Cómo escribir mejores prompts: las técnicas en las que coinciden OpenAI, Anthropic y Google
No existen los prompts mágicos, pero sí unas reglas bastante fiables para mejorar las respuestas de ChatGPT, Claude, Gemini y otros sistemas de inteligencia artificial. Las recomendaciones publicadas por OpenAI, Anthropic y Google coinciden en lo esencial: explicar bien el objetivo, aportar contexto, mostrar ejemplos y especificar el formato de salida.
Estas pautas están pensadas especialmente para quienes utilizan las API, las herramientas que permiten integrar un modelo de IA en una aplicación. Sin embargo, también funcionan en una conversación normal con un chatbot. La diferencia entre una respuesta mediocre y otra realmente útil suele estar más en la calidad de las instrucciones que en el modelo elegido.
La claridad es el punto de partida
Un prompt es la instrucción o conjunto de instrucciones que se proporciona a un modelo de inteligencia artificial. Para que funcione bien, debe indicar con precisión qué se quiere conseguir, qué límites debe respetar el sistema y en qué formato debe responder.
Anthropic propone imaginar que el modelo es un empleado brillante, pero recién incorporado a la empresa. Puede resolver problemas complejos, aunque no conoce las normas internas, el público al que se dirige el texto ni las preferencias de quien le encarga la tarea. Por eso, no conviene dar por supuesto ningún dato importante.
Una comprobación sencilla consiste en enseñar el prompt a alguien que no tenga contexto sobre el proyecto. Si esa persona no sabe qué debe hacer, es probable que el modelo tampoco lo entienda correctamente.
Google añade dos elementos que suelen olvidarse: las restricciones y el formato de respuesta. No es lo mismo pedir un resumen que solicitar un resumen de una frase, destinado a una publicación en redes sociales y escrito en un tono neutral. También conviene indicar si se desea una tabla, una lista, varios párrafos o un conjunto de palabras clave.
Decir lo que se quiere, no solo lo que se debe evitar
Las instrucciones formuladas en positivo suelen ser más eficaces. En vez de pedir que la IA no utilice listas, resulta más claro indicar que debe responder mediante párrafos de prosa. El modelo recibe así una alternativa concreta en lugar de tener que deducir qué comportamiento se espera.
También ayuda explicar el motivo de una restricción. Por ejemplo, no es igual ordenar que no se utilicen puntos suspensivos que aclarar que el texto será leído por un sintetizador de voz que podría pronunciarlos de forma incorrecta. El contexto permite al sistema generalizar la instrucción a situaciones parecidas.
El contexto evita que la IA tenga que adivinar
Los modelos de lenguaje generan respuestas a partir de los datos que reciben en la conversación y de los patrones aprendidos durante su entrenamiento. Si necesitan información concreta que no aparece en el prompt, pueden completar los huecos con suposiciones o producir una respuesta demasiado genérica.
Por eso es recomendable incluir los documentos, datos, criterios o antecedentes relevantes. El contexto también permite limitar la respuesta a unas fuentes determinadas y reducir el riesgo de que el sistema introduzca información ajena al encargo.
Cuando se trabaja con documentos extensos, Anthropic y Google aconsejan colocar primero el material y formular la pregunta al final. En tareas complejas con varios textos, esta estructura puede ayudar al modelo a identificar mejor la consulta después de haber procesado toda la información. Una frase de transición como basándote en la información anterior también contribuye a separar los datos de la instrucción.
Los ejemplos suelen ser más útiles que una explicación larga
Si se busca un estilo, un tono o una estructura concreta, mostrar ejemplos suele funcionar mejor que describirlos durante varios párrafos. Esta técnica se conoce como aprendizaje con ejemplos: el modelo observa entradas y respuestas de referencia para reproducir el patrón en una nueva tarea.
Para resumir correos con un estilo determinado, por ejemplo, puede ser más efectivo aportar dos o tres resúmenes ya aprobados que explicar únicamente que deben ser claros, breves y profesionales.
Anthropic recomienda utilizar entre tres y cinco ejemplos relevantes y variados. OpenAI también aconseja mostrar un conjunto diverso de casos posibles y sus resultados esperados. Google destaca que unos ejemplos suficientemente claros pueden reducir la cantidad de instrucciones escritas.
El exceso, sin embargo, puede tener el efecto contrario. Si todos los ejemplos siguen el mismo patrón, el modelo puede copiar detalles accidentales que no formaban parte del objetivo. La selección debe cubrir situaciones distintas sin convertirse en una colección innecesariamente extensa.
Separar instrucciones, datos y ejemplos
Una estructura ordenada ayuda a evitar que el modelo confunda una instrucción con el contenido que debe analizar. Las tres compañías recomiendan emplear secciones diferenciadas y mantener siempre el mismo criterio de separación.
- Rol: define la función del asistente y el tipo de respuesta esperado.
- Instrucciones: explica qué debe hacer, qué límites debe respetar y qué criterios debe aplicar.
- Contexto: incluye los documentos, datos o antecedentes necesarios.
- Ejemplos: muestra respuestas de referencia cuando el estilo o el formato sean importantes.
Un rol breve puede ser suficiente: editor de tecnología para público general, profesor de matemáticas para estudiantes de secundaria o analista que debe comparar dos documentos. No se trata de atribuir capacidades humanas al sistema, sino de delimitar el tipo de tarea y el nivel de detalle.
Dividir las tareas complejas mejora el control
Cuando una petición reúne demasiados pasos, conviene dividirla. En lugar de pedir a la IA que investigue, organice, redacte y revise un texto en una sola instrucción, se pueden crear varias fases. La salida de un prompt se convierte entonces en la entrada del siguiente.
Este método se conoce como encadenamiento de prompts. Permite revisar resultados intermedios y corregir el rumbo antes de llegar a la respuesta final. Una secuencia práctica sería solicitar primero un esquema, comprobarlo, pedir después un borrador y terminar con una revisión basada en criterios concretos.
La autocorrección también puede organizarse por etapas: borrador inicial, revisión de precisión y estilo, y versión definitiva. Este proceso no garantiza que el contenido sea correcto, pero facilita detectar errores y hace más transparente el trabajo del sistema.
Probar, medir y ajustar
La última recomendación compartida es tratar el diseño de prompts como un proceso iterativo. Las respuestas de los modelos no siempre son idénticas, por lo que un prompt que funciona una vez no necesariamente ofrece el mismo resultado en todos los casos.
Definir de antemano qué significa una buena respuesta permite comparar versiones. Se pueden evaluar aspectos como la exactitud, la extensión, el tono, el cumplimiento del formato o la ausencia de información inventada.
En definitiva, el llamado prompt engineering, o ingeniería de instrucciones, pierde parte de su aura misteriosa. Las técnicas recomendadas por OpenAI, Anthropic y Google se parecen mucho a las de un buen encargo profesional: objetivo claro, contexto suficiente, ejemplos relevantes, estructura ordenada y revisión de resultados.
