La mayoría de la gente escribe prompts como si mandara un mensaje de WhatsApp: vago, sin contexto, sin estructura. Y después se queja de que “la IA no sirve.”
La realidad es que un prompt bien estructurado transforma por completo la calidad del resultado. No es magia ni requiere conocimiento técnico avanzado. Es estructura y claridad. Un buen prompt tiene cuatro componentes.
1. Contexto — Dale situación
Antes de pedir algo, dile al modelo quién eres, para quién es el output, y qué restricciones existen. Sin contexto, el modelo adivina — y adivinar no es lo mismo que acertar.
Ejemplo: “Eres un asistente especializado en análisis de riesgo. Este resumen va para el comité ejecutivo. Prefieren comunicación directa, sin rodeos y en una página máximo.”
2. Tarea — Sé específico
Evita verbos vagos como “explícame” o “cuéntame sobre.” Son invitaciones a respuestas genéricas. En su lugar, usa verbos precisos: lista, compara, resume, reescribe, diagnostica, evalúa.
No es lo mismo “cuéntame sobre ciberseguridad” que “lista los 5 vectores de ataque más comunes en empresas pequeñas con menos de 50 empleados y una recomendación para cada uno.”
3. Formato — Define el output
Si no defines el formato, el modelo decide por ti. Tabla, bullets, JSON, tres opciones con pros y contras y una recomendación — tú decides cómo se ve el resultado.
Igual de importante: dile qué NO incluir. “Sin introducción. Sin disclaimers. Sin ‘como modelo de lenguaje’.” Eso limpia el output inmediatamente.
4. Tono — Adapta a la audiencia
La IA no sabe cómo quieres que suene a menos que se lo digas. “Tono neutral y profesional” produce algo muy distinto a “amigable para principiantes, sin jerga” o “estilo ejecutivo, directo y confiado.” Nunca asumas que el modelo va a acertar el tono. Siempre especifícalo.
Técnicas avanzadas
Constraints: “Responde en menos de 120 palabras. Si no sabes la respuesta, dilo.” Esto evita que el modelo invente o divague.
Personas: “Actúa como un arquitecto cloud senior. Evalúa este plan de migración.” Anclar un rol ayuda al modelo a razonar dentro de un marco específico.
Chain-of-thought: “Piensa paso a paso. Muestra tu razonamiento antes de la respuesta final.” Ideal para problemas complejos.
Few-shot: Dale 2 o 3 ejemplos del formato que quieres. El modelo lo replica con precisión mucho mayor que si solo se lo describes.
Contexto → Tarea → Formato → Tono. No es un arte misterioso. Es una estructura que funciona.