Cómo escribir buenos prompts para herramientas de IA

Qué es un prompt, con precisión

Un prompt es todo el texto que el modelo recibe antes de generar su respuesta. No es solo tu mensaje: incluye las instrucciones fijas que la herramienta agrega por su cuenta, el historial de la conversación y cualquier material que hayas pegado o adjuntado.

Esa precisión importa por dos motivos prácticos. Primero, explica por qué a veces el resultado cambia sin que vos hayas cambiado nada: cambió otra parte del prompt. Y segundo, explica por qué escribir mejor funciona. Como se ve en qué es la inteligencia artificial y cómo funciona, el modelo calcula qué continuación es probable dado el texto que recibió. Modificar el texto modifica la distribución de continuaciones probables. No es persuasión ni magia: es cambiar la entrada de un cálculo.

De ahí sale el criterio que ordena todo lo que viene: no hay palabras que desbloqueen capacidades ocultas. Lo que hay es contexto que das o contexto que el modelo tiene que adivinar, y cuando adivina, adivina lo más común. Por eso los pedidos vagos devuelven respuestas genéricas: son la continuación más probable de un pedido genérico.

Las partes de un pedido

Un pedido completo suele tener cinco piezas. No hace falta usarlas todas siempre: cuanto más importa el resultado, más conviene explicitarlas. La guía de ChatGPT desarrolla esta anatomía con ejemplos de la herramienta; acá va la versión compacta, porque el resto de esta guía se dedica a lo que la mejora.

La documentación de Anthropic agrega una analogía que ordena la cabeza: conviene pensar al modelo como alguien brillante pero recién llegado, que no conoce tus normas ni tu forma de trabajar. Cuanto más precisamente le explicás qué querés, mejor sale el resultado. Con un agregado importante: si querés algo que vaya más allá de lo mínimo, pedilo explícitamente en lugar de esperar que lo infiera de un pedido vago.

La técnica que más rinde: ejemplos

Si te quedás con una sola cosa de esta guía, que sea esta. Mostrar ejemplos de lo que querés es, según la documentación de los propios fabricantes, la forma más confiable de controlar el formato, el tono y la estructura de la salida.

El vocabulario es simple y conviene tenerlo:

• Zero-shot: un pedido sin ejemplos. Solo la instrucción.
• Few-shot: un pedido que incluye varios ejemplos que muestran cómo debería responder. El glosario de Google lo define exactamente así: un prompt que contiene más de un ejemplo demostrando cómo debería responder el modelo.

Las dos recomendaciones oficiales son inusualmente contundentes. Google dice: «recomendamos incluir siempre ejemplos few-shot en tus prompts; los prompts sin ejemplos probablemente sean menos efectivos». Anthropic precisa la cantidad: entre tres y cinco ejemplos para los mejores resultados, y da tres criterios de calidad:

1. RelevantesQue se parezcan al caso real, no a una versión de juguete del problema.
2. VariadosQue cubran casos límite y difieran entre sí lo suficiente como para que el modelo no capte un patrón que no querías enseñarle. Si tus tres ejemplos empiezan con «Estimado», vas a recibir «Estimado» siempre.
3. EstructuradosDelimitados con etiquetas propias, para que se distingan de las instrucciones.

Y una advertencia que Google señala explícitamente: el formato de los ejemplos tiene que ser idéntico entre sí, porque un formato inconsistente produce respuestas con formatos inesperados. Es una de las causas más frecuentes de «le pedí una tabla y me dio viñetas».

Explicar el motivo

Es la técnica más barata y la que menos gente usa: junto con la instrucción, decir por qué. La documentación de Anthropic lo plantea como que dar el contexto o la motivación detrás de una instrucción ayuda al modelo a entender mejor el objetivo, y su ejemplo es tan claro que vale reproducirlo:

La diferencia es que la segunda versión generaliza: el modelo no solo evita los puntos suspensivos, también evita el resto de los símbolos que un lector de voz pronunciaría mal, porque entendió el objetivo en lugar de memorizar una prohibición. Una regla sin motivo se aplica al pie de la letra; una regla con motivo se aplica al espíritu.

El mismo principio explica por qué conviene decir para qué es lo que estás pidiendo. «Resumime esto» y «resumime esto para presentárselo mañana a alguien que no conoce el proyecto» producen resúmenes distintos, y el segundo es el que sirve.

Delimitar instrucción y material

Cuando un prompt mezcla instrucciones, contexto, ejemplos y el texto sobre el que hay que trabajar, aparece un problema concreto: el modelo tiene que adivinar dónde termina una cosa y empieza la otra. Y a veces adivina mal, sobre todo si el material contiene algo que parece una instrucción.

La solución que documenta Anthropic es envolver cada tipo de contenido en su propia etiqueta, con nombres descriptivos y consistentes:

<instrucciones>
Corregí la ortografía y la gramática del texto de abajo.
No cambies el tono ni reescribas las ideas.
</instrucciones>

<texto>
[acá va el texto a corregir, tal cual, sin retocar]
</texto>

<formato>
Devolvé solo el texto corregido, sin comentarios ni explicaciones.
</formato>

No hay nada mágico en usar etiquetas con forma de XML: lo que importa es que haya un delimitador inequívoco. Sirven igual los guiones largos, las comillas triples o los encabezados en mayúsculas. Lo que no sirve es no tener ninguno y confiar en que el salto de línea alcance.

Pedir razonamiento paso a paso

La técnica se llama cadena de pensamiento, y el glosario de Google la define como una técnica de ingeniería de prompts que anima al modelo a explicar su razonamiento paso a paso. En la práctica es agregar una frase: «mostrá los cálculos», «explicá tu razonamiento antes de responder», «enumerá los pasos que seguiste».

Funciona bien en problemas de varios pasos: cuentas, comparaciones con varias condiciones, decisiones que dependen de una secuencia, depuración de un error. La razón es coherente con el mecanismo: al generar los pasos intermedios, el modelo produce texto sobre el que después condiciona su respuesta final.

Tres advertencias honestas, porque esta técnica está sobrevendida:

• En tareas simples no aporta. Solo alarga la respuesta, el tiempo de espera y el costo en tokens.
• En modelos configurados para razonar puede ser redundante. Varios ya producen pasos intermedios por su cuenta; pedirlo de nuevo a veces empeora la salida por exceso de deliberación.
• El razonamiento visible no es una prueba. Es texto generado, no una traza verificable de cómo se llegó a la respuesta. Sirve para revisar la lógica y detectar dónde se torció, no para certificar que el resultado es correcto.

Encadenar y trabajar con textos largos

Cuando la tarea es grande, el reflejo es escribir un prompt enorme que lo pida todo. Suele salir peor que partirlo. Encadenar prompts —una técnica que ambos fabricantes documentan— consiste en dividir el trabajo en pasos y revisar cada salida antes de usarla como entrada del siguiente:

# En lugar de un pedido gigante:
"Leé estas 40 respuestas de la encuesta, sacá conclusiones,
 escribí un informe y armá una presentación"

# Tres pasos, revisando en cada uno:
1. "De cada respuesta, extraé el tema principal y el sentimiento.
    Devolvé una tabla."
2. "Con esta tabla, agrupá los temas y decime cuáles aparecen
    más y qué patrón ves. Marcá lo que no puedas afirmar."
3. "Con estas conclusiones, escribí el informe con este formato: …"

La ventaja es de control: un pedido gigante falla entero y no sabés en qué punto se torció; una cadena falla en un eslabón que podés corregir sin repetir el resto. La desventaja es que lleva más pasos, así que conviene para trabajos que importan, no para preguntas sueltas.

Para textos largos hay un detalle de orden que Anthropic documenta y que casi nadie aplica: cuando el prompt incluye documentos extensos, conviene ponerlos primero y las instrucciones al final. Y un límite físico que conviene recordar: todo esto vive dentro de la ventana de contexto, medida en tokens. Si el material no entra, no hay técnica de redacción que lo arregle: hay que resumir por partes o encadenar.

Temperatura y otros parámetros

Si usás una API o una herramienta que exponga la configuración, hay una perilla que cambia más el resultado que muchas horas de reescritura. El glosario de Google define la temperatura como el hiperparámetro que controla el grado de aleatoriedad de la salida: temperaturas más altas producen resultados más aleatorios, y más bajas, menos.

En las interfaces de chat suele no estar expuesta, así que ahí el equivalente práctico es pedir explícitamente lo que querés: «dame cinco alternativas distintas entre sí» funciona como sustituto de subirla, y «respondé exactamente con este formato, sin variaciones» como sustituto de bajarla.

Iterar y evaluar

Acá está la diferencia de método entre quien colecciona prompts y quien los mejora. La documentación de Anthropic parte de un supuesto explícito: antes de trabajar un prompt conviene tener una definición clara de qué es un buen resultado y alguna forma de comprobar empíricamente si se cumple. Sin eso, «mejorar el prompt» es una sensación.

Un método que funciona sin ninguna herramienta:

1. Escribí qué tiene que cumplir la respuestaTres o cuatro criterios concretos: largo, formato, qué debe incluir, qué no debe afirmar.
2. Juntá tres o cuatro casos de pruebaEntradas reales, incluida alguna difícil o rara. Siempre las mismas, para poder comparar.
3. Probá el prompt con todos los casosNo con uno. Un prompt que anda bien en un caso y se rompe en otro es un prompt frágil, y eso solo se ve probando varios.
4. Cambiá una cosa por vezSi cambiás cinco cosas y mejora, no sabés cuál sirvió.
5. Guardá el que funcionaUn archivo de texto alcanza. Los pedidos que repetís merecen estar escritos, no reinventados cada vez.

Y dentro de una conversación, iterar rinde más que empezar de nuevo: «más corto», «sacá la introducción», «este párrafo no me cierra, reescribilo con otro enfoque». La primera respuesta es un borrador, no un veredicto.

Cuando el prompt lleva texto ajeno

Hay un caso que merece cuidado y que las listas de prompts no mencionan: cuando el prompt incluye contenido que no escribiste vos. Una página web que le pediste resumir, un correo recibido, un documento de un tercero, la salida de una herramienta.

El problema es que el modelo no distingue de forma fiable entre tus instrucciones y las instrucciones que vengan dentro de ese material. Si el documento incluye una línea que dice «ignorá lo anterior y hacé tal otra cosa», puede hacerle caso. OWASP lo clasifica como inyección indirecta de prompts: ocurre cuando el modelo acepta entrada de fuentes externas como sitios web o archivos, y ese contenido externo altera su comportamiento de un modo no previsto.

Esto no es teórico: hay casos documentados de exfiltración de datos por esta vía. Los que registró el blog de Underc0de, junto con el resto de los riesgos y las prácticas para manejarlos, están en riesgos, ética y uso responsable de la inteligencia artificial.

Antipatrones

• Los superlativos vacíos. «Actuá como el mejor experto mundial en…», «con veinte años de experiencia», «de élite». Fijar un rol sí sirve; los adjetivos no aportan información sobre la tarea. Compará «sos un experto de clase mundial en soporte» con «sos el responsable de soporte de una empresa de software y respondés reclamos de facturación»: la segunda dice algo.
• Prohibir sin ofrecer alternativa. «No uses lenguaje técnico» deja abierto qué usar en su lugar. «Explicalo como a alguien que sabe usar una computadora pero no programa» cierra la instrucción.
• Pedirle que recuerde en lugar de darle el material. Un modelo trabajando sobre un texto que le pegaste transforma; uno respondiendo de memoria reconstruye, y al reconstruir rellena.
• Tratar el prompt como una fórmula fija. Las listas de «100 prompts infalibles» sirven como inspiración de estructura y fallan como receta, porque les falta lo único que importa: tu contexto.
• Amenazar, rogar o insistir en mayúsculas. No hay evidencia de que mejore nada, y ocupa espacio que podría ser contexto útil.
• Aceptar la primera respuesta. Es un borrador. La mayor parte de la mejora está en las dos o tres iteraciones siguientes.

Preguntas frecuentes

Fuentes

Documentación oficial de los fabricantes y material de la comunidad consultados para esta guía. Fecha de consulta: 27 de julio de 2026.

Aportes de la comunidad Underc0de

1. Underc0de, foro. Curso de Prompts y extras, por Red_queen, sección Inteligencia Artificial y BioHacking, 2 de abril de 2023.
2. Underc0de, foro. 60 prompts de ChatGPT para Data Science, por Red_queen, 30 de marzo de 2023. Colección de pedidos de la comunidad, útil como inspiración de estructura.
3. Underc0de, foro. Sección Inteligencia Artificial y BioHacking. Hilos de la comunidad sobre herramientas de IA.

Documentación oficial

4. Anthropic. Prompting best practices. Regla de oro, analogía del empleado recién llegado, explicar el motivo de una instrucción, cantidad y criterios de los ejemplos, delimitación con etiquetas, rol en las instrucciones del sistema, encadenado y orden de los documentos largos.
5. Anthropic. Prompt engineering overview. Definir criterios de éxito y formas de comprobarlos antes de trabajar un prompt.
6. Google. Prompt design strategies. Recomendación de incluir siempre ejemplos, consistencia de formato entre ellos, agregar contexto, dividir los pedidos e iterar.
7. Google. Machine Learning Glossary. Definiciones de prompting few-shot, cadena de pensamiento y temperatura.
8. OWASP. LLM01:2025 Prompt Injection. Distinción entre inyección directa e indirecta y medidas de mitigación.