Prompt engineering: cómo escribir instrucciones que sacan el máximo a la IA
La primera vez que usé ChatGPT de forma seria, mis resultados eran mediocres. Le pedía cosas, me daba algo generico, yo me frustraba y pensaba que la herramienta no era tan buena como decían. Tardé unas semanas en darme cuenta de que el problema no era la IA: era cómo le pedía las cosas.
Los modelos de lenguaje son muy sensibles a la forma en que se les hace una pregunta. La misma consulta formulada de dos formas distintas puede producir resultados radicalmente diferentes. Aprender a formular bien las instrucciones, que es lo que se llama prompt engineering, es probablemente la habilidad práctica más importante para usar bien cualquier herramienta de IA generativa.
No hace falta ser ingeniero ni tener formación técnica. Las técnicas fundamentales son de sentido común una vez que las conoces.
El error más común: ser demasiado vago
El problema más frecuente en quienes empiezan a usar IA es la vaguedad. «Escríbeme un correo», «haz un resumen», «busca información sobre sostenibilidad». Cuando la instrucción es vaga, el modelo llena los huecos con sus propias suposiciones, que raramente coinciden exactamente con lo que tú tenías en mente.
La solución es añadir contexto: quién eres, para quién es el texto, qué formato quieres, cuál es el objetivo concreto, qué tono buscas. Cuanto más específico seas, menos tiene que inventarse el modelo y más ajustado va a ser el resultado.
En vez de: «Escríbeme un correo a mi jefe»
Mejor: «Escríbeme un correo formal a mi jefe para pedir una reunión y presentarle una propuesta de mejora en el proceso de revisión de proyectos. Tono profesional pero directo, máximo 150 palabras. No uses fórmulas de cortesia excesivas como «espero que este correo le encuentre bien».»
Dar un rol al modelo
Una técnica muy efectiva es empezar el prompt asignando un rol específico al modelo. «Actuá como un revisor de estilo editorial», «eres un experto en fiscalidad española», «eres un profesor universitario explicando este concepto a un estudiante de primero».
Esto no es magia: lo que hace es establecer un marco de referencia que el modelo usa para calibrar el nivel de técnicidad, el tono y la perspectiva de la respuesta. Un experto en fiscalidad va a responder de forma diferente que un asesor genérico, y eso se refleja en el output.
La técnica del «paso a paso»
Para tareas complejas que requieren razonamiento, pedir explícitamente que el modelo «piense paso a paso» antes de dar la respuesta mejora significativamente la calidad del razonamiento. Este efecto se ha documentado en múltiples estudios y tiene un nombre técnico: chain-of-thought prompting.
Funciona porque obliga al modelo a articular su proceso de razonamiento, lo que reduce la probabilidad de que llegue a conclusiones incorrectas por saltar pasos. En vez de ir directo a la respuesta, tiene que justificar cada paso.
Compartir
También te puede interesar
