Cómo hacer buenos prompts: lo que sí cambia el resultado

Un buen prompt no es una fórmula secreta ni una frase mágica. Es un encargo bien hecho: contexto suficiente, un ejemplo de lo que quieres y el formato exacto de la respuesta.

Circulan miles de listas de "prompts perfectos para ChatGPT" y casi todas venden lo mismo: palabras clave que supuestamente desbloquean respuestas mejores. La documentación de los fabricantes y la investigación publicada apuntan a otro sitio. Lo que cambia el resultado de forma medible es información, no vocabulario. Vamos con las cuatro cosas que sí funcionan y, al final, con las que no.

1. El contexto es casi todo

La documentación de Anthropic lo resume con una imagen útil: trata al modelo como a alguien brillante que acaba de entrar en tu empresa y no conoce vuestras normas ni vuestro contexto. Es capaz, pero no sabe nada de tu situación concreta.

Eso significa incluir lo que tú das por sabido. Para quién es el texto. Qué se ha intentado ya. Qué restricciones hay. Por qué lo pides. Anthropic recomienda explícitamente explicar el motivo detrás de una instrucción, no solo la instrucción, porque el modelo generaliza mejor desde una explicación que desde una orden suelta.

Compara "escríbeme un email para pedir un aumento" con "escribe un email a mi jefa pidiendo revisar mi sueldo. Llevo dos años en la empresa, asumí el equipo de soporte en enero sin cambio de contrato y el sector paga un 15% más por este puesto. Ella responde bien a los datos y mal a las emociones. Máximo 150 palabras". El segundo no tiene ninguna palabra mágica. Tiene información.

Hay un detalle práctico si trabajas con documentos largos: Anthropic indica que conviene poner el material extenso al principio del prompt y la pregunta al final, y afirma que colocar las consultas al final puede mejorar la calidad hasta en un 30%.

2. Un ejemplo vale más que tres párrafos de instrucciones

Describir un estilo es difícil. Enseñarlo es fácil. Si quieres que el modelo escriba como tú, pega dos o tres textos tuyos y pide que imite el registro. Si quieres una tabla con un formato concreto, pega una fila de ejemplo.

La guía de Anthropic recomienda entre tres y cinco ejemplos para obtener el mejor resultado, y añade tres condiciones: que sean parecidos a tu caso real, que sean variados (para que el modelo no deduzca un patrón que no querías) y que estén claramente delimitados del resto del prompt. OpenAI recomienda lo mismo en su guía: incluir un puñado de pares entrada-salida en lugar de intentar describir la regla con palabras.

3. Di el formato exacto que quieres

Si no dices el formato, obtendrás el formato por defecto: párrafos con encabezados y listas de viñetas. Casi nunca es lo que necesitas.

Especifica el soporte (tabla, lista numerada, JSON, prosa seguida), la extensión en palabras o líneas, el tono y el idioma. Y hay una regla concreta que merece la pena recordar, también de la documentación de Anthropic: di lo que quieres, no lo que no quieres. En lugar de "no uses viñetas", escribe "escribe en párrafos seguidos". Las instrucciones en negativo funcionan peor que las equivalentes en positivo.

El otro truco de formato es separar visualmente las partes del prompt. Tanto OpenAI como Anthropic recomiendan delimitar con marcado: encabezados de Markdown o etiquetas tipo XML para distinguir las instrucciones del material de referencia. Cuando pegas un texto largo y luego preguntas algo sobre él, marcar dónde acaba uno y empieza lo otro evita que el modelo confunda tu documento con tus órdenes.

4. Pedir que razone: cuándo sirve y cuándo sobra

Aquí está el matiz que casi ninguna guía actualiza. La idea de pedirle al modelo que piense paso a paso viene de un artículo de 2022 de Wei y sus colegas, que demostró que incluir ocho ejemplos con el razonamiento explícito llevaba a un modelo de 540.000 millones de parámetros al mejor resultado publicado hasta entonces en el conjunto de problemas matemáticos GSM8K. Fue un hallazgo real y bien documentado.

Pero los autores ya advertían de que esa capacidad aparece solo en modelos suficientemente grandes, y desde entonces el panorama ha cambiado. Los modelos de razonamiento actuales hacen ese paso internamente. La documentación de OpenAI es tajante al respecto: dado que estos modelos razonan por dentro, pedirles que "piensen paso a paso" o que "expliquen su razonamiento" es innecesario. Añade incluso que con modelos de razonamiento conviene empezar sin ejemplos, y sumarlos solo si el formato de salida es complejo.

La consecuencia práctica: pedir razonamiento explícito sigue ayudando en modelos convencionales y en tareas de varios pasos, y en un modelo de razonamiento solo alarga el prompt. OpenAI describe la diferencia con una analogía clara: a un modelo de razonamiento le das indicaciones de alto nivel, como a un colega veterano; a un modelo convencional le das instrucciones precisas, como a alguien que acaba de incorporarse.

Los trucos populares que no tienen evidencia detrás

Aquí es donde conviene ser claro, porque estas técnicas se repiten en todas partes sin que nadie enseñe los datos.

Ofrecer propinas o amenazar al modelo. Un estudio de 2025 de Meincke, Mollick, Mollick y Shapiro puso a prueba exactamente esto, después de que se popularizara la idea de que amenazar a un modelo mejora sus respuestas. Midieron con los conjuntos de evaluación GPQA y MMLU-Pro y su conclusión fue que amenazar o prometer dinero a un modelo no tiene, en general, un efecto significativo en el rendimiento. Con un matiz interesante: las variaciones del prompt sí cambian el resultado en preguntas concretas, pero de forma impredecible, así que no puedes saber de antemano cuál te va a ayudar.

Los prefijos motivacionales. Battle y Gollapudi probaron 60 combinaciones de mensajes de sistema de tipo "pensamiento positivo" en tres modelos de entre 7.000 y 70.000 millones de parámetros, también sobre GSM8K. El resultado fue inconsistente entre modelos: lo que funcionaba en uno no funcionaba en otro, y en un caso el mejor mensaje de sistema resultó ser no poner ninguno. Su conclusión fue que estos prefijos hechos a mano no generalizan de forma fiable.

"Actúa como un experto en X". No es inútil, pero se le atribuye demasiado. Los fabricantes lo recomiendan como forma de fijar tono y ámbito, y Anthropic señala que incluso una sola frase ayuda a enfocar el comportamiento. Lo que no hace es dar al modelo conocimientos que no tenía. "Actúa como abogado" cambia el registro de la respuesta, no su fiabilidad jurídica.

Una plantilla que puedes reutilizar

1. Situación: quién eres, para quién es esto y qué ha pasado hasta ahora.
2. Tarea: qué quieres exactamente, en una frase.
3. Material: los textos, datos o documentos de referencia, claramente separados de las instrucciones.
4. Ejemplos: de uno a tres casos de cómo debería quedar.
5. Formato: soporte, extensión, tono e idioma.
6. Límites: qué evitar, expresado en positivo siempre que se pueda.

No hace falta usar los seis apartados cada vez. Para tareas sencillas, con situación, tarea y formato tienes suficiente. Y si la respuesta no te convence, la corrección más rentable casi nunca es reescribir el prompt entero: es añadir el dato que te habías callado.