GUÍA PRÁCTICA · FUNDAMENTOS
Cómo escribir prompts que funcionan: cinco piezas y tres reescrituras
Si alguna vez has pedido algo a una IA y te ha devuelto un texto correcto pero inservible, el problema casi nunca está en la herramienta. Está en que la petición dejaba demasiadas decisiones abiertas: para quién es, qué no debe hacer, en qué formato lo necesitas y cómo vas a saber si te sirve. Esta guía no te da frases mágicas; te enseña a cerrar esas decisiones con cinco piezas y a reescribir peticiones reales hasta que el resultado sea revisable.
Las cinco piezas de una petición útil
Un prompt eficaz no tiene por qué ser largo. Tiene que responder a cinco preguntas que, si no contestas tú, contestará el modelo a su manera:
| Pieza | Pregunta que responde | Ejemplo breve |
|---|---|---|
| Objetivo | ¿Qué debe existir al terminar? | Cinco asuntos de email para clientes inactivos. |
| Contexto | ¿Qué información cambia la respuesta? | Tienda online de café; el último pedido fue hace más de seis meses. |
| Restricciones | ¿Qué no debe hacer? | Sin descuentos inventados; máximo 50 caracteres. |
| Formato | ¿Cómo vas a usar la salida? | Lista numerada, un asunto por línea. |
| Revisión | ¿Qué debe comprobar antes de entregar? | Que ningún asunto prometa algo que la tienda no ofrece. |
El contexto es la pieza que más se malinterpreta. No se trata de contar toda la historia de tu negocio, sino de incluir solo lo que cambiaría la respuesta. Si necesitas corregir un texto de cien palabras, la trayectoria de la empresa sobra; el público al que va dirigido, no.
Tres peticiones reescritas, antes y después
Los tres casos son ficticios, pero representan peticiones muy habituales.
Caso 1: asuntos de email
Antes: “Ayúdame con el marketing de mi tienda.”
Después: “Propón cinco asuntos de email para recuperar clientes que no compran desde hace seis meses en una tienda online de café. Tono cercano, máximo 50 caracteres, sin mencionar descuentos porque no hay ninguno activo. Devuelve una lista numerada y, al final, indica cuál probarías primero y por qué.”
La primera versión obliga a adivinar qué es “marketing”. La segunda produce algo que puedes juzgar en un minuto.
Caso 2: notas de una reunión
Antes: “Resume esta reunión.”
Después: “A partir de estas notas, devuelve tres bloques: decisiones tomadas, tareas con responsable (si no aparece, escribe ‘sin asignar’) y temas abiertos. No añadas tareas que no estén en las notas.”
Aquí el cambio importante es la regla para lo que falta. Sin ella, el modelo tiende a asignar responsables plausibles. Si el material es largo, la guía para resumir textos largos explica cómo trocearlo.
Caso 3: respuesta a un cliente
Antes: “Escribe una respuesta profesional a este cliente.”
Después: “Redacta una respuesta de WhatsApp para un cliente cuyo pedido debía llegar ayer. Aún no tenemos fecha nueva y el equipo lo está revisando. No inventes fecha ni prometas compensación. Máximo 90 palabras. Antes de entregar, comprueba que el texto reconoce el retraso y dice qué información falta.”
“Profesional” describe un tono, no un objetivo. La versión reescrita trabaja con los hechos disponibles y con sus límites.
Síntomas frecuentes y cómo arreglarlos
Cuando una respuesta no te sirve, identifica el síntoma antes de reescribir todo:
| Lo que ves | Causa probable | Qué añadir |
|---|---|---|
| Texto genérico que valdría para cualquiera | Falta contexto específico | Público, situación y un dato propio. |
| Cifras, nombres o fechas que no diste | No hay regla para los huecos | “Si falta un dato, escribe [PENDIENTE].” |
| Demasiado largo | No hay límite | Extensión máxima y formato concreto. |
| Formato difícil de reutilizar | No pediste estructura | Tabla, lista o columnas con nombre. |
| Mezcla análisis y redacción | Tarea demasiado amplia | Dividir en fases (siguiente apartado). |
Si el problema es que la respuesta contiene datos falsos con apariencia fiable, no basta con reescribir el prompt: consulta cómo detectar información falsa o inventada por IA.
Cuándo conviene dividir la petición en fases
Una tarea que exige leer material, decidir y después redactar suele salir mejor en tres peticiones separadas: primero extraer hechos, después clasificar o diagnosticar y, por último, redactar. Así compruebas cada etapa antes de arrastrar un error a la siguiente. Por ejemplo, si quieres responder a diez reseñas, pide primero una tabla con el motivo de cada una; revisa que los motivos sean correctos; y solo entonces pide los borradores de respuesta.
Dar uno o dos ejemplos del resultado que esperas también ayuda, sobre todo cuando el formato es poco habitual. Procura que los ejemplos sean variados: si todos se parecen, el modelo copiará su estructura de forma demasiado literal.
Plantilla para copiar y adaptar
Plantilla de prompt en cinco piezas
- Objetivo: necesito [resultado concreto] para [uso].
- Contexto: [solo los datos que cambian la respuesta].
- Restricciones: no inventes [precios, fechas, nombres]; máximo [extensión]; si falta algo, márcalo como [PENDIENTE].
- Formato: devuelve [tabla con columnas X, Y, Z / lista / mensaje listo para copiar].
- Revisión: antes de terminar, comprueba que [criterio verificable].
Guarda las versiones que funcionen. Una pequeña biblioteca de prompts probados para tus tareas habituales vale más que reescribir desde cero cada vez.
Cuándo no merece la pena afinar el prompt
No todo necesita cinco piezas. Para una lluvia de ideas rápida o para reformular una frase, una petición corta es suficiente. Y hay tareas en las que ningún prompt resuelve el problema de fondo: si necesitas datos que el modelo no tiene, como el estado real de un pedido o tu política de devoluciones, tendrás que aportarlos tú o usar otra vía. Tampoco tiene sentido seguir afinando cuando revisar la salida te cuesta lo mismo que hacer la tarea a mano; en ese caso, revisa la lista de errores comunes al usar IA antes de insistir.
¿Responde exactamente al objetivo? ¿Ha añadido hechos que no estaban en el contexto? ¿Respeta las restricciones? ¿Puedes usar el formato sin reconstruirlo? ¿Hay datos que debas verificar fuera?
Volver a todas las guías · Cómo preparamos nuestros contenidos
