Llevo dos años usando modelos de lenguaje de forma intensiva. He escrito miles de prompts, he cometido los errores más habituales y he ido destilando lo que realmente funciona. Esta guía es el resumen de ese proceso.
No hay trucos mágicos. Hay principios sólidos que, aplicados con consistencia, cambian completamente la calidad de lo que obtienes.
El error más común: ser vago
El 80% de los prompts malos tienen el mismo problema: le piden al modelo que “adivine” demasiado. Cuanto más inespecífico eres, más genérico es el resultado.
| Prompt vago | Prompt preciso |
|---|---|
| ”Escríbeme un email" | "Escríbeme un email de seguimiento a un cliente que pidió presupuesto hace 5 días y no ha respondido. Tono profesional pero cercano, máximo 150 palabras." |
| "Explícame machine learning" | "Explícame qué es el overfitting en machine learning usando una analogía con la fotografía. Para alguien con conocimientos fotográficos pero sin base matemática." |
| "Dame ideas de contenido" | "Dame 5 ideas de posts para LinkedIn sobre IA y productividad. Audiencia: directivos de empresas medianas. Formato: pregunta que genere debate.” |
Los 4 elementos de un buen prompt
1. Rol o contexto
Dile al modelo quién debe ser o qué contexto tiene. No es solo un truco: activa patrones de respuesta completamente distintos.
Ejemplo de asignación de rol Eres un copywriter especializado en SaaS con 10 años de experiencia. Tu estilo es directo, evitas el hype y priorizas la claridad sobre la creatividad. [aquí va tu petición]
2. Tarea específica
Un verbo de acción claro: analiza, resume, reescribe, compara, lista, redacta. Evita el verbo “ayúdame” — es demasiado abierto.
3. Formato de salida
¿Quieres una lista? ¿Un párrafo? ¿Una tabla? ¿Markdown? Dilo explícitamente. El modelo puede generar el mismo contenido en docenas de formatos distintos.
4. Restricciones y tono
Longitud máxima, nivel de formalidad, cosas que debe evitar, vocabulario específico. Cuanto más defines los límites, más útil es el resultado.
La técnica del “chain of thought”
Para problemas complejos, pide al modelo que razone paso a paso antes de dar la respuesta final. Esto reduce drásticamente los errores en razonamiento lógico o matemático.
Sin chain of thought ¿Cuánto tarda en llenarse una piscina de 50.000 litros con dos bombas?
Con chain of thought Resuelve este problema paso a paso, mostrando cada operación: ¿Cuánto tarda en llenarse una piscina de 50.000 litros si la bomba A llena 800 litros/hora y la bomba B llena 1.200 litros/hora? Al final, da el resultado en horas y minutos.
Few-shot: enseña con ejemplos
Si quieres un estilo específico, muéstraselo. Incluir 2-3 ejemplos del output que esperas es, en muchos casos, más efectivo que describirlo con palabras.
💡 Tip avanzado: Si tienes un ejemplo de algo que te gustó mucho (un texto, un análisis, una respuesta anterior), pégalo en el prompt y dile: “Genera algo similar en estilo y estructura, pero sobre [nuevo tema].”
Los 3 errores que más veo
- No iterar. El primer prompt rara vez es el mejor. Trata cada respuesta como un borrador y refínalo con seguimientos.
- Pedir demasiado a la vez. Si tienes 5 preguntas distintas, haz 5 conversaciones. La atención del modelo se dispersa.
- No dar feedback. “Hazlo más corto”, “cambia el tono”, “añade un ejemplo” — este tipo de correcciones son más valiosas que empezar de cero.
Si quieres practicar, mi Prompt Maker Pro te ayuda a construir prompts estructurados sin empezar desde cero. Y si tienes preguntas concretas, siempre puedes escribirme.