Cómo hacer un buen prompt para IA: la ciencia, la ingeniería y el criterio humano detrás de una buena instrucción

Una Inteligencia Artificial puede procesar grandes cantidades de información, pero no necesariamente conoce el contexto que una persona da por sentado. Nosotros sabemos qué ocurrió en la reunión de ayer, qué quiere el cliente, qué versión de un documento está vigente, por qué determinada métrica importa y qué decisión estamos tratando de tomar. Un modelo solamente puede trabajar con aquello que forma parte de su contexto disponible o con la información a la que tenga acceso mediante las herramientas correspondientes.

Esta diferencia parece sencilla, pero explica una parte importante de la frustración que muchas personas experimentan cuando comienzan a utilizar IA. Preguntan algo muy general, reciben una respuesta igualmente general y concluyen que la herramienta «no entendió». Muchas veces el problema no es que el sistema haya ignorado la instrucción, sino que nunca recibió suficiente información para interpretar correctamente lo que el usuario tenía en mente.

Por eso la planificación humana sigue siendo el primer paso. Antes de preguntarnos cómo debemos redactar el prompt, conviene preguntarnos qué problema intentamos resolver, qué información tenemos disponible, qué datos son confiables y qué características tendría una respuesta útil. Esa organización previa no es una tarea de la Inteligencia Artificial. Es parte del trabajo intelectual de quien dirige el proceso.

En Alterno vemos ese principio como fundamental. La IA puede aumentar capacidad, acelerar procesos y reducir trabajo mecánico, pero la dirección continúa comenzando en la persona.

Un prompt puede ser una sola pregunta, pero en tareas profesionales normalmente es más útil entenderlo como un conjunto de información que orienta al modelo. La instrucción es solamente una parte. También pueden formar parte del contexto documentos, conversaciones anteriores, datos, ejemplos, reglas, restricciones y resultados previos.

Si pedimos «resume este informe», estamos delegando al modelo la decisión de qué considera importante. Si en cambio explicamos que el resumen será utilizado por la gerencia, que debe concentrarse en variaciones de presupuesto y resultados, que debe comparar contra el trimestre anterior y que cualquier dato ausente debe señalarse en lugar de estimarse, hemos cambiado completamente la tarea.

No le estamos dando simplemente más palabras. Le estamos dando más estructura.

Esa es una de las ideas centrales detrás de un buen prompt: reducir la cantidad de cosas importantes que el modelo tiene que adivinar.

Los grandes modelos de lenguaje procesan información mediante unidades llamadas tokens. Un token puede representar una palabra completa, parte de una palabra, signos de puntuación u otras unidades lingüísticas. Las instrucciones, los documentos proporcionados, la conversación anterior y otros datos disponibles ocupan espacio dentro de lo que conocemos como la ventana de contexto del modelo.

A partir de ese contexto, el sistema genera una respuesta estimando secuencialmente qué información es más probable y apropiada producir. Los modelos modernos basados en arquitecturas Transformer utilizan mecanismos de atención para establecer relaciones entre diferentes partes del contexto y determinar qué elementos pueden ser relevantes para la tarea.

Esto ayuda a explicar por qué una pequeña diferencia en la información proporcionada puede cambiar significativamente una respuesta. La instrucción «analiza esta campaña» abre muchas posibilidades. ¿Debemos analizar creatividad, inversión, audiencia, medios, conversión o rentabilidad? Si especificamos que queremos comparar CPA, conversion rate y ROAS contra el período anterior, el problema comienza a quedar mucho mejor delimitado.

La tecnología puede ser sofisticada, pero el principio para el usuario es sorprendentemente humano: si quieres una respuesta más específica, necesitas formular un problema más específico.

Los modelos actuales pueden manejar cantidades de información cada vez mayores. Podemos adjuntar documentos extensos, reportes, hojas de cálculo, manuales, políticas, presentaciones y otros materiales. Esa capacidad es extraordinariamente útil, pero también puede crear una idea equivocada: pensar que mientras más información enviemos, mejor será automáticamente el resultado.

No necesariamente. Un archivo de cien páginas relevante puede ser invaluable. Veinte documentos parcialmente relacionados, versiones duplicadas y material obsoleto pueden introducir ruido. La capacidad técnica de procesar mucha información no elimina la necesidad humana de decidir qué información realmente importa.

En cierto sentido, esto se parece mucho a una investigación. Un investigador no mejora un estudio simplemente acumulando fuentes. Tiene que seleccionar, clasificar, contextualizar y establecer jerarquías entre ellas.

Con IA ocurre algo similar. Una buena práctica puede ser explicar qué documento es la fuente oficial, cuál contiene antecedentes y cuál debe utilizarse solamente para comparación. Si dos archivos se contradicen, también podemos establecer cuál tiene prioridad. El modelo recibe más que documentos: recibe una estructura para interpretarlos.

Aquí aparece una dimensión menos técnica y más organizacional. Muchas empresas funcionan gracias a una enorme cantidad de conocimiento que nunca ha sido formalmente documentado. Una persona sabe cómo preparar determinado informe porque lo ha hecho durante diez años. Otra sabe que ciertos clientes requieren un tratamiento diferente. Alguien conoce qué cifras deben revisarse antes de enviar una presentación. Otra persona sabe qué versión de un proceso realmente funciona, aunque el manual diga otra cosa.

Ese conocimiento es, en buena medida, conocimiento tácito. Vive en las personas.

La utilización seria de Inteligencia Artificial obliga muchas veces a convertir parte de ese conocimiento en información explícita. Tenemos que explicar los criterios, documentar reglas, establecer prioridades y describir excepciones. Para que un sistema pueda ayudarnos con un proceso, primero necesitamos comprender suficientemente ese proceso como para explicarlo.

Esa puede ser una consecuencia positiva de la adopción de IA dentro de las organizaciones. Prompt engineering no solamente ayuda a la máquina a trabajar mejor. Puede obligarnos a nosotros mismos a definir mejor cómo trabajamos.

Supongamos que terminamos una reunión de una hora con un cliente y tenemos la transcripción completa. Podemos escribir: «Resume esta reunión.» Probablemente recibiremos un resumen aceptable. Pero el modelo tendrá que decidir por sí mismo qué significa resumir.

Ahora imaginemos que escribimos: «Te adjunto la transcripción de una reunión con un cliente. Necesito un resumen ejecutivo para el equipo interno. Identifica las decisiones que fueron confirmadas, los temas que quedaron pendientes, las tareas mencionadas y cualquier fecha discutida. No asignes responsables si no aparecen explícitamente en la conversación y no inventes fechas. El resumen debe permitir que una persona que no asistió entienda qué se decidió y qué debe ocurrir después.»

La diferencia no está en utilizar palabras especiales. La diferencia está en que alguien pensó primero cuál era la función del resumen. Eso es ingeniería de prompts en un contexto profesional.

Las agencias, consultores, desarrolladores y equipos de negocio llevan décadas utilizando briefs por una razón sencilla: es difícil producir un buen trabajo cuando quien ejecuta tiene que adivinar qué espera quien lo solicita. El mismo principio se aplica a la IA.

Un buen prompt suele aclarar el objetivo de la tarea, proporcionar el contexto indispensable, identificar las fuentes relevantes y establecer qué resultado necesitamos. También puede explicar qué información debe excluirse, cómo manejar datos ausentes y cuál es el formato más útil para recibir la respuesta.

Esto no significa que cada solicitud tenga que convertirse en un documento de cinco páginas. La complejidad del prompt debería guardar relación con la complejidad del problema. Preguntar la capital de Francia no requiere contexto adicional. Analizar tres años de resultados publicitarios probablemente sí.

A medida que el tema de prompt engineering se popularizó, también comenzaron a circular enormes plantillas llenas de instrucciones, roles, pasos y comandos. Algunas pueden ser útiles, pero existe el riesgo de confundir complejidad con calidad.

Un prompt puede tener 2,000 palabras y continuar siendo ambiguo. También puede contener instrucciones contradictorias. Podemos pedir simultáneamente que una respuesta sea extremadamente completa y extremadamente breve, que no omita ningún detalle y que no exceda dos párrafos. La cantidad de instrucciones no resuelve esas contradicciones.

Los modelos más recientes también han reducido la necesidad de algunas técnicas que anteriormente se utilizaban para orientar sistemas menos capaces. La tendencia actual en la documentación de los principales proveedores favorece instrucciones claras, contexto relevante y una definición precisa de la tarea.

La pregunta correcta no es «¿cómo hago el prompt más largo?». Es «¿qué necesita saber el modelo que todavía no sabe?».

Una de las capacidades más útiles de las plataformas actuales es trabajar directamente con documentos. Esto cambia significativamente la forma de utilizar IA en entornos profesionales.

Imaginemos que queremos entender la política de beneficios de una empresa. Podríamos intentar explicarle la política al modelo de memoria. O podríamos proporcionar el manual oficial y pedirle que utilice exclusivamente ese documento para responder. La segunda opción es mucho más sólida.

Lo mismo ocurre con reportes, propuestas, contratos, research, manuales, hojas de cálculo, estudios de mercado o documentación técnica. Cuando la información existe, proporcionar la fuente suele ser mejor que intentar reconstruirla dentro del prompt.

Pero incluso ahí el criterio humano continúa siendo importante. Tenemos que determinar cuál documento está vigente, cuál contiene la información correcta y qué debe hacer el sistema si no encuentra una respuesta.

También existe el error contrario: adjuntar veinte documentos y escribir solamente «analízalos». La IA dispone ahora de información, pero todavía puede no entender qué problema queremos resolver.

Podemos mejorar mucho la tarea explicando que determinados archivos contienen resultados, otros contienen presupuesto y otro contiene las metas originales del proyecto. Podemos pedir una comparación específica y establecer qué indicadores deben utilizarse.

El contexto y la instrucción trabajan juntos. Los documentos responden principalmente a la pregunta «¿con qué información?». El prompt debe responder «¿para qué?».

Otra técnica importante es proporcionar ejemplos. En prompt engineering, esta práctica suele llamarse few-shot prompting. En lugar de explicar solamente una regla, mostramos algunos casos que representan correctamente el patrón que queremos que el modelo siga.

Esto es especialmente útil en procesos repetitivos. Imaginemos una compañía que recibe cientos de mensajes y necesita clasificarlos como «Ventas», «Soporte técnico» o «Facturación». Podemos explicar qué significa cada categoría, pero también podemos proporcionar varios ejemplos reales ya clasificados. El modelo dispone entonces de referencias concretas sobre cómo aplicar los criterios.

El ejemplo no sustituye la regla. La complementa. Para tareas operacionales, clasificación, extracción de información o transformación de datos, esta combinación puede mejorar considerablemente la consistencia.

Los modelos de IA pueden producir respuestas extremadamente convincentes. Ese es precisamente uno de los motivos por los cuales necesitamos diseñar tareas con cuidado. Si falta una cifra, una fecha o una fuente, no queremos necesariamente que el sistema intente completar el espacio.

Una instrucción sencilla puede ser: «Si la información no aparece en los documentos proporcionados, indícalo claramente. No estimes ni inventes el dato.»

Este tipo de reglas es particularmente importante en procesos de investigación, análisis empresarial, documentación, finanzas y otros contextos donde la precisión importa más que la fluidez. La capacidad de producir lenguaje no debe confundirse con garantía de verdad. Por eso un buen prompt también define los límites de la respuesta.

A veces intentamos utilizar la IA como si todo el trabajo tuviera que ocurrir dentro de una sola instrucción: «Lee estos doce documentos, identifica problemas, compáralos, prepara recomendaciones, desarrolla un plan y hazme una presentación.» El sistema puede intentarlo. Pero existe otra manera de trabajar.

Primero podemos pedir que identifique los datos relevantes. Después revisar esa extracción. Luego pedir una comparación. Más adelante desarrollar hipótesis y finalmente organizar recomendaciones.

Esta forma de trabajo tiene dos ventajas. Reduce la complejidad de cada paso y permite que una persona valide el proceso mientras avanza. Eso es importante porque la supervisión humana no debería ocurrir únicamente al final. Puede formar parte de toda la ejecución.

El concepto de «prompt perfecto» también puede crear la expectativa de que deberíamos escribir una instrucción impecable a la primera. En la práctica, el prompting profesional se parece mucho más a un proceso de prueba y refinamiento.

Pedimos algo. Revisamos el resultado. Detectamos dónde interpretó incorrectamente la tarea. Añadimos contexto. Eliminamos instrucciones que generaban ruido. Probamos nuevamente.

Con el tiempo podemos incluso convertir un prompt que funciona consistentemente en una plantilla reutilizable para una tarea recurrente. La ingeniería está precisamente en esa iteración. No en encontrar una frase milagrosa.

Una de las maneras más útiles de comenzar una tarea compleja es no pedir inmediatamente el resultado final. Podemos proporcionar el objetivo y escribir: «Antes de comenzar, revisa la información que te proporcioné e identifica qué datos importantes faltan para poder realizar correctamente esta tarea.»

Eso puede revelar problemas en nuestro propio brief. Quizás nunca definimos el período que queremos analizar. Tal vez dos documentos tienen versiones diferentes de la misma cifra. Quizás no especificamos qué indicador determina éxito.

En esos casos, la IA está ayudando a estructurar mejor la pregunta antes de intentar responderla. Y una buena pregunta suele ser el comienzo de una mejor respuesta.

En Alterno hacemos una distinción importante entre utilizar Inteligencia Artificial para aumentar capacidad y utilizarla como sustituto automático del talento profesional.

Hay procesos donde la tecnología puede aportar muchísimo valor: organizar información, resumir documentación, comparar datos, acelerar investigación, clasificar contenidos, detectar inconsistencias, automatizar tareas repetitivas o estructurar información para que una persona pueda trabajar con ella más fácilmente. Eso no significa que toda actividad deba automatizarse.

Nuestra filosofía continúa colocando el talento humano en el centro de los procesos creativos. Diseñadores, directores de arte, fotógrafos, videógrafos, editores, copywriters y otros profesionales aportan experiencia, sensibilidad, contexto cultural y criterio que no reducimos simplemente a la capacidad de generar un output.

La existencia de una herramienta generativa no convierte automáticamente su utilización en la mejor decisión. La pregunta debería ser dónde la IA realmente aporta valor.

La creatividad humana no surge únicamente de combinar información. Surge también de experiencia, observación, cultura, intuición, memoria, sensibilidad, interpretación y capacidad de comprender a otras personas.

La IA puede ayudar a organizar material relacionado con un problema creativo. Puede resumir research o identificar patrones dentro de una investigación. Puede reducir parte del trabajo operacional que rodea un proyecto.

Pero la dirección necesita una intención. Alguien tiene que entender qué quiere comunicar una marca, por qué importa, cómo puede interpretarlo una audiencia y qué consecuencias tendrá la decisión. La herramienta puede participar. El criterio sigue siendo humano.

Existe un principio que atraviesa todo este tema: un prompt claro suele ser consecuencia de un pensamiento claro.

Si no sabemos cuál es el objetivo, será difícil explicárselo a la IA. Si no sabemos qué información es relevante, probablemente le enviaremos demasiado o muy poco contexto. Si no sabemos cómo evaluar una buena respuesta, tampoco sabremos cuándo el resultado es suficientemente bueno.

En ese sentido, prompt engineering no es únicamente una habilidad tecnológica. También es una habilidad de comunicación. De análisis. De síntesis. De organización. Y de toma de decisiones.

Las personas que desarrollen esas capacidades probablemente podrán utilizar mejor los sistemas de IA, independientemente de cuál plataforma o modelo esté disponible dentro de cinco años.

Otro elemento importante es que el prompt no existe en el vacío. Los modelos evolucionan. Cambian sus capacidades de razonamiento, herramientas, ventanas de contexto y comportamiento. Una técnica que era particularmente útil con una generación puede volverse innecesaria con otra. Incluso un mismo prompt puede producir respuestas algo distintas entre modelos.

Por eso, en aplicaciones empresariales importantes, no basta con escribir una instrucción y asumir que funcionará siempre. Conviene probarla con ejemplos reales y verificar si continúa produciendo resultados aceptables cuando cambian los inputs. Aquí comenzamos a entrar en otra parte de la ingeniería de sistemas de IA: la evaluación.

La calidad de un prompt no debería juzgarse por lo sofisticado que parece. Debería juzgarse por lo bien que funciona.

Si estamos utilizando IA para extraer información de facturas, podemos comparar los datos extraídos con los documentos originales. Si clasifica leads, podemos revisar una muestra y calcular cuántas clasificaciones fueron correctas. Si resume informes, podemos comprobar si mantiene las cifras y conclusiones esenciales.

En implementaciones de IA más avanzadas, estas pruebas se conocen como evals: evaluaciones sistemáticas del comportamiento del modelo frente a casos conocidos. Para un usuario cotidiano el concepto puede simplificarse mucho: no preguntes solamente si la respuesta «suena bien». Pregúntate si es correcta, completa y útil.

Es importante mantener expectativas realistas. Un buen prompt puede mejorar considerablemente un resultado, pero no garantiza perfección. El modelo puede interpretar algo incorrectamente. Puede omitir información. Puede utilizar una fuente equivocada. Puede producir una afirmación que parece plausible pero no está sustentada.

Por eso la idea de que todo depende del prompt también sería exagerada. Importan el modelo, las herramientas disponibles, las fuentes, la calidad de los datos y la naturaleza de la tarea. Y sigue importando la revisión humana. La responsabilidad profesional no desaparece porque una respuesta haya sido producida por una máquina.

Probablemente estamos entrando en una etapa donde saber utilizar Inteligencia Artificial será cada vez menos una destreza especializada y cada vez más una competencia general de trabajo. Pero la ventaja no necesariamente estará en memorizar cientos de prompts. Estará en saber estructurar problemas. Seleccionar información. Reconocer fuentes confiables. Definir criterios. Detectar inconsistencias. Hacer buenas preguntas. Evaluar respuestas. Y utilizar la herramienta apropiada cuando realmente añade valor.

Eso también explica por qué las organizaciones con buenos procesos pueden beneficiarse particularmente de la IA. Un equipo que ya documenta procedimientos, mantiene información organizada y define claramente sus objetivos dispone de una base excelente para trabajar con modelos.

La IA puede acelerar procesos. Pero primero tiene que existir un proceso que valga la pena acelerar.

Quizás la mejor respuesta sea que el prompt perfecto no existe. Existe un prompt suficientemente claro para una tarea específica. Existe contexto relevante. Existen fuentes confiables. Existen instrucciones que reducen ambigüedad. Existe una definición de lo que esperamos recibir. Existe un proceso de revisión. Y existe una persona capaz de determinar si el resultado realmente tiene valor.

Por eso la ciencia detrás de un buen prompt comienza en la tecnología, pero no termina ahí. También tiene que ver con cómo las personas transformamos conocimiento en lenguaje, cómo estructuramos problemas y cómo comunicamos nuestras expectativas.

La IA puede procesar una cantidad extraordinaria de información. Puede analizar. Puede organizar. Puede acelerar. Pero alguien tiene que darle dirección. La calidad del resultado depende en gran medida de la calidad del contexto que proporcionamos. Y la calidad de ese contexto sigue comenzando con nosotros.

¿Qué es prompt engineering? Es la práctica de diseñar y mejorar las instrucciones, contexto, fuentes y criterios que proporcionamos a un sistema de Inteligencia Artificial para aumentar la probabilidad de obtener resultados correctos, relevantes y consistentes. No consiste solamente en redactar una pregunta; puede incluir documentos, ejemplos, reglas, información previa y una definición clara del resultado esperado.

¿Cómo escribir un buen prompt para Inteligencia Artificial? Un buen prompt comienza definiendo el objetivo. Después proporciona el contexto que el modelo necesita para entender la situación y especifica qué información debe utilizar, qué restricciones existen y cómo queremos recibir el resultado. En tareas complejas también puede ser útil dividir el proceso en varias etapas y revisar cada una antes de continuar.

¿Mientras más largo sea el prompt, mejor será la respuesta? No necesariamente. Un prompt más largo puede proporcionar contexto útil, pero también puede introducir información irrelevante o instrucciones contradictorias. La claridad, relevancia y estructura son más importantes que la cantidad de palabras.

¿Subir documentos ayuda a obtener mejores respuestas? Puede ayudar significativamente cuando los documentos contienen información que el modelo necesita para realizar la tarea. Un manual, reporte, PDF o spreadsheet puede proporcionar contexto específico que sería difícil explicar manualmente. Sin embargo, sigue siendo importante indicar qué debe buscarse dentro de esos documentos y cuál es el objetivo del análisis.

¿Qué es la ventana de contexto de una IA? Es la cantidad de información que un modelo puede considerar durante una interacción. Puede incluir el prompt, mensajes anteriores, documentos y otros inputs. Una ventana mayor permite trabajar con más información, pero no elimina la necesidad de seleccionar y organizar correctamente el contexto.

¿Puede un buen prompt evitar errores de la Inteligencia Artificial? Puede reducir ambigüedad y mejorar significativamente la calidad de una respuesta, pero no elimina completamente la posibilidad de errores. Por eso los resultados importantes deben verificarse y mantenerse bajo supervisión humana.