Prompt engineering: qué es y cómo escribir mejores prompts para inteligencia artificial

Usar inteligencia artificial es fácil: escribes una instrucción y recibes una respuesta. Usarla bien requiere algo más importante: aprender a explicar con claridad qué quieres conseguir, qué información debe tener en cuenta la herramienta y cómo debería verse un buen resultado.

A esa habilidad se le conoce como prompt engineering, o ingeniería de prompts.

Durante los primeros años de la IA generativa se popularizaron fórmulas rígidas, palabras “mágicas” y prompts enormes que prometían mejorar cualquier respuesta. En 2026 esa idea se ha quedado corta. Los modelos actuales entienden mejor el lenguaje natural, siguen instrucciones con mayor precisión y, en muchos casos, razonan mejor cuando reciben un objetivo claro en lugar de una receta innecesariamente complicada.

Esto no significa que los prompts hayan dejado de importar. Significa que el prompt engineering está madurando: cada vez se parece menos a memorizar trucos y más a aprender a comunicar objetivos, contexto, restricciones y criterios de calidad.

Qué es un prompt

Un prompt es la información que le entregas a una herramienta de inteligencia artificial para indicarle qué quieres que haga.

Puede ser una pregunta sencilla:

Explícame qué es el interés compuesto.

También puede ser una instrucción más completa:

Explícame qué es el interés compuesto para una persona que nunca ha estudiado finanzas. Usa un ejemplo con $1.000.000 COP, evita fórmulas avanzadas y termina con tres errores comunes que debería evitar.

Los prompts no tienen que ser únicamente texto. Dependiendo de la herramienta, también pueden incluir imágenes, archivos, audio, enlaces, hojas de cálculo, código u otros elementos de contexto. La idea central es la misma: el prompt representa la información e instrucciones con las que orientas el trabajo de la IA.

Qué es prompt engineering

Prompt engineering significa diseñar, probar y mejorar instrucciones para obtener resultados más útiles, precisos y consistentes de un sistema de inteligencia artificial.

La palabra engineering puede sonar demasiado técnica, pero para un usuario común la práctica es sencilla: pedir algo, revisar lo que obtuviste, detectar qué faltó y mejorar la instrucción.

Por ejemplo:

Prompt inicial:

Escribe un correo para un cliente.

Resultado probable:

Un correo correcto, pero genérico.

Prompt mejorado:

Redacta un correo de seguimiento para un cliente que recibió una cotización hace tres días y todavía no responde. Quiero sonar profesional y amable, sin presionarlo. El objetivo es confirmar si tiene preguntas y facilitar que programe una llamada. Máximo 120 palabras.

La segunda versión le entrega a la IA información que la primera no tenía: situación, destinatario, tono, objetivo y longitud.

Eso es prompt engineering aplicado.

Un buen prompt no tiene que ser largo

Uno de los errores más comunes es pensar que un prompt mejora simplemente porque tiene más palabras.

No necesariamente.

Los modelos actuales suelen responder mejor cuando la instrucción es clara y contiene el contexto que realmente necesitan. Un prompt de cuatro líneas puede funcionar mejor que uno de cuarenta si elimina ambigüedades y define con precisión el resultado.

Por eso conviene cambiar la pregunta “¿cómo hago este prompt más largo?” por otra mucho más útil:

¿Qué información le falta a la IA para entender correctamente lo que necesito?

En tareas sencillas, una frase puede ser suficiente. En trabajos complejos, puede hacer falta adjuntar documentos, explicar reglas, proporcionar ejemplos o definir criterios de éxito.

La cantidad correcta de contexto depende de la tarea.

Las partes de un buen prompt

No existe una fórmula universal que tengas que completar siempre. Sin embargo, hay varios elementos que suelen mejorar mucho los resultados.

Objetivo o tarea

Es lo que realmente quieres conseguir.

En lugar de:

Marketing para una cafetería.

Prueba:

Propón cinco ideas de campañas para aumentar las visitas de lunes a jueves en una cafetería de barrio.

El verbo ayuda a definir la acción: explica, compara, resume, clasifica, redacta, analiza, transforma, calcula, propone, revisa o crea.

Contexto

El contexto contiene la información que la IA necesita para no trabajar con suposiciones genéricas.

Por ejemplo:

Somos una cafetería pequeña en Cali, atendemos principalmente estudiantes y trabajadores de oficinas cercanas. Nuestro ticket promedio es de $18.000 COP y tenemos poca afluencia después de las 3 p. m.

Con ese contexto, las ideas pueden adaptarse mucho mejor al negocio real.

Público o destinatario

Una explicación para un niño de 10 años no debería escribirse igual que un informe para un gerente financiero.

Puedes indicar:

Escribe para emprendedores sin conocimientos técnicos.

Explícalo para estudiantes de primer semestre.

El mensaje será enviado a clientes que ya solicitaron información.

Rol

A veces resulta útil indicar desde qué perspectiva quieres que responda la IA:

Actúa como editor de contenido educativo.

Revisa este texto como especialista en experiencia de usuario.

Pero el rol no es obligatorio. Si la tarea ya está bien definida, añadir “actúa como el mejor experto del mundo” rara vez aporta información útil. Un rol funciona mejor cuando aclara criterios, enfoque o nivel de experiencia.

Formato de salida

Si necesitas una tabla, un correo, una lista, un guion o una estructura específica, dilo.

Por ejemplo:

Devuelve el resultado en una tabla con cuatro columnas: problema, causa probable, solución y prioridad.

O:

Entrega tres opciones. Cada opción debe incluir título, texto principal y llamada a la acción.

Tono y estilo

Puede ser profesional, cercano, didáctico, técnico, persuasivo, breve, formal o conversacional.

El tono funciona mejor cuando se relaciona con el público y la tarea:

Usa un tono profesional y sencillo. Evita jerga técnica y frases exageradamente comerciales.

Restricciones

Son límites que el resultado debe respetar.

Por ejemplo:

No inventes datos que no aparezcan en el documento.

Máximo 150 palabras.

No cambies los nombres de los productos.

Usa únicamente la información proporcionada.

Criterio de éxito

En tareas más importantes, conviene explicar qué significa que el resultado esté bien hecho.

Por ejemplo:

Consideraré buena la respuesta si identifica las tres causas principales, separa hechos de hipótesis y propone una acción verificable para cada causa.

Esta práctica es especialmente útil cuando trabajas con modelos modernos capaces de resolver tareas complejas: puedes definir el resultado esperado sin intentar controlar cada paso interno.

Una fórmula práctica para empezar

Cuando no sepas cómo construir un prompt, puedes utilizar esta estructura:

No necesitas utilizar los cinco bloques siempre. Empieza con lo mínimo necesario y añade información cuando notes que la respuesta lo requiere.

Ejemplo práctico: de un prompt débil a uno útil

Supongamos que necesitas crear una publicación para redes sociales.

Prompt 1:

Haz un post para vender casas.

El problema no es que esté “mal escrito”. El problema es que la IA tiene que inventar casi todo: público, ciudad, oferta, plataforma, tono, objetivo y llamada a la acción.

Prompt 2:

Escribe una publicación de Facebook para personas latinas que viven en Estados Unidos y están considerando comprar su primera vivienda. El objetivo es invitarlas a informarse sobre opciones de financiamiento. Usa un tono cercano y profesional. No prometas aprobación ni tasas específicas. Incluye un título breve, un texto principal de máximo 120 palabras y una llamada a la acción para solicitar información.

Ahora existe suficiente contexto para producir algo utilizable.

Y todavía podemos mejorarlo después de ver la respuesta:

Me gusta la segunda versión. Mantén la idea, pero haz la apertura más emocional, reduce el texto un 20 % y evita la frase ‘cumple tu sueño’.

Ese segundo mensaje también es prompt engineering.

Prompt engineering es iterar, no acertar a la primera

Una conversación con IA no debería verse siempre como un examen donde tienes una sola oportunidad de escribir “el prompt perfecto”.

La iteración suele ser más práctica.

Puedes comenzar con una petición razonable, revisar la respuesta y dar retroalimentación concreta:

Hazlo más corto.

Explícame la parte 3 con un ejemplo.

Compara estas dos opciones y dime qué criterio usaste.

Conserva la estructura, pero cambia el tono.

Faltó considerar el presupuesto de $500.000.

Revisa la respuesta anterior usando estos cuatro criterios.

Esta forma de trabajo evita construir prompts gigantes antes de saber qué necesita realmente la tarea.

Usar ejemplos para enseñar el resultado esperado

Cuando necesitas que la IA siga un formato, tono o patrón específico, un buen ejemplo puede ser más útil que una larga explicación.

Supón que quieres convertir notas de clientes en resúmenes breves:

Convierte cada nota en un resumen de una sola línea.

Ejemplo:
Entrada: ‘Cliente busca apartamento de dos habitaciones, máximo $1.800 mensuales, cerca del trabajo y necesita mudarse en octubre.’
Salida: ‘Busca apartamento 2 hab. hasta $1.800/mes, cerca del trabajo, mudanza en octubre.’

Ahora resume:
[nota real]

A esto se le suele llamar few-shot prompting cuando proporcionas uno o varios ejemplos para que el modelo reconozca el patrón esperado.

Si la tarea es sencilla, prueba primero sin ejemplos. Si el resultado varía demasiado o no respeta el formato, agrega ejemplos representativos.

Separar instrucciones de información

Cuando un prompt contiene textos largos, documentos o datos, conviene distinguir claramente lo que debe hacer la IA de la información que debe analizar.

Puedes usar encabezados:

También puedes utilizar delimitadores como comillas triples, etiquetas o bloques claramente identificados. La finalidad no es decorar el prompt, sino evitar que la herramienta confunda instrucciones con datos.

Qué cambia con los modelos de razonamiento

Los modelos de IA modernos son cada vez mejores para planificar y resolver problemas complejos. Esto cambia algunas costumbres antiguas del prompt engineering.

Ya no siempre es conveniente describir cada pequeño paso que el modelo debe seguir. En determinadas tareas funciona mejor explicar el objetivo, proporcionar la evidencia disponible, definir restricciones y describir cómo debe verse un resultado correcto.

Por ejemplo, en lugar de escribir veinte pasos para analizar una campaña:

Analiza estos datos y determina por qué disminuyeron los leads. Separa hechos de hipótesis. Considera cambios en gasto, CPM, CTR, tasa de conversión y calidad del tráfico. Si faltan datos para confirmar una causa, indícalo. Termina con las tres acciones de mayor prioridad.

La instrucción define el problema y los criterios, pero permite que el modelo organice el análisis.

Esto tampoco significa que los pasos hayan dejado de servir. Si un proceso debe ejecutarse en un orden específico —por seguridad, auditoría, cumplimiento o reproducibilidad— entonces sí conviene indicarlo.

No necesitas pedir que la IA revele todo su razonamiento interno

Para obtener respuestas de mayor calidad no es necesario pedir “muéstrame toda tu cadena de pensamiento” o “escribe cada pensamiento paso a paso”.

En tareas donde necesitas confianza y trazabilidad, es más útil pedir evidencia observable:

Indica los datos que sustentan cada conclusión.

Separa hechos, inferencias y dudas.

Comprueba la respuesta contra estos criterios antes de terminar.

Muéstrame los cálculos utilizados.

Cita las fuentes consultadas.

Eso permite evaluar el resultado sin depender de una explicación de razonamiento interno.

Ejemplos de prompts para tareas reales

Redacción de correo

Redacta un correo para confirmar una reunión con un cliente mañana a las 10:00 a. m. El cliente ya aceptó verbalmente. El objetivo es dejar por escrito hora, enlace y propósito. Usa un tono profesional y cordial. Máximo 100 palabras. Incluye asunto.

Resumen de un documento

Resume el documento adjunto para una persona que no conoce el tema. Identifica objetivo, conclusiones, cifras importantes y pendientes. No agregues información externa. Si algo no está claro en el documento, márcalo como ‘no especificado’.

Aprendizaje

Enséñame qué es una API como si fuera estudiante de primer semestre de desarrollo de software. Primero usa una analogía cotidiana, después explica el concepto técnico y termina con un ejemplo simple de una aplicación que consulta el clima. Hazme tres preguntas cortas para comprobar si entendí.

Comparación

Compara estas tres herramientas según precio, facilidad de uso, automatización, integraciones y curva de aprendizaje. Usa solamente la información de los enlaces que te proporciono. Entrega una tabla y después recomienda una opción para una empresa de cinco personas. Explica qué dato podría cambiar tu recomendación.

Creación de contenido

Genera cinco ideas de videos cortos para una cuenta que enseña inteligencia artificial a principiantes. Cada idea debe incluir gancho, concepto principal, demostración sugerida y cierre. Evita temas demasiado técnicos y no repitas la misma estructura.

Revisión

Revisa este texto sin cambiar su mensaje. Corrige ortografía, claridad y repeticiones. Mantén un tono cercano. Después de la versión corregida, enumera únicamente los cambios que alteraron significativamente la redacción.

Errores comunes al escribir prompts

Pedir algo demasiado amplio

Háblame de inteligencia artificial.

La IA puede responder, pero no sabe qué parte te interesa ni para qué necesitas la información.

Mejor:

Explícame tres formas en que una pequeña empresa puede usar IA para ahorrar tiempo en tareas administrativas, con un ejemplo concreto de cada una.

Dar demasiadas instrucciones que compiten entre sí

Un prompt puede volverse peor cuando acumula reglas contradictorias:

Sé muy breve, explica todo con mucho detalle, no uses listas, dame 20 ejemplos y limita la respuesta a 100 palabras.

Antes de agregar más instrucciones, revisa si son compatibles.

Confiar en palabras mágicas

Frases como “eres el mejor experto del mundo”, “esto es extremadamente importante” o “te pagaré una propina” no sustituyen el contexto, la evidencia ni un objetivo claro.

Inventar precisión

Decir “debe tener exactamente 17 pasos” cuando el problema no requiere 17 pasos puede empeorar el resultado. Usa restricciones cuando tengan una razón.

No revisar la respuesta

Una respuesta bien redactada puede contener errores, datos desactualizados o conclusiones débiles. La calidad del prompt no elimina la necesidad de verificar información importante.

Usar un único prompt para un flujo muy grande

Algunas tareas funcionan mejor por etapas.

Por ejemplo:

Primero:

Analiza estos datos y encuentra los principales problemas.

Después:

Ahora propone soluciones para los dos problemas con mayor impacto.

Finalmente:

Convierte la solución elegida en un plan de implementación.

Dividir el trabajo permite revisar cada etapa antes de avanzar.

Un prompt reutilizable para muchas tareas

Puedes guardar esta plantilla:

No necesitas rellenar todos los campos. El valor de la plantilla está en recordarte qué información podría faltar.

Cómo mejorar un prompt que no funciona

Cuando recibas una respuesta mediocre, no empieces necesariamente de cero.

Primero identifica el defecto.

• Si la respuesta es genérica, añade contexto.
• Si es demasiado larga, define extensión y prioridad.
• Si no respeta el formato, muestra un ejemplo.
• Si inventa información, limita las fuentes permitidas y pide marcar incertidumbre.
• Si entiende mal la tarea, reformula el objetivo con un verbo más claro.
• Si entrega algo técnicamente correcto pero poco útil, explica quién lo va a usar y para qué.
• Si diferentes respuestas cambian demasiado, proporciona ejemplos y criterios de evaluación.

Este diagnóstico es una parte fundamental del prompt engineering.

¿El mismo prompt funciona igual en ChatGPT, Claude y Gemini?

No siempre.

Los principios generales —claridad, contexto, objetivo y criterios— son ampliamente útiles, pero cada familia de modelos puede responder mejor a estilos diferentes.

Las guías actuales de OpenAI ponen cada vez más énfasis en describir el resultado esperado, las restricciones y los criterios de éxito, dejando que los modelos más capaces decidan cómo resolver la tarea cuando el camino exacto no importa.

Anthropic recomienda instrucciones claras y directas, contexto relevante y ejemplos cuando necesitas consistencia. Para prompts complejos también propone estructurar claramente instrucciones, contexto y ejemplos.

Google señala que sus modelos de razonamiento Gemini 3.x funcionan mejor con instrucciones precisas y concisas, y advierte que técnicas demasiado extensas diseñadas para modelos antiguos pueden hacer que el modelo analice de más. Cuando se trabaja con grandes cantidades de contexto, recomienda colocar la pregunta específica después de la información suministrada.

La consecuencia práctica es sencilla: aprende principios, no rituales. Si cambias de modelo, prueba tus prompts y ajusta lo necesario.

Prompt engineering y contexto: una habilidad cada vez más importante

En tareas reales, muchas veces el problema no es “cómo escribir la frase perfecta”, sino cómo entregar el contexto correcto.

Si pides a una IA que analice las ventas de tu negocio sin darle datos, solo podrá ofrecer recomendaciones genéricas.

Si le entregas una hoja de cálculo, explicas qué representa cada columna, defines el periodo que quieres estudiar y aclaras qué decisión necesitas tomar, la tarea cambia completamente.

Por eso el prompt engineering moderno se relaciona cada vez más con context engineering o ingeniería de contexto: seleccionar y organizar la información, herramientas, reglas y antecedentes que un sistema necesita para resolver una tarea.

Para un usuario cotidiano no necesitas memorizar ese término. Solo recuerda esta idea:

Actividad práctica: crea tu primera biblioteca de prompts

Conclusión

Prompt engineering no consiste en aprender una colección de frases secretas para “desbloquear” la inteligencia artificial.

Consiste en aprender a comunicar mejor un objetivo, proporcionar el contexto correcto, establecer límites cuando son necesarios y evaluar críticamente el resultado.

Empieza con una instrucción clara. Añade contexto cuando haga falta. Especifica el resultado que esperas. Usa ejemplos cuando necesites consistencia. Revisa lo que obtienes y mejora la siguiente instrucción.

Esa capacidad sirve tanto para escribir un correo como para analizar datos, estudiar un tema, crear contenido, diseñar procesos o trabajar con herramientas de IA más avanzadas.

En la siguiente etapa de esta serie llevaremos estas bases a situaciones concretas de productividad y trabajo, donde veremos cómo convertir tareas repetitivas en flujos de trabajo asistidos por inteligencia artificial.

Fuentes oficiales consultadas

• OpenAI Help Center — Mejores prácticas de ingeniería de prompts para ChatGPT.
• OpenAI — Model guidance / prompting best practices.
• Anthropic — Prompting best practices.
• Google AI for Developers — Gemini developer guide / prompting best practices.