Prompt Engineering en Español: guía práctica y ejemplos (2026)
El prompt engineering, o ingeniería de prompts, consiste en diseñar, probar y mejorar instrucciones para que una IA entregue un resultado verificable. Empieza por definir el objetivo, aporta el contexto y los datos necesarios, describe la tarea y sus restricciones, exige un formato y comprueba la respuesta con criterios de calidad. No existe una frase mágica: el método es iterativo y cambia según el modelo y el caso de uso.
Última actualización:
En resumen
Un prompt útil combina objetivo + contexto + datos + tarea + restricciones + formato + criterio de calidad. Después se prueba con varios casos, se revisan los fallos y se ajusta.
¿Qué es la ingeniería de prompts?
La ingeniería de prompts es la habilidad de redactar instrucciones que guíen a la IA hacia el resultado que necesitas. No es programación: es especificación y evaluación. Un buen prompt aclara qué resultado necesitas, qué información puede usar, qué límites debe respetar, cómo debe responder y cómo decidirás si la respuesta es correcta.
- El prompt de sistema define el comportamiento base del modelo durante toda la conversación.
- En generación de imágenes existe además el negative prompt, que indica qué no quieres que aparezca.
¿Para quién es esta guía?
Para ti, si…
- Ya usas IA pero los resultados son irregulares.
- Quieres prompts reutilizables para tu trabajo.
- Buscas técnicas concretas, no teoría abstracta.
Quizá no es para ti, si…
- Nunca has usado un asistente de IA (empieza por lo básico primero).
- Buscas optimizar prompts a nivel de API con código.
- Esperas una fórmula mágica sin iterar.
¿Vienes sin base? Empieza por el curso de inteligencia artificial desde cero o el curso de ChatGPT.
Anatomía de un buen prompt
Usa esta plantilla como punto de partida. No todos los campos son obligatorios, pero cada uno reduce una ambigüedad distinta.
| Parte | Pregunta que responde | Ejemplo |
|---|---|---|
| Objetivo | ¿Qué decisión o entregable necesitas? | Preparar una circular escolar clara. |
| Contexto y datos | ¿Qué debe saber y qué fuente debe usar? | Texto original, audiencia y fecha. |
| Tarea | ¿Qué acción concreta debe ejecutar? | Reescribir sin alterar nombres ni cifras. |
| Restricciones | ¿Qué debe evitar o conservar? | Sin inventar datos; máximo 120 palabras. |
| Formato | ¿Cómo debe entregar el resultado? | Asunto y tres párrafos breves. |
| Criterio de calidad | ¿Cómo comprobarás que funciona? | Lenguaje sencillo y todos los datos verificables. |
Cuando el formato sea importante, añade uno o dos ejemplos correctos. Si el resultado se utilizará repetidamente, crea varios casos de prueba: uno normal, uno incompleto y uno que deba rechazarse o escalarse a una persona.
10 prompts: antes y después
El mismo objetivo, escrito de dos formas. Observa cómo cambia el nivel de detalle.
Redactar un correo
Antes: Escribe un correo a un cliente.
Después: Eres mi asistente de redacción. Escribe un correo para un cliente que no respondió mi presupuesto hace una semana. Tono amable, máximo 90 palabras, con asunto y una propuesta de llamada.
Resumir un texto
Antes: Resume esto.
Después: Resume este texto en 5 viñetas con lo esencial y una frase final de conclusión. Mantén nombres y números exactos. Texto: [...].
Generar ideas
Antes: Dame ideas de marketing.
Después: Dame 10 ideas de marketing de bajo presupuesto para una cafetería de barrio. Marca las 3 más fáciles de ejecutar esta semana y explica por qué en una frase.
Explicar un concepto
Antes: Explícame el machine learning.
Después: Explícame qué es el machine learning como si tuviera 15 años, en 5 frases, con un ejemplo cotidiano. Evita tecnicismos sin definirlos.
Corregir un texto
Antes: Corrige este texto.
Después: Corrige la ortografía y mejora la claridad de este texto sin cambiar el significado. Al final, lista 3 cambios que hiciste y por qué. Texto: [...].
Traducir con matiz
Antes: Traduce al inglés.
Después: Traduce este texto al inglés en un tono profesional para un correo de negocios. Mantén la cortesía, evita una traducción literal y adapta las frases hechas.
Crear una tabla comparativa
Antes: Compara estas opciones.
Después: Crea una tabla comparando [A], [B] y [C] según precio, facilidad de uso y soporte. Añade una columna con una recomendación breve para un equipo pequeño.
Estructurar un documento
Antes: Hazme un informe.
Después: Crea la estructura de un informe semanal con secciones: logros, métricas clave, bloqueos y próximos pasos. Deja huecos entre corchetes para que yo los rellene.
Pedir un guion
Antes: Escribe un guion de video.
Después: Escribe un guion de 60 segundos para un video que explique [producto] a [audiencia]. Estructura: gancho, problema, solución, llamada a la acción. Tono cercano.
Analizar un problema
Antes: Ayúdame con este problema.
Después: Tengo este problema: [descripción]. Antes de proponer soluciones, hazme 5 preguntas para entender mejor el contexto. Luego espera mi respuesta.
Técnicas actuales y cuándo usarlas
- Zero-shot: pides la tarea directamente, sin ejemplos. Útil para tareas simples y comunes.
- Few-shot: incluyes uno o varios ejemplos del resultado esperado. Mejora la precisión en tareas específicas o con un formato concreto.
- Delimitadores y secciones: separa instrucciones, contexto, datos y formato con encabezados, Markdown o etiquetas consistentes cuando el prompt sea largo.
- In-context learning: aprovechas los ejemplos y el contexto dentro de la misma conversación para guiar al modelo sin reentrenarlo.
- Descomposición: divide un trabajo complejo en pasos observables o encadena prompts cuando necesites revisar una salida antes de iniciar la siguiente etapa.
- Salida estructurada: solicita campos definidos o usa el mecanismo de salida estructurada de la API cuando una aplicación necesite datos consistentes; un ejemplo visual no sustituye una validación de esquema.
Cómo evaluar y mejorar un prompt
Mejorar un prompt no es añadir palabras hasta que una respuesta parezca buena. Define primero una pequeña rúbrica y pruébalo con entradas variadas. Anthropic recomienda establecer criterios de éxito y una forma de evaluarlos antes de optimizar; OpenAI y Google también describen el prompting como un proceso iterativo.
- 1. Define el resultado: escribe tres a cinco condiciones observables.
- 2. Prepara casos: incluye ejemplos normales, ambiguos y de riesgo.
- 3. Ejecuta sin corregir a mano: guarda prompt, modelo, entrada y salida.
- 4. Puntúa: revisa exactitud, cobertura, formato, seguridad y utilidad.
- 5. Cambia una variable: ajusta contexto, ejemplo o restricción y vuelve a medir.
Errores comunes y seguridad
- Pedir demasiadas cosas a la vez. Divide tareas complejas en pasos.
- No dar formato. Si no dices cómo quieres la respuesta, recibes algo genérico.
- No verificar. Aun con buenos prompts, la IA puede equivocarse: revisa lo importante.
- Ignorar la seguridad. Existe el prompt injection: instrucciones ocultas en un texto externo que intentan que el modelo se desvíe. Si tu prompt incluye contenido de terceros, trátalo con cuidado.
Guías oficiales por proveedor
Las recomendaciones cambian por modelo y producto. Usa estas fuentes como referencia viva y verifica la documentación del modelo antes de convertir una técnica en regla de equipo.
Recursos para practicar
Preguntas frecuentes
¿Qué es la ingeniería de prompts?
Es la práctica de diseñar, probar y mejorar instrucciones para que un modelo produzca un resultado que cumpla criterios definidos. Incluye objetivo, contexto, tarea, restricciones, formato, ejemplos y una forma de evaluar la respuesta.
¿Necesito conocimientos técnicos para escribir buenos prompts?
No. Escribir buenos prompts es sobre todo claridad de pensamiento: definir qué quieres, dar contexto y especificar el formato. Cualquier persona puede aprenderlo practicando.
¿Qué es un prompt de sistema?
Es una instrucción base que define cómo debe comportarse el modelo durante toda la conversación (su rol, tono y límites), por encima de cada mensaje concreto que escribes.
¿Few-shot y zero-shot son lo mismo?
No. En zero-shot pides la tarea sin ejemplos; en few-shot incluyes uno o varios ejemplos del resultado que esperas, lo que suele mejorar la calidad cuando la tarea es específica.
¿La ingeniería de prompts dejará de ser útil cuando mejoren los modelos?
Los modelos cambian y algunas técnicas envejecen, pero definir el objetivo, aportar contexto, especificar restricciones y evaluar el resultado sigue siendo útil. La instrucción debe adaptarse al modelo y comprobarse con casos reales.
¿Dónde aprender prompt engineering en español?
Esta guía reúne el método, ejemplos y enlaces a documentación oficial en español o accesible desde Latinoamérica. Puedes practicar con la biblioteca pública de prompts de AIClases y continuar con el curso de ingeniería de prompts.
Cómo lo cubre AIClases
AIClases ofrece una ruta práctica en español para convertir instrucciones sueltas en prompts que se pueden probar, comparar y reutilizar. Empieza con el curso de ingeniería de prompts o compara el curso individual y la matrícula al catálogo en la página de precios.
Comparar curso y matrícula¿Solo quieres los datos del producto? Mira los datos verificables de AIClases.
Última actualización: