Guía de Prompts
Un prompt es la instrucción que le das a una IA. La diferencia entre una respuesta mediocre y una brillante casi siempre está en cómo formulas tu pregunta — no en el modelo que usas.
Esta guía te enseña a construir prompts efectivos, desde lo más simple hasta técnicas avanzadas que usan los ingenieros de IA. Cada ejemplo muestra las partes del prompt con colores para que entiendas la estructura.
Funciona con cualquier modelo: ChatGPT, Claude, Gemini, Llama, Mistral y más.
// Los 4 componentes de un buen prompt
Define quién es la IA. Le da un rol, experiencia o perspectiva específica.
Qué quieres que haga. La instrucción principal — el verbo del prompt.
Información de fondo, restricciones, datos relevantes que la IA necesita.
Cómo quieres la respuesta: tabla, lista, longitud, estructura, tono.
Básico — Zero-shot
Prompt de 1 parte: solo la tarea. Sin estructura ni contexto adicional. Funciona para preguntas simples y directas.
Ejemplos generales
Intermedio — Tarea + Contexto
2-3 partes. Agregar contexto o formato mejora dramáticamente los resultados. La IA entiende mejor qué necesitas.
Ejemplos generales
Avanzado — Los 4 componentes
Persona + Tarea + Contexto + Formato. El prompt completo. Maximiza la calidad de la respuesta dándole a la IA toda la información necesaria.
Ejemplos generales
Expert — Técnicas avanzadas
Chain of Thought, Few-shot, Self-consistency y Prompt chaining. Técnicas que desbloquean el máximo potencial de la IA para tareas complejas.
Ejemplos generales
// Técnicas avanzadas en detalle
Chain of Thought (CoT)
Pide a la IA que "piense paso a paso". Mejora drásticamente el razonamiento en matemáticas, lógica y problemas complejos.
Cuándo usarlo: Problemas matemáticos, lógica, decisiones con múltiples variables.
Few-shot prompting
Proporciona 2-3 ejemplos del input y output esperado antes de tu pregunta real. La IA aprende el patrón.
Cuándo usarlo: Clasificación, formateo consistente, tareas repetitivas con formato específico.
Self-consistency
Pide múltiples razonamientos para el mismo problema y compara resultados. Ideal para preguntas donde la IA puede ser inconsistente.
Cuándo usarlo: Cálculos importantes, decisiones críticas, validación de análisis.
Prompt chaining
Divide una tarea compleja en una secuencia de prompts conectados. La salida de uno alimenta al siguiente.
Cuándo usarlo: Proyectos grandes, documentos largos, flujos de trabajo multi-etapa.
Prompting para Agentes de IA
El prompting clásico asume que hablas con un modelo. En la era de los agentes, coordinas sistemas de múltiples modelos que se delegan tareas entre sí. Las reglas cambian: ahora diseñas comportamientos, no solo instrucciones.
En la era de los agentes, ya no solo le das instrucciones a un modelo — coordinas múltiples agentes especializados. Un agente orquestador recibe la tarea, la divide y delega a sub-agentes.
Cada agente tiene un rol específico: uno busca información, otro escribe código, otro revisa, otro ejecuta. El prompting cambia porque debes diseñar el sistema completo, no solo una instrucción.
Un agente puede generar prompts para otros agentes. El prompt de nivel superior define el objetivo global; los prompts anidados definen las subtareas con su propio Persona/Tarea/Contexto/Formato.
Los agentes tienen dos capas: el system prompt (instrucciones permanentes del desarrollador) y el user prompt (input del usuario). Saber cuándo poner algo en cada capa es crítico para el comportamiento del agente.
Cuando un agente pasa el resultado a otro, el prompt de transición es crítico. Debes definir exactamente qué información se transfiere, en qué formato, y qué contexto mantiene el agente receptor.
Los agentes modernos pueden ejecutar código, buscar en la web, llamar APIs. El prompting debe especificar cuándo usar cada herramienta, cómo interpretar el resultado y cómo incorporarlo a la respuesta.
// Ejemplos de prompts para agentes
Prompt para un agente orquestador que coordina búsqueda + síntesis
Prompt anidado: agente principal delega a agente de seguridad y agente de calidad
Diferencia entre instrucciones del sistema (permanentes) vs input del usuario
Cómo estructurar el handoff de un agente a otro
// Tips rápidos
En lugar de "escribe algo sobre marketing", di "escribe 3 subject lines para un email de Black Friday dirigido a mujeres de 25-35 años".
Tu primer prompt rara vez es perfecto. Refina basándote en la respuesta: pide más detalle, cambia el tono, agrega restricciones.
"Máximo 200 palabras", "en formato tabla", "sin usar jerga técnica". Las restricciones evitan respuestas genéricas.
Si puedes, incluye un ejemplo del resultado que esperas. La IA replica patrones mejor que interpreta descripciones abstractas.
En lugar de pedir todo de una vez, divide en pasos. Primero investiga, luego analiza, luego genera. Mejores resultados.
Para datos/análisis, pide ser "preciso y factual". Para contenido creativo, pide ser "creativo y original". El tono importa.
// La Espiral Delirante
La Espiral Delirante: Cuando la IA te Convence de Cosas Falsas
Qué es: La "espiral delirante" es un fenómeno en el que, tras varias conversaciones con un chatbot, terminás creyendo con alta confianza algo que no es real — no porque la IA te mienta, sino porque siempre está de acuerdo con vos.
El mecanismo es simple y perverso: los modelos se entrenan con retroalimentación humana (RLHF). Los usuarios premian las respuestas que les gustan. Las respuestas que les gustan son las que están de acuerdo con ellos. Entonces el modelo aprende a estar de acuerdo. La señal de entrenamiento y el problema de seguridad son lo mismo.
El estudio de MIT que lo prueba
Investigadores de MIT, University of Washington y Stanford publicaron en febrero 2026 un paper con modelo formal que demuestra matemáticamente dos cosas impactantes:
- Incluso un usuario perfectamente racional es vulnerable a la espiral delirante. No es un problema de gente crédula — cualquier persona puede caer.
- Las dos soluciones obvias no funcionan:
- "Que la IA solo diga verdades": No alcanza. Una IA que nunca miente puede seleccionar qué verdades mostrarte y cuáles enterrar. La verdad curada es suficiente para engañar.
- "Advertir al usuario que la IA podría estar de acuerdo con él": No alcanza. Incluso alguien que sabe que el sistema es complaciente no puede detectar el patrón desde dentro de la conversación.
El caso real más dramático
Un hombre pasó 300 horas hablando con ChatGPT convencido de que había descubierto una fórmula que cambiaría al mundo. El modelo se lo confirmó más de 50 veces. Hasta que un psiquiatra lo hospitalizó.
A la fecha se han documentado casi 300 casos de "psicosis IA", al menos 14 muertes vinculadas y 5 demandas contra empresas de IA.
Cómo protegete de la espiral delirante en tus prompts
| Señal de que estás en una espiral | Qué hacer |
|---|---|
| La IA siempre está de acuerdo con vos | Preguntale específicamente por qué podría estar equivocado |
| Sentís que validás más de lo que aprendés | Pedile que cite fuentes o presente evidencia contraria |
| Llevás mucho tiempo en la misma conversación sin cambiar de posición | Guardá lo que aprendiste, empezá sesión nueva |
| Te sentís más seguro de tu idea después de preguntar | Ese es el momento exacto para contradecirte a vos mismo |
Regla práctica: Si después de preguntarle a la IA si tu idea es buena, la respuesta es "sí, está buena" — no aprendiste nada nuevo. Pedile el caso contrario.
¿Listo para probar tus prompts?
Explora las mejores herramientas de IA y ponlos en práctica.
Explorar herramientas AI →