Técnicas avanzadas de prompting

Una vez dominada la estructura básica de un prompt (rol, tarea, contexto, tono, formato y restricciones), hay un segundo nivel de técnicas que marcan la diferencia en tareas complejas: análisis con varios factores, textos con un estilo muy concreto, clasificaciones, decisiones. Son las que usan quienes trabajan con IA a diario y las que menos se explican bien.

Esta guía las recoge una a una, con el nombre con que aparecen en la literatura sobre ingeniería de prompts, una explicación de por qué funcionan y un ejemplo que puedes adaptar.

1. Few-shot: enseñar con ejemplos

Es la técnica más potente y la más infrautilizada. En lugar de describir lo que quieres, muestras dos o tres ejemplos del resultado y dejas que el modelo continúe el patrón. Funciona porque los modelos de lenguaje son, en el fondo, máquinas de continuar patrones: un ejemplo bien elegido transmite formato, tono, longitud y nivel de detalle a la vez.

Clasifica cada comentario de cliente como POSITIVO, NEGATIVO o NEUTRO. Sigue exactamente el formato de los ejemplos.

Comentario: "Llegó dos días antes de lo previsto, muy contentos."
Clasificación: POSITIVO

Comentario: "El producto es correcto pero el embalaje venía roto."
Clasificación: NEUTRO

Comentario: "Tres semanas de espera y nadie contesta al teléfono."
Clasificación: NEGATIVO

Ahora clasifica estos:
Comentario: "Cumple lo que promete, sin más."
Comentario: "Segunda vez que compro, repetiré."
Comentario: "No funciona con mi modelo, lo devuelvo."

Con tres ejemplos, la consistencia del formato es prácticamente total, algo que con una descripción en prosa nunca se consigue. Úsalo siempre que necesites que muchas salidas tengan exactamente la misma forma.

2. Chain-of-thought: pedir el razonamiento

Para cálculos, análisis con varios factores o decisiones, pedirle al modelo que razone paso a paso antes de dar la respuesta mejora de forma medible la precisión. La explicación es sencilla: al escribir los pasos intermedios, el modelo "usa" esos pasos como contexto para el siguiente, en lugar de saltar directamente a una conclusión probable pero no verificada.

Tengo que decidir entre dos ofertas de trabajo. Antes de recomendarme una, razona paso a paso:

1. Lista los factores que importan según lo que te cuento.
2. Puntúa cada oferta en cada factor, del 1 al 5, explicando la puntuación.
3. Identifica qué factor es el decisivo y por qué.
4. Solo entonces, da la recomendación en una frase, y di qué dato me faltaría para estar más seguro.

Oferta A: [detalles]
Oferta B: [detalles]
Lo que valoro: [prioridades]

La frase mínima que activa esta técnica es "razona paso a paso antes de responder". Para tareas importantes, merece la pena estructurar los pasos como en el ejemplo.

3. Role prompting con especificidad

"Actúa como un experto" apenas cambia nada. "Actúa como un pediatra con 20 años de consulta que explica a padres primerizos, sin alarmar y sin minimizar" cambia todo. Cuanto más concreto sea el rol, más concreto el vocabulario, el nivel de detalle y las prioridades de la respuesta. Un truco: añade al rol a quién le habla y qué le preocupa. Eso orienta el tono mejor que cualquier lista de adjetivos.

4. Delimitadores: separar instrucción y material

Cuando pegas un texto largo (un documento, un email, un código) dentro del prompt, enciérralo entre delimitadores claros: tres comillas, tres guiones, o etiquetas como [INICIO DEL TEXTO] y [FIN DEL TEXTO]. Así el modelo distingue qué parte es la orden y qué parte es el material de trabajo. Evita un fallo frecuente: que una frase dentro del documento ("ignora lo anterior", "resume en una línea") se interprete como instrucción.

5. Pedir preguntas antes de la respuesta

Por defecto, el modelo responde aunque le falte información crucial, y lo hace inventando un supuesto razonable. La instrucción "si te falta algún dato imprescindible, hazme hasta tres preguntas antes de responder" convierte una respuesta a ciegas en una pequeña entrevista. En tareas con muchas variables (planes, presupuestos, textos con contexto complejo) reduce drásticamente los resultados descartables.

6. Restricciones negativas explícitas

Los modelos tienen tics: exclamaciones, "descubre", "sin duda", resúmenes al final que nadie pidió, listas de diez puntos cuando querías tres. Prohibirlos explícitamente funciona mejor que pedir lo contrario en positivo. "No uses exclamaciones" es más eficaz que "usa un tono sobrio". Mantén una lista con tus prohibiciones habituales y pégala en cada prompt importante.

# Restricciones
- No uses signos de exclamación.
- No empieces con "Claro", "Por supuesto" ni "Aquí tienes".
- No añadas un resumen ni una conclusión al final salvo que te lo pida.
- No uses las palabras "descubre", "sin duda", "en definitiva", "cabe destacar".
- No inventes datos, cifras ni fuentes. Si no lo sabes, dilo.
- Respeta la extensión máxima indicada.

7. Autoevaluación: pedir que revise su propia respuesta

Añadir un último paso en el que el modelo revise lo que ha escrito contra los requisitos del prompt mejora la calidad de forma sorprendente. Es como pedirle a alguien que relea antes de entregar.

Cuando termines, revisa tu respuesta y comprueba:
- ¿Cumple la extensión máxima?
- ¿Respeta todas las restricciones?
- ¿Hay alguna afirmación que no esté respaldada por el contexto que te he dado?
Si encuentras algún problema, corrígelo antes de entregar y dime qué has corregido.

8. Descomposición: dividir tareas grandes

Pedir "escríbeme un plan de negocio completo" en un solo prompt produce un texto superficial en todas sus partes. Descomponerlo (primero el análisis del mercado, luego el modelo de ingresos, luego el plan de marketing, cada uno con su prompt y su contexto) produce cada parte con profundidad y permite corregir sobre la marcha. Regla práctica: si la tarea tiene más de tres partes distintas, pídelas por separado.

9. Perspectivas múltiples

Para decisiones o textos que van a ser criticados, pedir que el modelo adopte varios puntos de vista sucesivos evita el sesgo de una única respuesta.

Voy a lanzar [descripción]. Analízalo desde tres perspectivas, cada una en un bloque separado:

1. Como un inversor escéptico: ¿qué no cuadra?
2. Como un cliente potencial: ¿qué me haría no comprar?
3. Como un competidor: ¿cómo lo atacaría?

Después, en una lista de máximo 5 puntos, qué cambiarías antes de lanzar.

10. Plantillas con huecos

La técnica más práctica para el día a día: guarda tus prompts que funcionan como plantillas con huecos entre corchetes ([producto], [público], [objetivo]) y rellénalos cada vez. Un documento con diez plantillas bien afinadas vale más que memorizar todas las técnicas de esta guía. De hecho, es exactamente lo que hace el generador de esta web: plantillas por profesión y tarea, con la estructura completa, donde solo tienes que rellenar el contexto.