Llegas a un punto utilizando inteligencia artificial en el que escribir «actúa como experto en marketing» deja de impresionarte. Ya sabes añadir contexto, definir un objetivo y pedir el resultado en una tabla. Tus prompts funcionan, pero empiezas a sospechar que puedes conseguir bastante más de ChatGPT, Claude, Gemini, DeepSeek y otros modelos si aprendes a estructurar mejor las instrucciones.
Ahí entran las técnicas de prompt engineering. En ForoPrompt hablamos habitualmente de cómo pasar de las peticiones improvisadas a instrucciones que puedan reutilizarse, probarse y mejorarse. El objetivo no consiste en aprender palabras mágicas para «desbloquear» la inteligencia artificial, sino en diseñar mejor la interacción con el modelo.
Si todavía estás empezando, antes de meterte en técnicas avanzadas te recomiendo nuestra guía sobre qué es un prompt de inteligencia artificial. Allí explicamos los elementos fundamentales de un prompt y nuestra estructura RAIOC: Rol, Acción, Información, Objetivo y Contexto.
Qué es el prompt engineering
El prompt engineering o ingeniería de prompts consiste en diseñar, probar y perfeccionar las instrucciones que recibe un modelo de inteligencia artificial para aumentar las posibilidades de obtener el comportamiento y el resultado que necesitas.
La palabra engineering puede hacer que parezca que necesitas tres monitores, una sudadera negra y conocimientos avanzados de programación. Para muchas aplicaciones cotidianas es bastante más sencillo: defines qué necesitas, estructuras correctamente la información, pruebas el resultado, localizas errores y modificas las instrucciones.
La diferencia respecto a escribir prompts de manera improvisada está precisamente en ese proceso. Un prompt diseñado se puede evaluar y mejorar. Si obtienes una respuesta incorrecta, intentas identificar qué parte de las instrucciones ha fallado en lugar de añadir «POR FAVOR, HAZLO BIEN» en mayúsculas y confiar en que la máquina detecte tu creciente desesperación.
Antes de utilizar técnicas avanzadas: domina la estructura
Antes de hablar de ejemplos, restricciones, descomposición o generación estructurada, necesitas una buena base. Un prompt avanzado lleno de técnicas mal combinadas puede funcionar peor que una petición sencilla y bien escrita.
Como punto de partida, intenta que la IA pueda identificar claramente:
- Qué debe hacer.
- Qué información debe utilizar.
- Cuál es el objetivo.
- En qué contexto trabaja.
- Qué restricciones existen.
- Cómo debe entregar el resultado.
Esta lógica está detrás de RAIOC, la metodología que utilizamos en ForoPrompt. También puedes verla aplicada a una tarea compleja en nuestro prompt para crear un plan de negocio con IA, donde rol, información, contexto, objetivo y formato se combinan para convertir una petición enorme en un proceso bastante más manejable.
Técnica 1: zero-shot prompting para tareas sencillas
El zero-shot prompting consiste, simplificando, en pedir directamente una tarea sin proporcionar ejemplos previos de cómo debe resolverse. Es probablemente la forma de prompting que utilizas de manera natural.
Por ejemplo:
Clasifica el siguiente comentario como positivo, negativo o neutral.
Comentario: «El producto está bien, pero el envío tardó demasiado.»
No has enseñado ejemplos anteriores. Simplemente defines la tarea, las categorías disponibles y proporcionas el contenido.
Esta técnica funciona especialmente bien cuando la tarea es clara y el modelo puede comprender fácilmente el criterio. No necesitas construir un prompt de veinte líneas para resolver un problema de dos. Añadir complejidad innecesaria también puede empeorar el proceso.
Cuándo utilizar zero-shot prompting
Puedes probarlo primero en tareas como clasificación sencilla, transformación de textos, extracción de información, cambios de formato o resúmenes. Si los resultados son consistentes, quizá no necesites nada más.
La regla práctica es bastante útil: empieza con la solución más sencilla que funcione. Solo añade técnicas adicionales cuando puedas identificar qué problema estás intentando solucionar.
Técnica 2: few-shot prompting, enséñale ejemplos
Cuando necesitas que la IA reproduzca un patrón muy concreto, proporcionar ejemplos puede ser mucho más eficaz que intentar describirlo durante cinco párrafos. Esta técnica suele denominarse few-shot prompting.
Imagina que quieres clasificar solicitudes de clientes:
Clasifica cada mensaje como VENTAS, SOPORTE o FACTURACIÓN.
Ejemplo 1:
«Quiero saber cuánto cuesta el plan profesional.»
Resultado: VENTASEjemplo 2:
«No puedo iniciar sesión en mi cuenta.»
Resultado: SOPORTEEjemplo 3:
«Necesito cambiar los datos de mi factura.»
Resultado: FACTURACIÓNAhora clasifica:
«¿Podéis enviarme de nuevo la factura de julio?»
Los ejemplos hacen visible el criterio esperado. La IA no necesita interpretar únicamente una definición abstracta: puede observar varios pares de entrada y salida.
No pongas ejemplos de cualquier manera
Los ejemplos deberían ser representativos de los casos reales que recibirá el sistema. Si todos son demasiado evidentes, no ayudarán demasiado cuando aparezca una situación ambigua.
También debes revisar que tus propios ejemplos sean correctos. Un ejemplo incorrecto puede enseñar precisamente el comportamiento que querías evitar, lo cual tiene cierto mérito como forma de sabotear tu propio prompt.
Técnica 3: delimitadores para separar instrucciones y datos
Cuando introduces documentos, correos, comentarios o fragmentos de texto dentro de un prompt, conviene diferenciar claramente qué parte contiene instrucciones y qué parte contiene los datos que deben analizarse.
Puedes utilizar etiquetas sencillas:
Analiza exclusivamente el contenido situado entre
<documento>y</documento>.Extrae nombre de empresa, fecha, importe y condiciones de pago.
<documento>
[CONTENIDO]</documento>
Los delimitadores mejoran la organización del prompt y resultan especialmente útiles cuando trabajas con grandes cantidades de texto.
Puedes utilizar etiquetas XML, encabezados Markdown u otros marcadores coherentes. Lo importante es que la estructura sea inequívoca.
Técnica 4: descomponer tareas complejas
Uno de los errores más habituales consiste en pedir demasiadas cosas simultáneamente. «Analiza mi competencia, crea una estrategia SEO, prepara el calendario editorial, escribe veinte artículos y hazme un café» puede parecer eficiente hasta que recibes una respuesta superficial para cada apartado.
Una técnica mucho más útil consiste en dividir el problema en etapas.
Supongamos que quieres preparar una estrategia de contenidos. Podrías hacerlo así:
Fase 1: analizar negocio, público y objetivos.
Fase 2: identificar temas y necesidades informativas.
Fase 3: agrupar esos temas por intención de búsqueda.
Fase 4: diseñar una arquitectura de contenidos.
Fase 5: preparar briefs individuales.
Fase 6: redactar cada contenido.
Esta forma de trabajar te permite revisar cada resultado antes de utilizarlo como entrada de la siguiente fase. Si el análisis inicial está mal, puedes corregirlo antes de generar treinta artículos basados en una premisa equivocada.
Técnica 5: prompt chaining o encadenamiento de prompts
La descomposición anterior nos lleva al prompt chaining. En lugar de esperar que un único prompt resuelva todo el proceso, utilizas la salida de una etapa como entrada de la siguiente.
Por ejemplo:
Prompt 1: analiza estas 200 opiniones de clientes y agrupa los problemas recurrentes.
Después:
Prompt 2: utilizando exclusivamente los problemas detectados anteriormente, ordénalos según frecuencia e impacto potencial.
Y posteriormente:
Prompt 3: crea propuestas de mejora para los cinco problemas prioritarios y explica qué información adicional necesitarías para evaluar cada propuesta.
Cada prompt tiene una responsabilidad más concreta, lo que facilita controlar el resultado y detectar dónde aparece un error.
El encadenamiento resulta especialmente interesante cuando empiezas a utilizar IA para procesos empresariales repetitivos, porque algunas de estas etapas pueden acabar formando parte de automatizaciones.
Técnica 6: pedir primero un plan y después ejecutar
Cuando la tarea tiene varias partes, puede ser útil pedir al modelo que prepare primero una estructura o plan visible que puedas revisar antes de generar el contenido definitivo.
Por ejemplo:
Necesito preparar una guía de 2.500 palabras sobre ciberseguridad para autónomos.
Antes de redactarla, crea únicamente el esquema. Para cada apartado indica:
- objetivo;
- pregunta que debe resolver;
- información necesaria;
- extensión aproximada.
No redactes todavía el artículo.
Ahora puedes revisar el enfoque antes de gastar tiempo generando todo el contenido. Quizá descubras que falta un apartado importante o que dos secciones son prácticamente iguales.
Después puedes continuar:
El esquema está aprobado. Desarrolla los apartados 1 y 2 siguiendo exactamente esa estructura.
Este método resulta especialmente práctico en artículos, informes, presentaciones, estrategias y documentos largos.
Técnica 7: utilizar restricciones específicas
Decir «escribe bien» aporta aproximadamente la misma precisión que pedirle a un restaurante «ponme algo rico». Las restricciones funcionan mejor cuando pueden interpretarse de manera concreta.
En lugar de:
Hazlo breve y profesional.
Prueba:
Utiliza un máximo de 180 palabras. Escribe en segunda persona. Mantén los nombres y cifras originales. No añadas información comercial que no aparezca en el texto proporcionado.
Has convertido conceptos subjetivos en condiciones mucho más comprobables.
Puedes establecer restricciones sobre extensión, estructura, vocabulario, fuentes, información permitida, formato, audiencia o criterios que deben cumplirse.
Técnica 8: salida estructurada
Cuando necesitas reutilizar la respuesta en otro programa, una hoja de cálculo o una automatización, el formato de salida importa tanto como el contenido.
Puedes solicitar algo como:
Devuelve exclusivamente una tabla con estas columnas:
- Tarea
- Prioridad
- Responsable
- Fecha límite
- Estado
O, cuando el flujo técnico lo requiera, pedir JSON siguiendo un esquema determinado.
Por ejemplo:
Devuelve el resultado utilizando exactamente esta estructura:
{
"tema": "",
"intencion": "",
"prioridad": 0,
"observaciones": []
}
No añadas texto antes ni después del objeto.Una respuesta estructurada resulta mucho más fácil de procesar automáticamente que un párrafo creativo en el que los datos aparecen repartidos entre explicaciones.
Eso sí, si el resultado va a alimentar un proceso automático, valídalo antes de confiar en él. Pedir JSON no convierte mágicamente cualquier salida en datos infalibles.
Técnica 9: proporcionar criterios de evaluación
Una de las técnicas de prompt engineering más interesantes consiste en explicar al modelo qué condiciones debe cumplir una buena respuesta.
Imagina que necesitas evaluar propuestas comerciales:
Analiza cada propuesta utilizando estos criterios:
- Claridad de la oferta: 0-5.
- Adecuación al cliente: 0-5.
- Viabilidad: 0-5.
- Diferenciación: 0-5.
Para cada puntuación, explica brevemente qué información del documento justifica la valoración. Si no hay información suficiente, indica «No evaluable».
El criterio deja de estar escondido en tu cabeza y pasa a formar parte de las instrucciones.
Esta técnica es especialmente útil para comparaciones, revisiones, análisis y clasificación de información, aunque una valoración generada por IA sigue necesitando supervisión cuando vaya a utilizarse para tomar decisiones importantes.
Técnica 10: trabajar con contraejemplos
Los ejemplos enseñan lo que quieres. Los contraejemplos pueden enseñar lo que no quieres cuando existe un patrón problemático difícil de describir.
Supongamos que estás creando titulares.
Puedes indicar:
Ejemplo válido:
«Cómo reducir el tiempo dedicado a responder correos con IA»Ejemplo que debes evitar:
«El increíble secreto de la IA que cambiará para siempre tu forma de responder emails»Evita titulares sensacionalistas, promesas absolutas y expresiones como «secreto», «revolucionario» o «cambiará tu vida».
La combinación de ejemplo, contraejemplo y explicación del criterio proporciona una referencia bastante más precisa que «no escribas como una IA».
Y sí, pedirle a una inteligencia artificial que no escriba como una inteligencia artificial tiene cierta belleza conceptual.
Técnica 11: solicitar información antes de ejecutar
Un prompt puede estar perfectamente redactado y seguir teniendo un problema: faltan datos.
En esas situaciones puedes indicarle al modelo que no empiece todavía:
Antes de realizar la tarea, comprueba si tienes información suficiente sobre objetivo, público, producto y canal.
Si falta algún dato imprescindible, hazme un máximo de cinco preguntas.
No generes la propuesta final hasta que haya respondido.
Esta técnica resulta muy útil en consultoría, estrategia, redacción personalizada y planificación, donde una respuesta genérica suele ser consecuencia directa de un contexto insuficiente.
La IA deja de rellenar silenciosamente los huecos y convierte la conversación en un pequeño proceso de recogida de requisitos.
Técnica 12: crear prompts parametrizables
Cuando encuentras una estructura que funciona, no deberías reescribirla desde cero cada vez. Puedes convertirla en una plantilla con variables.
Por ejemplo:
ROL:
Actúa como especialista en [ESPECIALIDAD].
OBJETIVO:
Necesito [RESULTADO].
PÚBLICO:
El contenido está dirigido a [AUDIENCIA].
CONTEXTO:
[INFORMACIÓN DEL PROYECTO].
REQUISITOS:
- Extensión: [EXTENSIÓN].
- Tono: [TONO].
- Formato: [FORMATO].
- Elementos obligatorios: [ELEMENTOS].
RESTRICCIONES:
[RESTRICCIONES].
Antes de empezar, identifica cualquier información imprescindible que falte.El prompt se convierte en un recurso reutilizable. Puedes modificar las variables sin tocar las instrucciones que ya has probado.
Este cambio parece pequeño, pero es uno de los pasos que separan usar prompts de forma ocasional de integrarlos en un proceso de trabajo.
Técnica 13: hacer que la IA revise su respuesta con criterios explícitos
En determinadas tareas puedes incorporar una segunda fase de revisión. No necesitas pedir al modelo que revele razonamientos internos; basta con proporcionarle una lista de comprobación sobre el resultado producido.
Por ejemplo:
Revisa el borrador anterior y comprueba:
- que todas las cifras coincidan con los datos proporcionados;
- que no aparezcan afirmaciones sin respaldo en la documentación;
- que cada apartado responda a su encabezado;
- que no existan repeticiones evidentes;
- que la llamada a la acción coincida con el objetivo.
Devuelve una tabla con PROBLEMA, UBICACIÓN y CORRECCIÓN PROPUESTA.
Separar generación y revisión puede ayudarte a detectar fallos, especialmente cuando los criterios son concretos. No sustituye una revisión humana, pero añade una comprobación adicional bastante barata.
Técnica 14: asignar fuentes y límites de conocimiento
Cuando proporcionas documentación, resulta útil explicar qué fuentes puede utilizar y qué debe hacer cuando la respuesta no aparezca en ellas.
Un prompt podría incluir:
Responde utilizando exclusivamente los documentos proporcionados.
Para cada afirmación importante, indica el documento y apartado del que procede.
Si la documentación no contiene la respuesta, escribe «No consta en la documentación».
No completes la información utilizando suposiciones.
Esta técnica reduce la libertad del modelo precisamente cuando esa libertad resulta inconveniente. Es especialmente útil para manuales internos, documentación de productos, contratos o bases de conocimiento.
Técnica 15: separar las instrucciones permanentes de la tarea
Cuando utilizas un asistente repetidamente, hay reglas que cambian muy poco: idioma, tono, fuentes permitidas, restricciones o comportamiento general. Otras cambian en cada petición.
Ahí aparece la importancia de diferenciar entre instrucciones generales y prompts concretos. Por ejemplo, un asistente editorial puede tener permanentemente establecido que escribe en español de España y respeta una guía de estilo, mientras que cada petición define el artículo específico que debe preparar.
Esta separación resulta especialmente útil cuando trabajas con system prompts, asistentes personalizados o aplicaciones construidas sobre modelos de IA. Evita repetir las mismas veinte reglas cada vez que quieres solicitar una tarea.
Técnica 16: diseñar el prompt pensando en los errores
Un enfoque avanzado consiste en preguntarte antes de utilizar el prompt: ¿de qué formas podría salir mal esta respuesta?
Si estás extrayendo datos de facturas, quizá pueda inventar un campo ausente. Entonces añades:
Si un dato no aparece, utiliza null. No lo deduzcas.
Si estás resumiendo entrevistas, quizá mezcle declaraciones de personas diferentes. Puedes pedir:
Mantén cada declaración asociada exclusivamente al entrevistado correspondiente.
Si genera contenido comercial, quizá invente ventajas. Añades:
Utiliza únicamente las características proporcionadas.
Las restricciones más útiles suelen nacer de errores que ya has observado. Por eso el prompt engineering tiene mucho de prueba, revisión y mantenimiento.
Técnica 17: versionar y probar tus prompts
Si un prompt forma parte de un proceso importante, guarda versiones. Cambiar cinco cosas simultáneamente y comprobar que «ahora parece mejor» no te permite saber qué modificación ha funcionado.
Puedes mantener algo tan sencillo como:
- v1: prompt inicial.
- v2: añade ejemplos.
- v3: cambia el formato de salida.
- v4: incorpora tratamiento de datos ausentes.
Después prueba las versiones con varios casos representativos, incluidos ejemplos fáciles, difíciles y ambiguos.
Este enfoque transforma el prompt en algo que puedes medir y perfeccionar, en lugar de una frase que alguien encontró en LinkedIn y aseguró que multiplicaba la productividad un 4.700 %.
Cómo combinar varias técnicas de prompt engineering
Las técnicas anteriores no son trucos independientes que tengas que introducir todos a la vez. Lo interesante es seleccionar las necesarias según el problema.
Imagina que quieres analizar opiniones de clientes. Podrías combinar:
- Delimitadores para separar cada comentario.
- Few-shot prompting para enseñar las categorías.
- Criterios explícitos para decidir cuándo una opinión pertenece a cada categoría.
- Salida estructurada para obtener resultados procesables.
- Tratamiento de incertidumbre para marcar comentarios ambiguos.
- Una fase posterior de revisión para comprobar los casos dudosos.
El resultado es un pequeño sistema de instrucciones, no simplemente una pregunta mejor escrita.
Ejemplo de prompt avanzado listo para adaptar
Aquí tienes una plantilla que reúne varias de estas técnicas sin convertir el prompt en las obras completas de Tolstói:
ROL
Actúa como especialista en [ÁREA].
OBJETIVO
Tu tarea consiste en [TAREA CONCRETA].
CONTEXTO
El resultado se utilizará para [FINALIDAD].
El público/usuario final es [PÚBLICO].
FUENTE DE INFORMACIÓN
Utiliza exclusivamente la información incluida entre las etiquetas <datos>.
Si un dato necesario no aparece, indícalo expresamente y no lo inventes.
<datos>
[INSERTAR INFORMACIÓN]
</datos>
CRITERIOS
Una respuesta correcta debe:
1. [CRITERIO 1]
2. [CRITERIO 2]
3. [CRITERIO 3]
EJEMPLO
Entrada:
[EJEMPLO]
Salida esperada:
[EJEMPLO DE SALIDA]
RESTRICCIONES
- No [RESTRICCIÓN 1].
- No [RESTRICCIÓN 2].
- Mantén [ELEMENTO QUE NO DEBE CAMBIAR].
FORMATO DE SALIDA
Devuelve:
[ESTRUCTURA EXACTA].
COMPROBACIÓN
Antes de entregar el resultado, verifica que cumple todos los criterios anteriores.
Si falta información imprescindible, solicítala antes de realizar la tarea.No necesitas rellenar todos los bloques cada vez que hables con una IA. Esta plantilla está pensada para tareas donde la precisión y la repetibilidad importan. Para preguntarle cuánto tiempo cocer un huevo, puedes seguir viviendo peligrosamente.
Prompt engineering para SEO y creación de contenidos
Las técnicas de prompt engineering tienen aplicaciones especialmente interesantes en SEO porque permiten separar investigación, planificación, redacción y revisión.
En lugar de utilizar:
Escribe un artículo SEO sobre bicicletas eléctricas.
Puedes construir un proceso en varias etapas. Primero analizas intención de búsqueda y necesidades del usuario. Después defines la estructura. A continuación proporcionas fuentes y datos. Luego redactas cada apartado y finalmente realizas una revisión editorial.
El gran cambio consiste en dejar de pedir artículos y empezar a diseñar procesos de creación. Esa diferencia suele ser mucho más importante que añadir frases del tipo «actúa como experto SEO con veinte años de experiencia».
Prompt engineering para empresas
En una empresa, el valor aumenta cuando un buen prompt deja de depender de que una persona recuerde cómo escribirlo. Las instrucciones pueden convertirse en plantillas compartidas, integrarse en asistentes o utilizarse como parte de automatizaciones.
Por ejemplo, puedes diseñar procesos para clasificar solicitudes, preparar borradores de respuestas, resumir reuniones, estructurar informes, analizar comentarios o transformar información entre formatos.
La clave está en identificar tareas suficientemente repetitivas, establecer criterios claros y decidir qué partes puede realizar la IA y cuáles requieren revisión humana.
Si estás explorando precisamente este tipo de aplicaciones, la sección de servicios de ForoPrompt está orientada a prompts personalizados, automatización y asesoramiento en inteligencia artificial.
Qué técnica de prompt engineering debes utilizar
No existe una técnica avanzada que sea mejor para todo. El problema debe determinar la técnica, y no al revés.
Si la IA no entiende el estilo, proporciona ejemplos. Si mezcla instrucciones y documentos, utiliza delimitadores. Si la tarea es demasiado grande, divídela. Si el formato cambia constantemente, define una salida estructurada. Si inventa información ausente, establece cómo debe tratar los datos desconocidos.
La pregunta útil no es «qué técnica avanzada puedo meter en este prompt», sino «qué error quiero evitar o qué comportamiento quiero conseguir».
Ese pequeño cambio de perspectiva evita acabar con prompts de dos páginas repletos de técnicas sofisticadas para pedir cinco ideas de nombres para una cafetería.
De escribir prompts a diseñar sistemas de trabajo con IA
Aprender técnicas de prompt engineering empieza normalmente intentando conseguir mejores respuestas de ChatGPT. Sin embargo, cuando avanzas un poco descubres que el verdadero potencial aparece al crear instrucciones reutilizables, procesos por etapas y criterios que puedan probarse.
Empiezas con un prompt. Después creas una plantilla. Más tarde separas la tarea en varias fases. Finalmente puedes terminar con un asistente o una automatización que utiliza esas instrucciones repetidamente.
En ForoPrompt queremos precisamente acercar esa parte práctica de la inteligencia artificial sin convertir cada explicación en una tesis doctoral. Puedes empezar por nuestra guía sobre qué es un prompt de inteligencia artificial y continuar con ejemplos aplicados como el prompt para crear un plan de negocio con IA.
Y ya sabes que si quieres aprender más sobre IA sólo tienes que suscribirte a la lista de Correo Error 404 de Foroprompt.
El buen prompt engineering no consiste en escribir instrucciones cada vez más largas. Consiste en saber qué información necesita el modelo, estructurarla correctamente, comprobar qué falla y mejorar el proceso.
Porque escribir «hazlo mucho mejor» tres veces seguidas también es una técnica.
Solo que no especialmente avanzada.
