Ingeniería de prompts para principiantes: un método que funciona

Por qué fallan los prompts

La ingeniería de prompts para principiantes no consiste en memorizar frases ingeniosas. Consiste en dar a un modelo de IA la tarea, la evidencia, los límites y la forma de salida que necesita para producir algo útil. La mayoría de los prompts malos fallan porque piden ayuda sin definir qué significa "bueno". El modelo rellena los huecos con patrones probables, y esos patrones pueden sonar pulidos mientras se pierde tu objetivo real.

El fallo más común es una tarea poco clara. "Mejora esto" puede significar más corto, más cálido, más persuasivo, más preciso, menos técnico o más fácil de leer. Un segundo fallo es la falta de contexto. Si el modelo no conoce el público, el material de origen, los criterios de decisión o el objetivo de negocio, optimizará para una calidad genérica. Un tercer fallo son las restricciones débiles. Sin reglas de extensión, tono, fuente, privacidad, formato y qué evitar, la respuesta puede desviarse. Un cuarto fallo es no tener un ciclo de revisión. La primera respuesta suele ser un borrador, no la meta.

Un buen flujo de trabajo para principiantes trata el prompt como un briefing corto más una comprobación de calidad. Defines la tarea, incluyes el contexto, fijas restricciones, pides un formato y luego pides al modelo que exponga sus suposiciones o su incertidumbre. Ese simple hábito mejora los prompts para escribir, los prompts para investigar, los prompts de planificación y los de análisis, porque convierte al modelo de asistente vago en colaborador estructurado.

Método: instrucción, contexto, restricciones y formato

Usa este método de prompts de IA para casi cualquier prompt serio: Instrucción, Contexto, Restricciones, Formato. Es fácil de recordar, se traslada bien entre modelos y es lo bastante específico para mejorar la precisión. Puedes ejecutar la misma plantilla en Whizi en distintos modelos y comparar cuál sigue mejor el briefing.

La Instrucción es la acción. Empieza con un verbo y un entregable: resumir, comparar, reescribir, extraer, criticar, clasificar, esquematizar, depurar o planificar. En lugar de "Ayúdame con la investigación de mercado", escribe "Crea una tabla comparativa de competidores para cinco productos de esta categoría". Cuanto más clara sea la instrucción, más fácil es juzgar el resultado.

El Contexto es el material que el modelo necesita para no adivinar. Incluye público, objetivo, antecedentes, texto de origen, ejemplos, criterios de decisión y definiciones. Para textos largos, etiqueta la fuente con claridad y pon tus instrucciones antes o después del contenido con una estructura constante. Las guías de contexto extenso de los proveedores de modelos suelen insistir en una organización clara porque las entradas grandes siguen necesitando señales.

Las Restricciones son las reglas. Añade extensión, tono, alcance, afirmaciones excluidas, evidencia requerida, límites de privacidad, nivel de lectura y qué hacer cuando falta información. Las restricciones son especialmente útiles cuando necesitas prompts que mejoren la precisión: dile al modelo que marque lo desconocido en lugar de inventar detalles, que separe los hechos de las suposiciones y que cite la sección de origen cuando sea posible.

El Formato es el contenedor de salida. Pide una tabla, una lista de tareas, un memo, un esquema, campos tipo JSON, un correo, una rúbrica de puntuación o un plan paso a paso. La guía de resultados estructurados de OpenAI y Gemini es útil porque refuerza la misma lección práctica: cuando la forma deseada es explícita, los resultados son más fáciles de leer, comparar y reutilizar.

Plantilla de prompt para copiar y pegar: "Instrucción: [acción específica y entregable]. Contexto: [público, objetivo, material de origen, ejemplos, definiciones, criterios de decisión]. Restricciones: [extensión, tono, debe incluir, debe evitar, reglas de evidencia, reglas de privacidad, reglas de incertidumbre]. Formato: [tabla/lista/memo/correo/esquema/campos tipo JSON]. Antes de finalizar, enumera suposiciones, información que falte y una pregunta de seguimiento que mejoraría el resultado".

Ejemplos por tarea

Los mejores prompts para el trabajo son patrones reutilizables, no frases mágicas de una sola vez. Usa los ejemplos de abajo como puntos de partida y luego guarda los que produzcan resultados útiles de forma constante.

Prompt de escritura: "Instrucción: Reescribe este borrador buscando claridad y concreción. Contexto: El público es [público], el objetivo es [objetivo] y el borrador es [pega el borrador]. Restricciones: Mantén todos los hechos sin cambios, evita el bombo, usa lenguaje sencillo y deja obvio el siguiente paso. Formato: Devuelve un borrador revisado y luego una tabla con problema original, edición hecha y motivo". Funciona porque le da al modelo una tarea, un lector, un estándar y un rastro de ediciones que se puede revisar.

Prompt de investigación: "Instrucción: Convierte estas fuentes en un briefing de investigación. Contexto: Estoy evaluando [pregunta] para [decisión]. Fuentes: [pega extractos de fuente o enlaces/notas]. Restricciones: Usa solo el material proporcionado, separa la evidencia de la inferencia, marca la evidencia débil y no inventes estadísticas. Formato: Devuelve hallazgos clave, tabla de evidencia, preguntas abiertas y próximas fuentes recomendadas". Esto es mejor que pedir "Investiga este tema" porque protege la trazabilidad.

Prompt de planificación: "Instrucción: Crea un plan de ejecución de dos semanas. Contexto: El objetivo es [objetivo], el equipo es [equipo], la fecha límite es [fecha], las restricciones son [restricciones]. Restricciones: Prioriza pasos reversibles, identifica bloqueos pronto y mantén cada tarea fácil de asignar a un responsable. Formato: Tabla con día, tarea, responsable, resultado, riesgo y comprobación de éxito". El resultado se convierte en algo que un equipo puede usar de verdad.

Prompt de análisis: "Instrucción: Compara estas opciones y recomienda una. Contexto: Las opciones son [opciones]. Los criterios de decisión son [criterios]. Restricciones: Incluye compromisos, el contraargumento más fuerte y qué cambiaría la recomendación. Formato: Tabla de puntuación más un memo de decisión corto". Esto fomenta el criterio sin ocultar la incertidumbre.

Prompt de revisión: "Instrucción: Critica este resultado antes de que lo use. Contexto: El uso previsto es [caso de uso]. Resultado a revisar: [pega]. Restricciones: Comprueba precisión, afirmaciones sin respaldo, contexto que falta, tono, riesgo y puntos que necesiten revisión humana. Formato: Devuelve primero los problemas críticos, luego las ediciones sugeridas y luego una valoración final de confianza". Esto convierte a la IA en un paso de control de calidad en lugar de solo un generador de borradores.

Ciclo de mejora

Una buena ingeniería de prompts es iterativa. Deberías esperar que la primera respuesta revele lo que el prompt olvidó. En lugar de empezar de cero, usa un ciclo: evalúa, diagnostica, revisa, compara, guarda.

Evalúa la respuesta con cinco preguntas. ¿Completó la tarea exacta? ¿Usó el contexto proporcionado? ¿Obedeció las restricciones? ¿Es fácil de usar el formato? ¿Están visibles las afirmaciones, suposiciones e incertidumbres? Si la respuesta falla, diagnostica el prompt antes de culpar al modelo. Un resultado vago suele significar que la tarea era vaga. Un resultado genérico suele significar que el contexto era pobre. Un resultado arriesgado suele significar que faltaban restricciones.

Luego revisa con una instrucción precisa cada vez. Di "haz la recomendación más basada en evidencia y marca lo desconocido" en lugar de "inténtalo otra vez". Di "convierte esto en una tabla con columnas de afirmación, evidencia, confianza y siguiente comprobación" en lugar de "sé más estructurado". Cuando la calidad importe, ejecuta el mismo prompt revisado en varios modelos en Whizi y compara precisión, completitud, control del tono y tiempo de edición.

Usa esta lista de mejora: 1. Nombra el fallo en una frase. 2. Añade el contexto o la restricción que faltaba. 3. Aprieta el formato de salida. 4. Pide suposiciones e incertidumbre. 5. Ejecuta un segundo modelo cuando la tarea sea importante. 6. Guarda el prompt mejorado solo después de que funcione en una tarea real, no en un ejemplo de juguete.

Construye tu biblioteca de prompts reutilizables

Una biblioteca de prompts reutilizables es donde el prompt de principiante se convierte en un flujo de trabajo diario. En lugar de guardar prompts sueltos en el historial del chat, organiza plantillas por tarea: escritura, investigación, planificación, programación, análisis de clientes, revisión de documentos y apoyo a decisiones. Cada plantilla debería incluir los mismos cuatro campos: instrucción, contexto, restricciones y formato.

Añade una nota de uso corta a cada prompt guardado: cuándo usarlo, qué entradas necesita, qué modelo rindió mejor y cómo verificar el resultado. Por ejemplo, un prompt de investigación podría requerir extractos de fuente y una tabla de afirmación y evidencia. Un prompt de escritura podría requerir público, muestra de voz y hechos que se deben conservar. Un prompt de revisión de código podría requerir el diff, el comportamiento esperado y el contexto de las pruebas.

Whizi encaja en este flujo de trabajo porque puedes guardar plantillas y ejecutarlas en varios modelos en lugar de comprometerte con uno para siempre. Empieza con tres plantillas esta semana: una reescritura, un briefing de investigación y una tabla de puntuación para decisiones. Ejecuta cada plantilla en una tarea real, compara los resultados de los modelos, revisa la plantilla y quédate con la versión que produce el resultado más útil con la menor limpieza.

Para una guía de principiante más amplia, lee Cómo usar la IA. Para trabajo con mucha investigación, prueba el Founder Research Stack. Cuando estés listo para convertir los prompts en un espacio de trabajo repetible, crea tu cuenta en register.

Lista de comprobación

• Empieza cada prompt serio con una instrucción y un entregable específicos.
• Añade público, objetivo, material de origen, ejemplos y criterios de decisión como contexto.
• Usa restricciones para controlar extensión, tono, evidencia, privacidad e incertidumbre.
• Pide un formato concreto: tabla, lista, memo, esquema o campos tipo JSON.
• Pide al modelo que enumere suposiciones, información que falta y límites de confianza.
• Mejora los prompts con una revisión enfocada cada vez.
• Compara los prompts importantes entre modelos antes de guardar la plantilla final.
• Guarda los prompts reutilizables por flujo de trabajo, no por nombre de modelo.

Preguntas frecuentes