La ingeniería de indicaciones tiene un problema de marketing. A menudo se presenta como una lista secreta de «palabras mágicas» que desbloquean un poder oculto de la IA. No es así. La ingeniería de indicaciones es simplemente la habilidad de comunicar una tarea a un modelo de inteligencia artificial con suficiente claridad para que pueda realizarla bien; y, como cualquier habilidad comunicativa, se basa en un puñado de técnicas repetibles.
Los modelos modernos de 2026 entienden la intención mucho mejor que los primeros, por lo que los trucos burdos han desaparecido. Lo que queda son las técnicas que realmente funcionan. A continuación se presentan las 12 más útiles, con ejemplos y recomendaciones sobre cuándo aplicar cada una.
Conclusiones clave
- Sé específico. Las indicaciones vagas generan respuestas vagas: la claridad es el factor más determinante.
- Proporciona contexto y un rol. Indica al modelo quién es y cuál es la situación.
- Muestra ejemplos. Uno o dos buenos ejemplos valen más que un párrafo de instrucciones.
- Pide razonamiento en problemas complejos: permite que el modelo reflexione antes de responder.
- Itera. La mejor indicación rara vez es la primera; mejórala según los resultados obtenidos.
1. Sé específico y detallado
El error más común consiste en pedir demasiado poco. «Escribe sobre marketing» genera contenido genérico. Especifica el tema, la audiencia, la extensión, el tono, el formato y el propósito.
Débil: «Escribe sobre email marketing.»
Potente: «Escribe una introducción de 300 palabras sobre email marketing dirigida a propietarios de pequeñas empresas sin experiencia previa en marketing. Usa un tono amigable y práctico. Finaliza con tres pasos concretos iniciales.»
2. Asigna un rol
Indicarle al modelo quién es le ayuda a enfocar sus conocimientos y su tono. Decir «Eres un experimentado contador especializado en impuestos» produce una respuesta distinta —y normalmente mejor— ante una consulta fiscal que no asignar ningún rol.
«Eres un ingeniero senior de seguridad que revisa código en busca de vulnerabilidades. Revisa la siguiente función y enumera todos los riesgos detectados, ordenados por gravedad.»
3. Proporciona contexto
El modelo no sabe nada sobre tu situación a menos que se lo indiques. Facilita antecedentes, restricciones y objetivos.
«Estoy preparando una charla de 10 minutos para ejecutivos no técnicos, escépticos respecto a invertir en IA. Ayúdame a estructurar un argumento a favor de un proyecto piloto.»
4. Proporciona ejemplos (indicaciones con pocos ejemplos)
Mostrar al modelo uno a tres ejemplos de lo que deseas es una de las técnicas más eficaces. Transmite formato, tono y estilo más rápido que cualquier descripción.
«Reescribe nombres de productos siguiendo este estilo: «Camiseta de algodón azul» → «Camiseta cotidiana Sky-Soft». Ahora reescribe: «Cartera de cuero negro».»
5. Especifica el formato de salida
Si necesitas una tabla, JSON, viñetas o una estructura específica, pídelo explícitamente y descríbela con precisión. Esto es fundamental cuando otro programa procesará la salida.
«Devuelve la respuesta como un arreglo JSON de objetos, cada uno con las claves «name», «price» e «in_stock». Solo emite el JSON, sin añadir nada más.»
6. Pide razonamiento paso a paso (cadena de razonamiento)
Para problemas que implican lógica, matemáticas o múltiples pasos, pide al modelo que los desarrolle antes de dar la respuesta final. Razonar en voz alta mejora de forma medible la precisión en tareas complejas. (Nota: los modelos especializados en «razonamiento» lo hacen internamente; en su caso, una solicitud explícita es menos necesaria.)
«Resuelve esto paso a paso, mostrando tu razonamiento, y luego da la respuesta final en una nueva línea.»
7. Divide tareas grandes en otras más pequeñas
No pidas un proyecto completo en una sola indicación. Descomponlo: primero un esquema, luego redacta cada sección y, por último, revisa. Cada paso centrado produce una calidad superior a una única solicitud sobrecargada.
8. Establece restricciones y límites
Indica al modelo qué no debe hacer y cuáles son los límites que debe respetar. Las restricciones afinan la salida tanto como las instrucciones.
«Explica la computación cuántica en menos de 150 palabras. No uses analogías con gatos. Supón que el lector conoce física básica.»
9. Usa delimitadores para separar partes
Cuando una indicación mezcla instrucciones con datos, sepáralos claramente mediante marcadores como comillas triples, etiquetas tipo XML o encabezados. Así evitas que el modelo confunda tus datos con tus instrucciones.
«Resume el texto entre las etiquetas en una sola oración. <text> … </text>»
10. Pide al modelo que adopte una personalidad adaptada a la audiencia
Indica al modelo para quién va dirigida la respuesta . «Explica esto a un niño de 10 años» y «explica esto a un físico doctorado» deberían —y lo harán— producir respuestas muy distintas.
11. Solicita alternativas y autocrítica
No te conformes con la primera salida. Pide varias opciones, o pídele al modelo que critique y mejore su propia respuesta.
«Proporciona tres opciones distintas de titular, luego indícame cuál es la más contundente y por qué.»
«Ahora revisa tu respuesta anterior en busca de errores o puntos débiles y genera una versión mejorada.»
12. Itera: trata la interacción como una conversación
La técnica más infravalorada: refinar. Tu primer prompt es un punto de partida. Lee la salida, identifica qué falta o qué está equivocado, y sigue con una indicación complementaria: «hazlo más breve», «más técnico», «añade un contraargumento». Generar prompts es un diálogo, no un comando único.
Guía rápida para la selección de técnicas
| Si tu tarea consiste en… | Elige… |
|---|---|
| Producir un estilo o formato específico | Ejemplos (aprendizaje con pocos ejemplos) + especificación de formato |
| Razonamiento lógico, matemático o en múltiples pasos | Razonamiento paso a paso (chain-of-thought) y descomposición de tareas |
| Respuestas especializadas en un dominio concreto | Asignación de rol + contexto |
| Alimentar la salida a un programa | Especificación estricta de formato + delimitadores |
| Trabajo creativo | Solicitar alternativas + iterar |
Qué ya no importa
Algunos «trucos» iniciales han quedado obsoletos. Ya no necesitas ofrecerle una propina al modelo, amenazarlo ni recurrir a fórmulas elaboradas: los modelos actuales responden a instrucciones claras, no a presión. Los prompts excesivamente largos y cargados de reglas pueden incluso perjudicar los resultados al enterrar la tarea real. La tendencia en 2026 es clara: los modelos son lo suficientemente inteligentes como para que la comunicación clara y directa supere con creces cualquier manipulación ingeniosa.
Cómo depurar un prompt que no funciona
Redactar un buen prompt es la mitad del trabajo. La otra mitad consiste en diagnosticar uno que arroja salidas vagas, incorrectas o inconsistentes; y el impulso instintivo de «añadir más palabras» suele empeorar la situación. Trata un prompt fallido como lo haría un ingeniero con un error: modifica una sola cosa, observa el efecto y repite. Evita reescribirlo por completo de una vez, pues nunca sabrás qué cambio fue el que realmente ayudó.
Aborda el fallo en orden, desde la solución más sencilla hasta la más compleja:
- Lee la salida literalmente. El modelo casi siempre hizo exactamente lo que le pediste — solo que no lo que tú significaba. Si resumió cuando querías un análisis, tu verbo era ambiguo. El error suele residir en la instrucción, no en el modelo.
- Simplifica y luego reconstruye. Reduce tu prompt a su forma más simple y verifica que esa versión básica funcione. Vuelve a añadir restricciones, ejemplos y formatos uno a uno. El elemento que rompe el resultado es tu culpable.
- Comprueba qué puede ver realmente el modelo. Si estás pegando un documento largo o un historial de chat, la respuesta puede hallarse justo en medio del contexto —la zona a la que los modelos prestan menos atención. Estos ponderan de forma más fiable el principio y el final de una entrada larga, así que coloca la instrucción crítica o el texto fuente al principio o al final.
- Distingue entre «no puede» y «no quiere». Una negativa o una respuesta evasiva es un tipo distinto de error respecto a un hecho erróneo. Las negativas responden a reformulaciones y a un contexto adicional; los hechos erróneos requieren anclar al modelo con material de referencia del que pueda citar.
- Haz que muestre su razonamiento. Pídele al modelo que explique por qué por qué respondió como lo hizo. Su razonamiento revela la suposición malinterpretada mucho más rápido que otra reescritura ciega.
Un modo de fallo merece una nota aparte: la inconsistencia. Si el mismo prompt produce respuestas buenas en algunas ejecuciones y deficientes en otras, el problema rara vez radica en la redacción: se trata de variabilidad. Incluso con una temperatura de 0, prompts idénticos pueden generar salidas significativamente distintas; por tanto, un único resultado bueno no prueba que tu prompt sea sólido. Prueba cualquier prompt que pienses reutilizar en varias ejecuciones antes de confiar en él, y afina el formato de salida para reducir el margen de desviación.
La mentalidad que une todo esto: un prompt no está «roto» ni «arreglado», sino «ajustado». Lleva un registro breve de las versiones que probaste y qué cambió cada una. Cinco iteraciones deliberadas superan con creces cincuenta reescrituras frustradas, y ese registro convierte una victoria puntual en un prompt en el que puedes confiar.
Preguntas frecuentes
¿Qué es la ingeniería de prompts?
La ingeniería de prompts es la práctica de redactar entradas para un modelo de IA de modo que genere la salida deseada. Es una habilidad comunicativa —ser específico, proporcionar contexto y ejemplos, y estructurar las solicitudes con claridad—, no un conjunto de frases secretas.
¿Sigue siendo relevante la ingeniería de prompts en 2026?
Sí, pero ha evolucionado. A medida que los modelos han mejorado su comprensión de la intención, los trucos burdos han dejado de tener sentido. Lo que sigue siendo relevante son los fundamentos: claridad, contexto, ejemplos e iteración. Estos factores marcan una diferencia grande y constante en la calidad de la salida.
¿Cuál es la técnica más importante de ingeniería de prompts?
Ser específico. La mayoría de las salidas deficientes de la IA provienen de prompts vagos. Indicar con claridad el tema, la audiencia, el formato, la extensión, el tono y el propósito resuelve más problemas que cualquier otra técnica individual.
¿Qué es el prompting con razonamiento paso a paso (chain-of-thought)?
El prompting con razonamiento paso a paso pide al modelo que analice un problema paso a paso antes de dar una respuesta final. Mejora la precisión en tareas de lógica, matemáticas y procesos complejos. Los modelos especializados en razonamiento lo hacen internamente, por lo que una solicitud explícita tiene menos impacto en ellos.
¿Necesitan distintos modelos de IA prompts diferentes?
Los principios fundamentales son universales, pero los modelos tienen personalidades y fortalezas propias, así que un prompt óptimo para uno puede requerir pequeños ajustes para otro. Si cambias de modelo, vuelve a probar tus prompts clave en lugar de asumir que funcionarán sin modificaciones.
¿Por qué mi indicación (prompt) produce una respuesta distinta cada vez que la ejecuto?
Porque los modelos de lenguaje son probabilísticos, no determinísticos. Cada ejecución muestrea una serie de respuestas probables, por lo que cierta variación es normal —y persiste incluso con una temperatura de 0, debido a cómo se calcula matemáticamente el modelo subyacente—. Si las diferencias son meramente cosméticas, puedes ignorarlas. Si, en cambio, las respuestas oscilan entre correctas e incorrectas, eso indica un problema de fiabilidad: reduce la temperatura, fija rigurosamente el formato de salida y añade un ejemplo resuelto para dejar menos margen de maniobra al modelo. Sobre todo, nunca evalúes una indicación reutilizable basándote en una única salida afortunada: pruébala varias veces primero.
¿Cuál debería ser la longitud de una indicación (prompt)?
Tanto como sea necesario para lograr claridad, y nada más. La longitud no es el objetivo; la señal sí. Una indicación concisa que especifique claramente la tarea, el contexto, las restricciones y el formato de salida supera ampliamente a una extensa y cargada de advertencias innecesarias. El relleno perjudica activamente el rendimiento de dos maneras: entierra tu instrucción real y, en entradas largas, el modelo presta menos atención a la parte central, por lo que los detalles críticos incluidos allí pueden ignorarse efectivamente. Si una indicación parece demasiado extensa, recórtala hasta lo esencial y coloca la instrucción más importante al principio o al final.
¿Necesito decirle a un modelo moderno de razonamiento que «piense paso a paso»?
Normalmente no. Los modelos centrados en el razonamiento ya procesan internamente los problemas antes de responder, por lo que la clásica instrucción «piensa paso a paso» incrementa la latencia y el consumo de tokens sin aportar mejora significativa en la precisión —e incluso puede ensuciar la salida—. Con estos modelos, configura el esfuerzo de razonamiento mediante la llamada a la API, no mediante texto en la indicación, y dedica el espacio de esta última a definir con claridad el objetivo, las restricciones y la estructura deseada de la respuesta. El razonamiento explícito paso a paso sigue siendo útil en modelos estándar no especializados en razonamiento, donde solicitar los pasos mejora genuinamente los resultados.
Conclusión
La ingeniería de prompts no es magia: es comunicación clara, sistematizada. Las 12 técnicas anteriores cubren casi cualquier situación: sé específico, proporciona contexto y un rol, muestra ejemplos, especifica el formato, pide razonamiento ante problemas complejos, divide tareas grandes e itera.
Domina las cinco primeras y ya obtendrás resultados notablemente mejores con cualquier herramienta de IA. El resto son herramientas situacionales que usarás según sea necesario. Y la lección transversal que aplica a todas ellas es esta: en 2026, los modelos recompensan la claridad; por tanto, di exactamente lo que quieres.
