Cómo escribir un buen prompt: la estructura que casi siempre funciona

Escribes "hazme un correo para mi jefe" y recibes algo genérico, tibio, con demasiados signos de exclamación. Lo borras. Escribes otra vez, ahora con detalles: quién eres, qué pasó, qué tono quieres, cuántas líneas. Y esta vez sí. La respuesta sirve. No cambiaste de modelo entre un intento y otro. Cambiaste el prompt.

Casi todo el mundo culpa a la IA cuando la respuesta falla. Y a veces tiene razón. Pero muchas más veces el problema es que le pedimos como quien grita una orden desde otra habitación: rápido, incompleto, esperando que el otro adivine el resto. El modelo no adivina. Rellena huecos con lo más probable, que suele ser lo más soso.

01 · el problemaPor qué un prompt vago da una respuesta vaga

Un modelo de lenguaje no te conoce, no vio lo que tú viste y no sabe para qué necesitas la respuesta. Solo tiene las palabras que escribiste. Si esas palabras son pocas y ambiguas, el modelo tiene que suponer casi todo: quién habla, a quién, con qué intención, en qué formato. Y cuando supone, elige el camino más trillado.

Pensemos en "cómo escribir un buen prompt" como en dar instrucciones a alguien muy capaz pero recién llegado, que no comparte tu contexto. A un colega de años le dices "el reporte de siempre" y sale bien. A alguien de su primer día tienes que decirle qué reporte, para quién, con qué datos y en qué formato. El modelo es siempre el del primer día.

El modelo no lee tu mente. Lee tus palabras. Todo lo que no digas, lo inventa.

Por eso la solución no es "escribir más bonito", sino escribir más completo. Y para no depender de la inspiración, conviene tener una estructura fija que puedas rellenar siempre igual.

02 · la recetaRol, contexto, tarea, formato y ejemplo

Hay una plantilla que aparece, con nombres distintos, en casi todas las guías serias de prompting. La comunidad la resume a veces como "RTF" o "CRAFT"; lo importante no es la sigla sino las cinco piezas. Las ordeno como conviene escribirlas.

Rol. Dile al modelo desde qué papel debe responder. "Actúa como un editor de estilo exigente" produce un texto muy distinto a "actúa como un amigo que me anima". El rol fija el tono, el vocabulario y hasta qué considera relevante.

Contexto. Es la pieza que más gente olvida y la que más cambia el resultado. Aquí va lo que el modelo no puede saber: quién eres, a quién le hablas, qué pasó antes, qué restricciones tienes. "Le escribo a un jefe con poco tiempo que ya conoce el proyecto" evita que te devuelva tres párrafos de introducción que nadie va a leer.

Tarea. El verbo concreto. No "ayúdame con el correo", sino "redacta un correo que pida una prórroga de dos días y proponga una nueva fecha". Un verbo claro y un objetivo medible reducen la ambigüedad casi a cero.

Formato. Cómo quieres la salida: extensión, estructura, tono. "En máximo 5 líneas, sin saludos largos, tono cordial pero directo." Si no lo pides, el modelo elige por ti, y suele elegir de más.

Ejemplo. Opcional pero potente. Mostrar una muestra de lo que esperas (un correo que sí te gustó, una tabla con el formato correcto) orienta al modelo mejor que muchas frases de instrucción. Enseñar con ejemplos se conoce como few-shot prompting, y los propios investigadores de estos modelos mostraron que basta con unas pocas muestras para cambiar mucho la respuesta [2].

En 2020, el equipo liderado por Tom Brown mostró con GPT-3 que un modelo grande podía resolver tareas nuevas solo viendo unos pocos ejemplos dentro del propio prompt, sin reentrenarlo [2]. Ese hallazgo es la razón por la que hoy funciona algo tan simple como pegar "aquí tienes tres correos que me gustaron, escribe uno parecido".

03 · antes y despuésEl mismo pedido, dos resultados

La teoría se entiende mejor con un caso. Supón que necesitas explicar un retraso a un cliente. Compara cómo pides.

El prompt pobre te dará un correo correcto pero genérico, que igual sirve para cualquier retraso de cualquier empresa. El estructurado te dará uno que suena a tu situación, con la longitud que puedes enviar sin editar. Mismo modelo, mismo día. Lo único distinto fue cuánto le dijiste.

04 · el hábitoConvierte la receta en algo repetible

Lo valioso de una estructura fija es que deja de depender de tu memoria. Puedes guardar una plantilla en una nota y rellenarla: "Eres [rol]. Contexto: [situación]. Tarea: [verbo + objetivo]. Formato: [extensión y tono]. Ejemplo: [muestra opcional]." Con eso, escribir un buen prompt para ChatGPT deja de ser cuestión de suerte y pasa a ser un paso a paso que repites igual cada vez.

Y hay un segundo hábito, más simple todavía: si la primera respuesta no da en el blanco, no empieces de cero. Dile qué corregir. "Más corto." "Menos formal." "Quita el saludo." El modelo mantiene el hilo y ajusta. Una conversación de tres mensajes suele ganarle a un solo prompt perfecto que intentaste adivinar de una vez.

Un buen prompt rara vez sale del primer tiro. Sale de un buen molde y dos correcciones.

No prometo que la estructura resuelva todo: hay tareas donde el modelo simplemente no sabe, y ninguna receta lo arregla. Pero para el 90 % de lo cotidiano (correos, resúmenes, ideas, borradores) la diferencia entre frustración y utilidad casi nunca está en el modelo. Está en si le diste rol, contexto, tarea, formato y, cuando ayuda, un ejemplo. Esa es la parte que sí controlas.