El prompt engineering es la práctica de escribir instrucciones para que un modelo de IA devuelva un resultado concreto, útil y repetible. También se le llama ingeniería de prompts o ingeniería de instrucciones. No consiste en encontrar palabras mágicas, sino en darle al modelo el rol, la tarea, el contexto, el formato y los límites que necesita para no adivinar.
La diferencia se ve en un minuto. «Escríbeme un email de ventas» devuelve un texto que serviría para cualquier empresa del mundo. «Actúa como comercial B2B del sector logístico, escribe un primer contacto de 120 palabras para un director de operaciones cuya objeción habitual es el coste de integración, sin prometer cifras que no te he dado» devuelve un borrador que solo hay que ajustar. El modelo es el mismo. Lo que cambia es la instrucción.
Lo que vas a sacar de aquí
- El prompt engineering es una habilidad de comunicación, no de programación. No hace falta saber machine learning ni escribir código para usarlo bien.
- Un prompt tiene cinco elementos: rol, tarea, contexto, formato y límites. El contexto es el que más cambia el resultado y el que más se olvida.
- Las técnicas con nombre propio, como el few-shot o el chain of thought, resuelven problemas distintos. Saber cuál usar importa más que conocerlas todas.
- Un ingeniero de prompts no solo escribe instrucciones: las prueba, mide el resultado y las documenta para que otros las reutilicen.
- El límite del prompt engineering es la fiabilidad. Un prompt bien escrito reduce los errores del modelo, no los elimina, así que la revisión humana sigue siendo obligatoria.
Qué es un prompt y para qué sirve
Un prompt es la instrucción en lenguaje natural que escribes en una herramienta de IA generativa como ChatGPT, Claude, Gemini o Microsoft 365 Copilot. Puede ser una pregunta, una orden, un texto que quieres transformar o una combinación de las tres cosas.
Sirve para dos cosas a la vez: decirle al modelo qué quieres y acotar el espacio de respuestas posibles. Un modelo de lenguaje predice la continuación más probable de lo que le has dado. Si le das poco, la continuación más probable es la más genérica, porque es la que encaja con más situaciones. Cada dato concreto que añades descarta miles de respuestas plausibles pero inútiles.
Por eso el prompt engineering funciona sin acceso al modelo ni a su entrenamiento. No modifica la IA. Reduce su margen de interpretación.
Cómo funciona el prompt engineering: los cinco elementos
Casi cualquier prompt profesional se puede descomponer en cinco piezas. Reconocerlas permite diagnosticar por qué una instrucción no ha funcionado en lugar de reescribirla a ciegas.
- Rol. Quién debe ser el modelo para esta tarea. «Actúa como auditor de calidad» activa un vocabulario, unos criterios y un nivel de exigencia distintos de «ayúdame con esto».
- Tarea. Qué tiene que producir, en un verbo y un entregable. Resumir un contrato, redactar tres titulares, comparar dos propuestas.
- Contexto. Lo que solo sabes tú: el sector, el cliente concreto, la cifra real, el documento de partida, la restricción que nadie ha escrito. Es el elemento con más efecto sobre el resultado.
- Formato. Estructura, extensión y destinatario. Un resumen para el comité de dirección no se parece a uno para el equipo técnico, aunque el contenido de partida sea idéntico.
- Límites. Qué no debe hacer. No inventar cifras, no prometer plazos, marcar como pendiente de validar lo que no le has dado. Sin límites explícitos, los modelos rellenan los huecos con datos plausibles.
Si un prompt falla, casi siempre falta el contexto o los límites. Son las dos piezas que exigen trabajo por tu parte y no se pueden copiar de una plantilla.
Técnicas de prompt engineering y cuándo usar cada una
Las técnicas con nombre propio no son niveles de dificultad, son herramientas para problemas distintos.
- Zero-shot. Pides la tarea directamente, sin ejemplos. Suficiente para tareas comunes y bien definidas: resumir, traducir, reformular.
- Few-shot. Incluyes dos o tres ejemplos de entrada y salida antes de la tarea real. Es lo más eficaz cuando el formato importa más que el contenido, por ejemplo al clasificar tickets o extraer datos siempre en la misma estructura.
- Chain of thought. Pides que razone paso a paso antes de dar la respuesta. Mejora los resultados en tareas con varios pasos encadenados, como un cálculo o una comparación con criterios múltiples. A cambio, alarga la respuesta.
- Prompting por etapas. Divides el trabajo: primero la estructura, la revisas, y solo después el texto completo. Corregir un esquema cuesta mucho menos que reescribir tres párrafos.
- Prompt inverso. Le pides al modelo que te haga las preguntas que necesita para hacer bien la tarea. Útil cuando ni tú tienes claro el encargo.
- Abogado del diablo. Le pides que ataque su propia propuesta. Sirve para preparar una decisión que vas a tener que defender.
Una regla práctica: empieza en zero-shot. Si el formato se desvía, pasa a few-shot. Si el razonamiento se desvía, pasa a chain of thought. Para optimizar un prompt conviene cambiar un elemento cada vez y comparar: añadir técnicas a uno que ya funciona solo lo hace más frágil.
Ejemplo de prompt engineering aplicado a un caso real
Una asesoría tiene que avisar a 300 clientes de un cambio normativo. El primer intento es un prompt de una línea:
«Escribe un email explicando el nuevo cambio fiscal.»
El resultado es correcto y no sirve: habla de «importantes novedades», no dice qué cambia, y podría venir de cualquier despacho. El segundo intento aplica los cinco elementos:
«Actúa como asesor fiscal que escribe a un cliente que no es técnico. Te pego el texto de la norma. Explícale en dos frases qué cambia y desde cuándo, dile si le afecta según su perfil de pyme de servicios, y lista lo que tiene que hacer con la fecha límite de cada paso. Cita el artículo concreto en cada afirmación. Si el texto admite más de una lectura, dilo en lugar de elegir una. Máximo 200 palabras, tono claro y sin jerga.»
El segundo prompt tiene rol, tarea, contexto, formato y límites. El borrador que devuelve se revisa y se envía. El primero hay que reescribirlo entero. Ese es todo el oficio.
Qué hace un ingeniero de prompts
El puesto de ingeniero de prompts existe en empresas que usan IA a escala, y su trabajo va más allá de escribir instrucciones sueltas. Consiste en convertir una tarea repetitiva en un prompt que cualquiera del equipo pueda usar con el mismo resultado.
- Diseña la instrucción y la prueba con casos reales, incluidos los casos raros donde suele fallar.
- Mide: cuánto tiempo se recupera, cuántas correcciones hacen falta, con qué frecuencia el modelo inventa algo.
- Documenta la plantilla con sus variables, para que no dependa de quien la escribió.
- Define los límites de uso: qué datos no se pegan nunca, qué decisiones no se delegan y quién revisa antes de enviar.
La habilidad de fondo no es técnica. Es la capacidad de explicar una tarea con precisión, la misma que hace falta para dar instrucciones claras a una persona que acaba de entrar en el equipo.
Por qué importa en la empresa
El valor no está en usar IA, está en usarla con resultados consistentes. Una empresa donde cada persona improvisa sus prompts obtiene resultados desiguales y no puede apoyar un proceso en ellos. Una empresa con una biblioteca de prompts validados sí puede.
El efecto práctico aparece en las tareas de redacción repetitiva: comunicaciones a clientes, resúmenes de documentos, primeros borradores de propuestas, respuestas de soporte. En todas ellas el trabajo pasa de escribir desde cero a revisar un borrador, que es una tarea distinta y más rápida.
Donde no ayuda: en las decisiones que exigen criterio, responsabilidad o conocimiento del contexto que no está escrito en ningún sitio. Ahí el prompt prepara el material y la persona decide.
Riesgos y límites que conviene tener presentes
- Invención de datos. Los modelos generan cifras, citas y fuentes que suenan verosímiles y no existen. Pedir que marque lo no verificado reduce el problema, no lo elimina.
- Datos personales. El RGPD exige una base legal para tratarlos, y las categorías especiales como los datos de salud requieren consentimiento explícito. Lo práctico es escribir el prompt con ejemplos genéricos y personalizar el resultado a mano.
- Dependencia de una versión. Un prompt afinado para un modelo puede rendir distinto cuando ese modelo se actualiza. Merece la pena volver a probar las plantillas críticas de vez en cuando.
- Falsa sensación de rigor. Un texto bien estructurado parece más fiable de lo que es. La revisión tiene que ser del contenido, no del formato.
Cómo empezar a practicar hoy
Elige una tarea que hagas cada semana y escríbele un prompt con los cinco elementos. Pruébalo tres veces con casos distintos. Ajusta lo que se desvíe y guárdalo. Con ese método, la mayoría de los profesionales escriben prompts aprovechables en su primer día y con soltura en una o dos semanas de práctica sobre problemas reales.
Si prefieres partir de algo ya construido, en la biblioteca de prompts de IA de Founderz hay más de 90 generadores por puesto, sector y herramienta, además de 30 prompts completos listos para copiar. Cada generador te pide las opciones que describen tu caso y te devuelve la instrucción montada con los cinco elementos ya colocados.
Preguntas frecuentes sobre prompt engineering
¿Necesito formación en IA o programación para aprender prompt engineering?
No. Las herramientas de IA generativa funcionan con lenguaje natural, así que escribes las instrucciones en español corriente. Lo que se aprende es a estructurar la instrucción, no a programar.
¿En qué consiste el método de prompt engineering?
En construir la instrucción con rol, tarea, contexto, formato y límites, probarla con casos reales y ajustarla hasta que el resultado sea consistente. No es un método cerrado con pasos fijos, es un conjunto de elementos que conviene cubrir siempre.
¿Qué relación tiene con los chatbots y los asistentes de voz?
Los chatbots y asistentes construidos sobre modelos de lenguaje llevan detrás un prompt de sistema que define su rol, su tono y sus límites. Diseñar ese prompt es prompt engineering aplicado a un producto, en lugar de a una tarea puntual.
¿Sigue teniendo sentido si los modelos mejoran?
Los modelos entienden cada vez mejor instrucciones imprecisas, y eso reduce la necesidad de trucos de redacción. Lo que no cambia es que el modelo no conoce tu contexto ni tus restricciones. Mientras eso siga siendo cierto, aportar ese contexto seguirá siendo el trabajo.
¿Dónde se puede aprender prompt engineering aplicado al trabajo?
En Founderz lo trabajamos dentro del Máster en Inteligencia Artificial, aplicado a tareas reales de negocio desde el primer módulo. Para practicar por tu cuenta antes, la biblioteca de prompts es gratuita y no requiere registro para copiar los ejemplos.
