Un buen prompt es una instrucción que le da a la inteligencia artificial todo lo que necesita para acertar a la primera: quién eres, qué quieres, en qué formato y con qué límites. Ni la longitud ni la cortesía lo mejoran; la información sí. Escribir prompts para ChatGPT, Gemini, Perplexity o Claude con esa lógica cambia por completo la calidad de las respuestas, tanto en tareas de oficina como en tareas con datos.
Este artículo va directo a la práctica: qué partes tiene un prompt que funciona, qué técnicas marcan la diferencia, ejemplos reales de antes y después, y los errores que más veces arruinan una buena instrucción. También veremos en qué punto el prompt deja de ser suficiente y entran en juego los agentes de IA.
Cómo hacer un buen prompt: las seis piezas que lo forman
Un prompt bien construido suele incluir seis elementos, aunque no todos son necesarios en cada caso. Cuantos más de estos elementos aparezcan en tareas complejas, menos vueltas hay que dar después para corregir la respuesta.
Rol. Indica desde qué perspectiva debe responder la IA: «actúa como analista de datos», «actúa como responsable de recursos humanos». El rol condiciona el vocabulario, el nivel de detalle y los criterios que aplica el modelo al redactar.
Contexto. La información de fondo que la IA necesita para no responder de forma genérica: a qué empresa o proyecto pertenece la tarea, quién va a leer el resultado, qué se ha probado ya. Sin contexto, la respuesta suena correcta pero no encaja con la situación real.
Tarea. La acción concreta que se pide, con un verbo claro: redacta, resume, clasifica, calcula, compara. Una tarea ambigua como «ayúdame con esto» obliga al modelo a adivinar, y adivinar es donde empiezan los errores.
Formato. Cómo debe presentarse la respuesta: una tabla, una lista de puntos, un correo con asunto y cuerpo, un máximo de palabras. Pedir el formato de salida desde el principio ahorra una segunda instrucción de «ahora ponlo en tabla».
Restricciones. Lo que la respuesta no debe hacer: no usar tecnicismos, no superar 150 palabras, no inventar cifras que no se han dado, mantener un tono formal. Las restricciones son las que evitan que el resultado se vaya por libre.
Ejemplos. Uno o dos casos de cómo debería verse la respuesta ideal. Es la pieza que más mejora la precisión cuando la tarea es repetitiva, como clasificar correos o dar formato siempre igual a un informe.
Técnicas para mejorar tus prompts
Más allá de la estructura, hay técnicas concretas que aumentan la precisión de la respuesta según el tipo de tarea. No hace falta dominarlas todas: basta con reconocer cuál encaja con lo que se necesita en cada momento.
Zero-shot (sin ejemplos). Se pide la tarea directamente, sin ejemplos previos, confiando en que la instrucción sea lo bastante clara por sí sola. Funciona bien en tareas sencillas y conocidas, como traducir un párrafo o resumir un texto corto.
Few-shot (con unos pocos ejemplos). Se incluyen dos o tres ejemplos de entrada y salida antes de pedir la tarea real. Es la técnica más eficaz cuando se necesita que la IA repita siempre el mismo estilo o la misma estructura, por ejemplo al generar descripciones de producto o respuestas de atención al cliente.
Cadena de razonamiento paso a paso (chain of thought). Consiste en pedir explícitamente que el modelo explique su razonamiento antes de dar la respuesta final, con instrucciones como «resuelve esto paso a paso» o «explica tu razonamiento antes de concluir». Mejora mucho los resultados en tareas de cálculo, lógica o análisis de datos con varias condiciones.
Dividir tareas complejas. Una instrucción que mezcla cinco peticiones distintas en un solo párrafo suele devolver una respuesta incompleta. Separar la tarea en pasos («primero clasifica estos datos, después calcula el total por categoría, por último redacta un resumen») da resultados más fiables que pedirlo todo de golpe.
Pedir formato estructurado. Cuando el resultado se va a usar en otro documento o en una hoja de cálculo, conviene pedir explícitamente una tabla, una lista numerada o un formato tipo JSON. El modelo respeta ese formato de forma mucho más consistente si se le indica desde la primera instrucción.
Iterar sobre la respuesta. Rara vez el primer resultado es el definitivo. Pedir ajustes concretos («acorta el segundo párrafo», «cambia el tono a más cercano») suele dar mejor resultado que reescribir el prompt entero desde cero.
Ejemplos de prompts: antes y después en tareas reales
Ver la diferencia entre un prompt flojo y uno bien construido ayuda más que cualquier explicación teórica. Estos son dos ejemplos habituales en el día a día de una oficina: uno de comunicación y otro de análisis de datos.
Ejemplo 1: redactar un correo de seguimiento a un cliente
Un prompt sin estructura obliga a la IA a rellenar huecos por su cuenta, y el resultado suele quedarse genérico:
Escribe un email a un cliente que no ha respondido.
Con rol, contexto, tarea, formato y restricciones, la respuesta llega prácticamente lista para enviar:
Actúa como responsable comercial de una empresa de software.
Contexto: enviamos una propuesta hace 8 días a un cliente que todavía
no ha respondido y queremos retomar el contacto sin presionar.
Tarea: redacta un correo breve de seguimiento.
Formato: asunto y cuerpo, máximo 100 palabras.
Restricciones: tono cercano pero profesional, sin frases de urgencia
ni descuentos.Ejemplo 2: analizar una tabla de datos de ventas
Pedir «analiza estos datos» produce un resumen vago que no dice nada nuevo:
Analiza estos datos de ventas.
Con la tarea dividida en pasos y el formato de salida definido, el análisis se vuelve utilizable:
Actúa como analista de datos.
Contexto: te paso una tabla con ventas mensuales por región de los
últimos seis meses.
Tarea: 1) identifica la región con mayor caída de ventas,
2) calcula la variación porcentual mes a mes,
3) señala si hay algún mes con un cambio superior al 20 %.
Formato: tabla con región, variación y una fila final de conclusión
en una frase.
Restricciones: no inventes cifras que no aparezcan en los datos
proporcionados; si falta un dato, indícalo en lugar de estimarlo.En ambos casos, el cambio no está en usar palabras más sofisticadas, sino en darle a la IA la misma información que le darías a un compañero de trabajo antes de encargarle esa tarea: para quién es, qué se ha hecho ya y cómo quieres recibir el resultado.
Errores que arruinan un prompt
Algunos fallos se repiten en la mayoría de conversaciones flojas con IA generativa, y son fáciles de corregir en cuanto se identifican. Casi todos tienen la misma raíz: el modelo recibe menos información de la que necesita y rellena los huecos con suposiciones que nadie ha revisado.
Pedir demasiado en una sola instrucción. Mezclar redacción, cálculo y formato en un único párrafo hace que el modelo priorice una parte y descuide el resto. Dividir la tarea en pasos numerados resuelve la mayoría de estos casos.
No dar contexto. Una petición sin datos de fondo deja que la IA suponga el sector, el público o el objetivo, y esas suposiciones casi nunca coinciden con la situación real. Dos frases de contexto al principio suelen ahorrar varias rondas de corrección después.
No indicar el formato de salida. Si no se especifica en qué forma se quiere el resultado, hay que pedir después que lo reorganice, lo que duplica el trabajo. Definir el formato en la primera instrucción evita esa segunda vuelta.
Aceptar la primera respuesta sin revisar. Un prompt genérico produce una respuesta genérica, y muchas personas la dan por buena sin comprobar si encaja con lo que realmente necesitaban. Revisar e iterar sobre el resultado forma parte del proceso, no es un paso opcional.
Pedir datos que la IA no tiene. Si se solicita una cifra, una fecha o una fuente concreta sin habérsela facilitado antes, el modelo puede generar una respuesta que suena plausible pero no está verificada. Conviene pedir explícitamente que indique cuándo no dispone de un dato, en lugar de completarlo por su cuenta.
Cuándo el prompt ya no basta: los agentes de IA
Un prompt, por bien construido que esté, sigue siendo una única instrucción que el modelo responde en un solo turno. Hay tareas que no encajan en ese formato porque requieren varios pasos encadenados: buscar información, consultar una herramienta, tomar una decisión intermedia y solo entonces generar el resultado final.
Ahí es donde entran los agentes de IA: sistemas capaces de planificar una secuencia de acciones y ejecutarlas una tras otra, en lugar de limitarse a devolver texto. La diferencia con un prompt suelto está en la autonomía del proceso, no solo en la complejidad de la instrucción inicial.
Esa autonomía tiene límites que conviene conocer antes de automatizar cualquier tarea con un agente: supervisión humana en los pasos que tienen consecuencias reales, permisos claros sobre a qué herramientas puede acceder y control sobre los costes y los tiempos de ejecución. Puedes profundizar en cómo funcionan y qué tipos existen en nuestro artículo sobre qué es un agente de IA.
Curso gratuito de Prompt Engineering con IBM SkillsBuild y Datahack
Todo lo anterior (estructura, técnicas, ejemplos y errores a evitar) es la base de la ingeniería de prompts, pero conviene practicarlo de forma guiada para que se convierta en un hábito de trabajo. Con ese objetivo, IBM SkillsBuild y Datahack ofrecen un curso gratuito de nivel de iniciación, pensado tanto para quien empieza desde cero con la IA generativa como para quien ya la usa y quiere mejorar la calidad de sus resultados.
El programa tiene una duración de 7 horas, en modalidad online con clases en vivo y contenido que también se puede seguir a tu ritmo. Las inscripciones están abiertas del 5 de octubre al 9 de noviembre de 2026, y quien complete todos los módulos obtiene un certificado oficial de IBM SkillsBuild con Datahack.
El temario recorre los conceptos básicos de la ingeniería de prompts, las técnicas prácticas para aplicarlos y los errores más frecuentes que arruinan una instrucción, con una simulación en IBM watsonx Prompt Lab, el entorno de IBM para probar y ajustar prompts antes de usarlos en un proyecto real.
Después avanza hacia la automatización de tareas y una introducción a qué son los agentes de IA, sus tipos y su funcionamiento, siguiendo la metodología Learning by Doing de Datahack: se aprende practicando sobre casos reales, no solo leyendo teoría. Si quieres empezar por aquí, revisa el temario completo del Curso Prompt Engineering y comprueba que el plazo de inscripción sigue abierto.
Para perfiles más técnicos que ya trabajan con Python y quieran ir un paso más allá del prompt, con arquitecturas de IA generativa aplicadas a proyectos reales, el Curso IA Generativa Aplicada es de nivel experto y exige conocimientos previos de programación, machine learning y Big Data.
Preguntas frecuentes
¿Qué diferencia real hay entre pedir algo a la IA sin más y escribir un prompt elaborado?
La diferencia está en cuánto tiene que adivinar el modelo. Una petición suelta le obliga a suponer el contexto, el tono y el resultado esperado; un prompt con rol, tarea y formato definidos reduce esas suposiciones y entrega una respuesta más cercana a lo que realmente hace falta a la primera.
¿Las mismas técnicas sirven en ChatGPT, Gemini, Perplexity y Claude?
Sí, los principios de estructurar la instrucción con contexto, tarea y formato funcionan de forma similar en las principales herramientas de IA generativa. Lo que cambia entre unas y otras es la longitud de contexto que admiten y algunos matices de estilo en cómo interpretan las restricciones.
¿Hace falta saber programar para escribir buenos prompts?
No. Escribir un prompt eficaz es una habilidad de comunicación: pensar con claridad qué se pide, con qué información y en qué formato. La programación entra en juego cuando se automatizan procesos con agentes, pero no para dar instrucciones sueltas a una IA conversacional.
¿En qué consiste pedirle a la IA que razone paso a paso?
Es indicar explícitamente que explique su proceso antes de dar el resultado final, en lugar de responder directamente. Esto ayuda especialmente en tareas de cálculo o de análisis con varias condiciones, porque obliga al modelo a comprobar cada paso antes de llegar a la conclusión.
¿Qué es IBM watsonx Prompt Lab?
Es el entorno de IBM watsonx donde se pueden escribir, probar y comparar distintas versiones de un mismo prompt antes de darlo por definitivo. Se utiliza como práctica dentro del curso de Prompt Engineering de IBM SkillsBuild y Datahack.
¿Qué obtengo al terminar el curso de Prompt Engineering y cuánto dura?
Son 7 horas de formación que mezclan sesiones en directo con material que puedes seguir cuando te venga bien. Al completar correctamente todos los módulos recibes un certificado emitido por IBM SkillsBuild junto con Datahack. El plazo para apuntarse arranca el 5 de octubre y se cierra el 9 de noviembre de 2026.
