Qué es prompt engineering
Qué es prompt engineering, o ingeniería de prompts: es la práctica de diseñar las instrucciones que le das a un modelo de lenguaje (ChatGPT, Claude, Gemini o el que use tu empresa) para obtener la respuesta que necesitas, en el formato que necesitas, a la primera. No se trata de escribirle "bonito" a la IA: es estructurar el rol, el contexto, los ejemplos y las restricciones de tu instrucción para reducir la ambigüedad que hace que el modelo se invente datos, se salga del tema o entregue un resultado genérico.
Dominar esto marca la diferencia entre usar un modelo de lenguaje como buscador de respuestas mediocres y usarlo como herramienta de trabajo real, ya sea para redactar, programar, resumir contratos o automatizar procesos dentro de un negocio.
Por qué un buen prompt cambia el resultado
Un modelo de lenguaje no "entiende" tu intención: predice la continuación más probable del texto que le diste, con base en los patrones que aprendió durante su entrenamiento. Si tu instrucción es vaga ("hazme un reporte de ventas"), el modelo llena los huecos con suposiciones genéricas. Si tu instrucción es específica ("hazme un reporte de ventas del tercer trimestre, en tabla, comparando contra el trimestre anterior, con un párrafo de conclusiones para el director general"), el modelo tiene mucho menos espacio para adivinar mal.
Esto no es un detalle menor. La calidad de la salida de cualquier sistema basado en inteligencia artificial depende tanto del modelo que uses como de la calidad de la instrucción que le das. Un modelo potente con un prompt pobre produce resultados mediocres; un modelo modesto con un prompt bien construido puede sorprenderte.
Los cuatro elementos de un buen prompt
La mayoría de los prompts que funcionan bien comparten cuatro elementos. No siempre necesitas los cuatro en cada instrucción, pero cuantos más incluyas, más predecible es el resultado.
Rol
Dile al modelo qué papel debe adoptar antes de darle la tarea: "actúa como un contador especializado en régimen simplificado de confianza" o "eres un editor técnico que revisa documentación de software". El rol ajusta el vocabulario, el nivel de detalle y el tono de la respuesta sin que tengas que explicarlo todo por separado.
Contexto
El modelo no sabe nada de tu negocio a menos que se lo digas en el propio prompt. Incluye quién es el público, para qué se va a usar el texto, qué restricciones existen y qué información previa es relevante. Un LLM trabaja con lo que tiene enfrente en esa conversación; si el contexto no está en el prompt, para el modelo simplemente no existe.
Ejemplos
Mostrar uno o dos ejemplos del resultado que esperas ("quiero algo así de tono, así de largo, con este formato") suele funcionar mejor que describir el resultado con adjetivos. Esta técnica se conoce como few-shot: en lugar de explicar qué es un buen correo de cobranza, le muestras uno.
Restricciones
Dile al modelo qué no debe hacer: longitud máxima, qué información evitar, qué formato usar (lista, tabla, JSON), qué tono no es aceptable. Las restricciones explícitas reducen las respuestas que se van por las ramas o que agregan secciones que nadie pidió.
Cómo hacer un buen prompt paso a paso
- Define el objetivo en una frase. Qué necesitas que el modelo produzca, exactamente.
- Asigna un rol relevante a la tarea, no genérico.
- Da el contexto mínimo necesario: público, propósito, datos de entrada.
- Incluye un ejemplo del formato o tono esperado, si el resultado es sensible al estilo.
- Pon restricciones claras: longitud, formato de salida, qué evitar.
- Pide que el modelo pregunte si algo no está claro, en vez de que adivine.
- Revisa la primera respuesta y ajusta el prompt, no solo el resultado; itera sobre la instrucción, no solo sobre el texto que te devolvió.
Ese último paso es el que más se salta la gente. Cuando la respuesta no sirve, la reacción natural es corregirla a mano; la reacción que realmente mejora el proceso es preguntarte qué le faltó a la instrucción para que el modelo entendiera bien desde la primera vez.
Ejemplos de prompt engineering en el día a día
- Sin ingeniería de prompts: "Escríbeme un correo para un cliente que no ha pagado." Resultado: un correo genérico, de tono ambiguo, que puede sonar agresivo o demasiado suave según el humor del modelo ese día.
- Con ingeniería de prompts: "Actúa como responsable de cobranza de una pyme mexicana. Escribe un correo para un cliente con 15 días de atraso en un pago de $3,500 pesos, tono firme pero profesional, máximo 120 palabras, sin amenazar con acciones legales, cerrando con una fecha límite concreta." El segundo prompt no deja casi nada a la interpretación del modelo.
Lo mismo aplica a tareas técnicas: pedirle a un modelo tipo ChatGPT que "revise este código" da resultados dispersos; pedirle que "revise este código en Python buscando específicamente fugas de memoria y validación de entradas, y proponga el fix en formato diff" da resultados que un desarrollador puede usar directamente.
Errores comunes al escribir prompts
- Pedir demasiadas cosas en una sola instrucción. Un prompt que pide resumir, traducir, analizar el sentimiento y sugerir una respuesta a la vez suele hacer mal las cuatro cosas. Es mejor dividir la tarea en pasos.
- Asumir que el modelo recuerda conversaciones anteriores que no están en la ventana de contexto actual. Si el dato es relevante, hay que repetirlo.
- No pedir el formato de salida. Si necesitas una tabla, un JSON o una lista con viñetas, dilo explícitamente; el modelo no lo adivina de forma consistente.
- Confiar en la respuesta sin verificarla. Un modelo de lenguaje puede sonar seguro y estar equivocado; en tareas con datos, cifras o hechos verificables, siempre hay que confirmar contra la fuente original.
- Usar el mismo prompt genérico para tareas distintas. Un prompt que funciona para redactar un post de blog no va a funcionar igual de bien para clasificar tickets de soporte; cada tarea necesita su propio rol, contexto y restricciones.
Cuándo el prompt engineering no basta: RAG y agentes
El prompt engineering resuelve cómo le pides algo al modelo, pero no resuelve dos problemas de fondo: el modelo no conoce información privada de tu empresa (tus contratos, tu catálogo, tu base de clientes) y no puede ejecutar acciones por sí solo (consultar una base de datos, mandar un correo, actualizar un sistema).
Para el primer problema, la solución es RAG (retrieval-augmented generation): antes de responder, el sistema busca la información relevante en tus propios documentos o bases de datos y se la entrega al modelo como contexto adicional, en lugar de depender solo de lo que el modelo "recuerda" de su entrenamiento. Esto es lo que permite que un asistente conteste con precisión sobre tus políticas internas o tu catálogo de productos, apoyado en bases de datos vectoriales.
Para el segundo problema, la solución son los agentes de IA: sistemas que, además de generar texto, pueden decidir qué herramienta usar, ejecutar acciones y encadenar varios pasos sin que una persona intervenga en cada uno. Un buen prompt sigue siendo la base de cómo se instruye a ese agente, pero ya no es la única pieza del sistema.
En AISDC diseñamos e implementamos este tipo de soluciones para negocios que ya sacaron todo el provecho posible de escribir mejores prompts y necesitan que la IA trabaje con su información real y ejecute tareas, no solo que conteste preguntas.
Preguntas frecuentes
¿Qué es prompt engineering: un trabajo o solo una técnica?
Es ambas cosas. Como técnica, cualquier persona que use un modelo de lenguaje se beneficia de aplicarla en su trabajo diario. Como rol dentro de una empresa, existen equipos y especialistas dedicados a diseñar y probar prompts para productos que usan IA a gran escala.
¿Sirve el mismo prompt para cualquier modelo de IA?
No siempre. Distintos modelos responden distinto al mismo prompt, según cómo fueron entrenados. La estructura de rol, contexto, ejemplos y restricciones funciona de forma general, pero conviene probar y ajustar el prompt para el modelo específico que estás usando.
¿Cuánto tiempo toma volverse bueno en esto?
No hay una cifra fija: depende de qué tan seguido lo practiques. Lo que sí acelera el proceso es tratar cada respuesta mala como información sobre qué le faltó al prompt, en lugar de simplemente reescribir la respuesta a mano.
¿El prompt engineering va a dejar de ser necesario?
Los modelos cada vez entienden mejor instrucciones ambiguas, pero eso no elimina la necesidad de ser claro sobre lo que necesitas. Entre más específico seas sobre el rol, el contexto, el formato y las restricciones, menos vueltas das para llegar al resultado correcto, sin importar qué tan avanzado sea el modelo.
¿Qué diferencia hay entre un prompt y un agente de IA?
Un prompt es una instrucción puntual que le das a un modelo para obtener una respuesta. Un agente de IA usa prompts internamente, pero además puede tomar decisiones, usar herramientas y ejecutar varios pasos de forma encadenada sin que una persona escriba una instrucción nueva en cada paso.
Si tu equipo ya domina cómo escribir buenos prompts pero necesita que la IA trabaje con información real de tu negocio, tome decisiones o ejecute tareas completas, en AISDC construimos soluciones de inteligencia artificial hechas a la medida de tus procesos, desde asistentes con contexto real hasta agentes que automatizan tareas de principio a fin.