas de personajes distintos en los prompts de sistema, probados sobre un amplio conjunto de preguntas, sin mejora sistemática frente a no poner ninguno.
Cómo leerlo, sin tirar al niño con el agua sucia:
- Sobre la precisión: el rol no ayuda. Si buscas una respuesta correcta, añadir “eres un abogado experto” no la hace más correcta, y puede darte falsa confianza, que es peor.
- Sobre el registro: el rol sí tiene un efecto real. “Escribe como escribiría un departamento jurídico” cambia el léxico y el tono, y eso sí lo consigues.
Así que: úsalo como indicación estilística, no como atajo hacia la competencia. Toda la diferencia está ahí.
La estructura en seis partes
No es un conjuro, es una lista de cosas que, si las omites, se deciden por ti. No hace falta usarlas todas siempre.
| Parte | Pregunta que responde | Ejemplo |
|---|---|---|
| Tarea | Qué hay que hacer, con un verbo preciso | ”Reescribe”, “Resume”, “Compara” |
| Contexto | Para quién y en qué situación | ”Para un cliente que ya ha recibido dos avisos” |
| Material | Sobre qué texto se trabaja | El documento, claramente delimitado |
| Formato | Cómo debe salir | ”Tabla de tres columnas”, “máximo 150 palabras” |
| Restricciones | Qué evitar | ”Sin viñetas, sin superlativos” |
| Ejemplo | Qué aspecto tiene una buena salida | Una salida anterior que te gustó |
Comparación concreta sobre el mismo objetivo.
❌ “Escribe un correo a un cliente que no ha pagado.”
✅ “Reescribe este correo de reclamación. Destinatario: cliente antiguo, segunda factura vencida hace 20 días, relación que quiero mantener. Máximo 120 palabras, tono firme pero no amenazante, cierre con una propuesta concreta de fecha. Nada de fórmulas tipo ‘según lo acordado’. Texto actual: […]”
La segunda petición tarda más en escribirse y te ahorra tres rondas de correcciones. Es el único cálculo que importa.
El límite técnico que explica la mitad de los fallos
Si pegas documentos largos, esto te afecta.
El estudio Lost in the Middle: How Language Models Use Long Contexts (Liu et al., Transactions of the ACL, 2024) documenta un efecto sistemático: el rendimiento es mejor cuando la información relevante está al principio o al final del contexto, y empeora cuando está en medio. La curva tiene forma de U.
Tres consecuencias prácticas, que valen más que cualquier fórmula:
- Pon la instrucción al principio y repítela al final cuando el material sea largo. No es redundancia inútil: es colocar la petición donde realmente se usa.
- Recorta el material en lugar de alargarlo. “Le doy todo, así tiene contexto” es el razonamiento equivocado: más material irrelevante diluye el relevante.
- Divide las tareas largas. Dos prompts sobre medio documento cada uno ganan casi siempre a un prompt sobre el documento entero.
El ciclo que vale más que cualquier prompt suelto
En el uso real el primer prompt casi nunca es el bueno, y no pasa nada: el valor está en la segunda vuelta.
1. Pregunta qué falta antes de pedir producción. “Antes de escribir, enumera las tres informaciones que necesitas y que no te he dado.” Invierte la carga: eres tú quien rellena los huecos, en vez de dejar que se rellenen al azar.
2. Corrige señalando la diferencia, no el adjetivo. “Demasiado formal” es inútil. “Sustituye las fórmulas burocráticas por su equivalente hablado, mantén el usted” es accionable.
3. Haz que critique el resultado antes de entregarlo. “Enumera los tres puntos más débiles de este texto para un lector escéptico.” A menudo es el paso con mayor retorno de toda la sesión.
4. Guarda lo que funciona. Un archivo con diez prompts tuyos, probados en tu trabajo, vale más que cualquier colección de 500 encontrada en internet, porque contiene tu contexto: la única parte que nadie puede escribir por ti.
Los errores que salen más caros
Pedir dos cosas a la vez. “Analiza y reescribe” produce un análisis superficial y una reescritura mediocre. Sepáralos.
Aceptar la primera respuesta. Es la versión más probable, no la mejor. Pedir una segunda con una restricción distinta cuesta diez segundos.
Decir qué no quieres sin decir qué quieres. “No seas genérico” no contiene información utilizable. “Cita dos datos numéricos sacados del texto que te he dado” sí.
Fiarte de los hechos. Vale repetirlo porque es el error que de verdad cuesta: en normas, cifras, fechas y citas, el resultado hay que verificarlo en la fuente. El motivo estructural está explicado en cómo usar ChatGPT en el trabajo.
Lo que pienso: un ejemplo vale más que muchas instrucciones
La técnica que recomendaría primero no es ninguna de las que tienen un paper detrás. Es dar un ejemplo del resultado que quieres, un texto escrito por ti y que te guste, y pedir que trabaje en ese registro.
Tiene sentido también teóricamente: es la idea few-shot aplicada a ti, y resuelve el problema que ninguna instrucción estilística resuelve de verdad, es decir describir con palabras cómo escribes. No se ha medido de forma controlada, así que sigue siendo un consejo práctico, no un dato.
Preguntas frecuentes
¿Los prompts funcionan igual en todos los modelos? No, y conviene no construir hábitos rígidos encima. Los principios generales (especificación, ejemplos, formato) valen en todas partes; los detalles de formato cambian entre proveedores y versiones. La documentación oficial de OpenAI y Anthropic es la única fuente que se actualiza.
¿Mejor en español o en inglés? En los modelos actuales la diferencia para usos ordinarios es pequeña. Si el texto final debe estar en español, escribe el prompt en español: evitas calcos sintácticos que luego tendrías que corregir a mano.
¿Existe un prompt que lo resuelva todo? No, y las colecciones que lo prometen son la señal más fiable de que quien las escribe no usa la herramienta. Un prompt vale lo que vale el contexto que lleva, y el contexto es tuyo.
¿Hace falta saber programar? No. Hace falta saber escribir una especificación clara, que es una competencia de comunicación: la misma que hace útil un briefing a un compañero. No por casualidad aparece entre las competencias más demandadas.
¿Tengo que declarar el uso de IA? Depende del contexto: en el ámbito académico y en muchas redacciones es la norma. El Reglamento UE 2024/1689 introduce además obligaciones de alfabetización para quien emplea estos sistemas en el trabajo. Nosotros declaramos nuestro uso en la página cómo escribimos.
Fuentes
- T. Brown et al., Language Models are Few-Shot Learners, 2020. Efecto de los ejemplos en el prompt sobre la adherencia al formato y a la tarea.
- J. Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, NeurIPS 2022. Mejora de la precisión en tareas de varios pasos.
- T. Kojima et al., Large Language Models are Zero-Shot Reasoners, NeurIPS 2022. Efecto de una instrucción genérica de proceder por pasos.
- M. Zheng et al., When “A Helpful Assistant” Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models, 2024. Ausencia de mejora sistemática de la precisión con los prompts de rol.
- N. F. Liu et al., Lost in the Middle: How Language Models Use Long Contexts, Transactions of the ACL, 2024. Caída de rendimiento con la información situada en el centro del contexto.
- Documentación de OpenAI. Guía oficial sobre estructura de prompts y delimitadores.
- Documentación de Anthropic. Guía oficial sobre ejemplos, estructura y restricciones.
- Reglamento UE 2024/1689 (Ley de IA). Obligaciones de alfabetización en inteligencia artificial.



