Prompt engineering: cómo hablarle a una IA para obtener mejores respuestas

"Prompt engineering" suena a disciplina técnica con reglas ocultas, pero en la práctica se parece más a aprender a delegar bien una tarea a una persona nueva en el equipo: mientras más contexto, criterios claros y ejemplos le des, mejor va a ser el resultado. La diferencia es que un LLM no puede preguntarte "¿a qué te referís?" si no se lo permitís explícitamente.

El error más común: pedir poco y esperar mucho

"Escríbeme un correo" va a producir algo genérico, porque genérica fue la instrucción. Comparado con: "Escribe un correo para un cliente que canceló su pedido por una demora en el envío, en tono empático pero profesional, ofreciendo un descuento del 10% en su próxima compra, máximo 150 palabras" — la segunda versión no es "magia de prompt engineering", es simplemente darle al modelo la misma información que le darías a una persona para que haga bien el trabajo.

Cinco elementos que mejoran casi cualquier prompt

1. Rol o contexto. "Actuá como un abogado especializado en arrendamientos en Colombia" ancla el vocabulario y el enfoque de la respuesta de forma inmediata.

2. Tarea específica, no vaga. "Mejora este texto" es vago. "Reescribe este párrafo para que sea más corto y elimina la jerga técnica" es específico y verificable.

3. Formato de salida esperado. Si necesitás una tabla, una lista con viñetas, o un JSON con campos específicos, pedilo explícitamente. El modelo no adivina tu formato ideal; produce el más probable dado lo que pediste.

4. Ejemplos (few-shot). Mostrar uno o dos ejemplos de "así quiero que se vea la respuesta" suele mejorar la consistencia más que cualquier instrucción abstracta sobre estilo.

5. Restricciones explícitas. "No inventes cifras que no estén en el texto que te doy" o "si no sabés la respuesta, decímelo en vez de adivinar" reduce (no elimina) el riesgo de que el modelo invente información con total seguridad.

Una técnica que de verdad cambia resultados: pedir que razone antes de responder

Para tareas que requieren varios pasos lógicos (matemáticas, análisis, decisiones con criterios múltiples), pedirle al modelo que "piense paso a paso antes de dar la respuesta final" mejora consistentemente la calidad. No es un truco esotérico: obligar al modelo a generar los pasos intermedios como texto le da, literalmente, más "espacio de cálculo" antes de comprometerse con una respuesta — en vez de saltar directo a una conclusión.

Lo que el prompt engineering no puede arreglar

Ningún prompt hace que un modelo sepa algo que genuinamente no aprendió en su entrenamiento, ni elimina del todo el riesgo de alucinación en datos puntuales. Si necesitás una cifra exacta de un documento, lo correcto no es un prompt más ingenioso — es darle el documento directamente (o usar una herramienta que lo busque por vos) en vez de confiar en su memoria.

La prueba de fuego: iterar

El mejor prompt casi nunca sale perfecto al primer intento. La práctica real de "prompt engineering" es: pedís algo, mirás qué salió mal o qué faltó, y ajustás la instrucción puntualmente para esa falla — igual que corregirías a una persona que te entregó un primer borrador. Con dos o tres rondas de ajuste, la mejora es mucho mayor que tratando de escribir el prompt perfecto desde el inicio.

En el próximo artículo salimos del "cómo usarla bien" para entrar en una pregunta que preocupa a mucha gente: ¿qué va a pasar con los empleos?