Durante dos años circularon listas de prompts mágicos, plantillas de veinte líneas y cursos de "ingeniería de prompts". Casi todo eso envejeció mal. Lo que quedó es mucho más aburrido y bastante más útil.
En corto
- Lo que más mueve la aguja es el contexto, no la fórmula. Un pedido genérico produce una respuesta genérica, y ningún truco de redacción arregla eso.
- Cuatro cosas ordenadas por impacto: contexto de tu situación real, una tarea concreta, un ejemplo de lo que considerás buena respuesta, y el formato que querés.
- "Actuá como un experto de clase mundial" aporta poco. Especificar para quién es y con qué nivel de detalle, mucho.
- Largo en contexto, corto en instrucciones. El error típico es al revés: diez reglas de estilo y cero datos del caso.
- Iterar gana a reescribir. Corregir sobre la respuesta acumula contexto; empezar de nuevo lo tira.
Lo que vas a leer
Qué era humo y por qué se cayó
La mayoría de los trucos que circularon eran parches para limitaciones de los modelos de aquel momento. Frases como "respirá hondo antes de responder" o "esto es muy importante para mi carrera" tuvieron su minuto de fama porque en cierto momento movían algo el resultado.
Eso es exactamente lo que iba a envejecer: eran soluciones a defectos temporales, no principios sobre cómo comunicar bien una tarea. Cada versión nueva de los modelos deja obsoleta una parte de esos trucos, y los que aprendieron fórmulas en vez de fundamentos tienen que empezar de nuevo cada seis meses.
Lo que no envejece es lo que también sirve para pedirle algo a una persona: explicar el contexto, decir con precisión qué necesitás, mostrar un ejemplo y revisar el resultado.
Las cuatro palancas que sí funcionan
01 Contexto de tu situación real
Quién sos, para quién es, qué restricciones tenés, qué intentaste antes. Es lo que separa una respuesta de manual de una que te sirve. Si tu pedido lo podría haber escrito cualquiera, la respuesta le va a servir a cualquiera.
02 Una tarea concreta
"Ayudame con mi estrategia de precios" es un tema, no una tarea. "Dame tres objeciones que un cliente podría hacerle a este precio y cómo responderlas" es una tarea. Una sola por pedido: dos tareas en el mismo mensaje suelen producir dos respuestas mediocres.
03 Un ejemplo de lo que considerás bueno
La forma más rápida de transmitir un estándar. Un párrafo de muestra comunica más sobre el tono que buscás que tres líneas describiéndolo, porque el tono es difícil de nombrar y fácil de mostrar.
04 El formato que necesitás
Tabla, lista, cinco párrafos, un mail listo para enviar. Sin esto, el formato por defecto es el ensayo con subtítulos, que casi nunca es lo que hacía falta.
El mismo pedido, dos versiones
Versión pobre: "Actuá como un experto en marketing digital de clase mundial con 20 años de experiencia y escribime un email de ventas profesional y persuasivo."
Versión útil: "Vendo un programa de formación en IA para equipos, 900 dólares por persona. Escribo a gerentes de recursos humanos de empresas de 50 a 200 empleados en Argentina. La objeción que más escucho es que ya pagaron una plataforma de e-learning que nadie usa. Escribí un email de 120 palabras que reconozca esa objeción y proponga una reunión de 20 minutos. Tono directo, sin signos de exclamación. Acá va uno que escribí antes y que me gustó: [ejemplo]."
La segunda no tiene ni un truco. Tiene datos, una restricción de extensión, una objeción real, un tono especificado y un ejemplo. Es más larga, pero casi todo lo agregado es contexto, no instrucciones.
Si tuvieras que quedarte con una sola de las cuatro palancas, es esta. La diferencia entre una respuesta genérica y una que sirve casi nunca está en cómo pediste: está en cuánto le contaste de tu caso.
Qué mueve la aguja y qué no
| Cuánto cambia el resultado | Qué |
|---|---|
| Mucho | Contexto real de tu caso: datos, restricciones, qué intentaste antes |
| Mucho | Un ejemplo de lo que considerás una buena respuesta |
| Bastante | Una tarea concreta por pedido, con el verbo adelante |
| Bastante | Decir para quién es y con qué nivel de detalle |
| Algo | Especificar formato y extensión |
| Algo | Pedir el razonamiento paso a paso en tareas complejas |
| Poco | "Actuá como un experto de clase mundial" |
| Nada | Fórmulas motivacionales o amenazas veladas |
La tabla tiene una lectura incómoda para la industria de los cursos de prompts: lo que más rinde no se puede empaquetar en una plantilla, porque depende de información que solo vos tenés.
Los cinco errores más caros
- Pedir sin contexto y culpar al modelo. El diagnóstico más frecuente y el más equivocado: "la IA no sirve para esto" cuando el pedido no tenía ningún dato del caso.
- Amontonar tareas. "Analizá esto, resumilo, hacé un plan y escribí el mail" produce cuatro cosas a medias. De a una.
- Instrucciones contradictorias. "Sé exhaustivo pero breve" obliga a elegir, y va a elegir mal la mitad de las veces.
- Aceptar la primera respuesta. La primera casi nunca es la buena, igual que el primer borrador de cualquier cosa.
- Delegar el criterio. Pedirle que decida por vos algo que depende de información que no tiene. Puede estructurar tu decisión; no puede tomarla.
Iterar en vez de reescribir
Cuando la respuesta no sirve, el reflejo es borrar todo y reformular el pedido. Casi siempre rinde más corregir sobre lo que te dio.
La razón es que la conversación acumula contexto. Cuando decís "esto está bien pero el punto dos no aplica porque mis clientes no son empresas grandes", estás agregando exactamente el dato que faltaba, y encima en el lugar donde se nota. Tres o cuatro correcciones de ese tipo suelen llegar más lejos que cinco intentos desde cero.
Con una salvedad: si la conversación se llenó de intentos fallidos y contradicciones, empezar limpio con todo lo que aprendiste es mejor. La señal para hacerlo es cuando el modelo empieza a mezclar instrucciones viejas que ya descartaste.
Cuándo pedir el razonamiento
Pedir que piense paso a paso mejora el desempeño en tareas de varios pasos, y está bien documentado desde 2022. En los modelos más nuevos, que razonan antes de responder por diseño, la ganancia adicional es menor.
Pero hay una razón para seguir pidiéndolo que no tiene que ver con el rendimiento del modelo sino con el tuyo: ver el razonamiento te permite encontrar dónde se desvió. Si solo ves la conclusión, tenés que aceptarla o rechazarla entera. Si ves los pasos, podés señalar el tercero y corregir ahí. Y de paso aprendés algo del problema, que es la diferencia entre delegar y entender.
Una estructura que podés reusar
No es una fórmula mágica: es el orden en que conviene poner las cosas.
- Situación: quién sos y en qué contexto estás.
- Material: los datos, el texto o los números sobre los que hay que trabajar.
- Tarea: una sola, concreta, con el verbo adelante.
- Restricciones: extensión, tono, qué evitar.
- Ejemplo: algo que se parezca a lo que considerás una buena respuesta.
Con eso alcanza para el 90% de los casos. El otro 10% no se resuelve con mejores prompts: se resuelve entendiendo mejor el problema, que sigue siendo trabajo tuyo.
Probalo en una clase real
10 minutos gratis con un profesor AI que te ayuda a aplicar esto a tu trabajo, no a coleccionar plantillas. Por voz, sin tarjeta.
Probá una clase gratis¿Qué hace bueno a un prompt?
Cuatro cosas, en orden de importancia: contexto suficiente sobre tu situación real, una tarea concreta en vez de un pedido vago, un ejemplo de lo que considerás una buena respuesta, y decir qué formato querés. Las fórmulas del tipo 'actuá como un experto de clase mundial' aportan mucho menos de lo que se cree.
¿Sirve decirle 'actuá como un experto'?
Poco. Ayudaba más en los modelos de hace unos años y hoy está casi incorporado por defecto. Lo que sí cambia el resultado es especificar para quién es la respuesta y con qué nivel de detalle: 'explicáselo a alguien que nunca vio contabilidad' hace mucho más que 'actuá como contador experto'.
¿Hay que aprender ingeniería de prompts?
Como disciplina con fórmulas y plantillas, no: eso envejeció rápido y seguirá envejeciendo. Lo que queda es aburrido y estable: dar contexto, pedir una cosa por vez, mostrar un ejemplo, iterar sobre la respuesta. Eso no es una técnica, es saber explicar lo que querés, y sirve igual con personas.
¿Conviene un prompt largo o corto?
Largo en contexto, corto en instrucciones. El error más común no es escribir poco sino escribir mucha instrucción y poco contexto: diez reglas de estilo y ni un dato de tu situación real. Al revés funciona mejor: párrafos de contexto y una sola tarea clara.
¿Por qué me da respuestas genéricas?
Casi siempre porque el pedido es genérico. Si preguntás algo que podría haber preguntado cualquiera, la respuesta va a servirle a cualquiera, es decir a nadie. La solución no es un truco de redacción: es meter tus datos, tus restricciones y tu caso en el pedido.
¿Sirve pedirle que piense paso a paso?
En tareas de razonamiento con varios pasos, sí, y está bien documentado. En los modelos más nuevos que ya razonan antes de responder, la ganancia es menor porque lo hacen solos. Donde sigue sirviendo siempre es para vos: ver el razonamiento te permite detectar dónde se desvió, en lugar de aceptar o rechazar un bloque entero.
¿Qué hago cuando la respuesta no me sirve?
No reescribas el pedido desde cero: corregí sobre lo que te dio. 'Esto está bien pero el segundo punto no aplica a mi caso porque…' rinde mucho más que empezar de nuevo. La conversación acumula contexto, y ese contexto es justamente lo que faltaba.
Fuentes
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS.
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. NeurIPS.
- METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. metr.org
Seguí leyendo
Cómo aprender IA desde cero en 2026: una ruta sin humo › Por qué la IA inventa datos, explicado sin tecnicismos › Qué es un profesor AI y en qué se diferencia de un chatbot ›Publicado por el equipo de Maestre · Los creadores de Cineastas del Futuro: más de 17.000 alumnos formados. Escribimos sobre lo que probamos enseñando.