Libros Sistemas

Anatomía de un prompt

"Si le pedís 'algo bonito' al carpintero, no te quejés cuando el mueble no quepa en tu cuarto."

Qué vas a aprender en este capítulo

Vas a aprender la lección más importante de todo el libro: el prompt es la interfaz. El mismo modelo, con el mismo conocimiento, puede darte una respuesta inútil o una respuesta excelente — y lo que cambió fue tu texto, no la IA. Al terminar este capítulo vas a poder:

1.1 Mismo modelo, resultados radicalmente distintos

💡 Intuición

Pensá en la cocinera de un comedor en el centro de San Miguel. Es la misma cocinera, con la misma experiencia y los mismos ingredientes, atendiendo a dos clientes:

  • Cliente A: "Deme algo de comer."
  • Cliente B: "Deme un plato fuerte sin chile, con bastante arroz porque vengo de trabajar, y que me alcance con $3."

¿Quién va a quedar más satisfecho? El cliente B, casi seguro. No porque la cocinera trabaje mejor para él, sino porque le dio con qué trabajar: restricciones, contexto y un criterio de éxito ("que me alcance con $3").

Un modelo de lenguaje es igual. No te lee la mente: completa tu texto con la respuesta más probable dado lo que escribiste. Si tu pedido es vago, la respuesta más probable es una respuesta genérica — la que le serviría "en promedio" a cualquier persona del planeta que escribiera eso mismo. Vos no querés la respuesta promedio del planeta: querés la tuya.

📐 Fundamento

¿Por qué pasa esto, técnicamente? Un LLM (Large Language Model) genera texto prediciendo, token por token, la continuación más probable de lo que recibió. Tu prompt condiciona esa distribución de probabilidad: cada palabra que agregás recorta el espacio de respuestas posibles.

  • "Explicame la fotosíntesis" es compatible con miles de respuestas: para niños, para biólogos, en una línea, en diez páginas. El modelo elige una zona intermedia que no le queda bien a nadie.
  • "Explicame la fotosíntesis para un examen de biología de primer año de universidad, en unos 400 palabras, con las dos fases bien diferenciadas y una analogía al final" es compatible con un rango muchísimo más angosto — y ese rango es exactamente el que querés.

De ahí sale la regla de oro de este libro:

Especificidad le gana a ambigüedad. Todo lo que no especificás, el modelo lo decide por vos — y lo decide para el usuario promedio, no para vos.

Ojo: especificidad no significa escribir mucho. Significa eliminar decisiones que no querés delegar. Un prompt de tres líneas bien apuntadas vale más que uno de veinte líneas de relleno. La pregunta correcta no es "¿escribí suficiente?" sino "¿qué decisiones le estoy dejando al azar?".

Veamos la diferencia en acción. Tarea: pedir ayuda con un trabajo de la universidad.

Prompt débil:

hazme un ensayo sobre la migración

Prompt mejorado:

Escribí un ensayo argumentativo de unas 800 palabras sobre el impacto de las
remesas en la economía de El Salvador.

Contexto: es para la materia Realidad Nacional, primer año de universidad.
El profesor pide tesis clara en la introducción, 3 argumentos con datos, y
conclusión que retome la tesis.

Formato: introducción, 3 secciones con subtítulo, conclusión.
Tono: académico pero claro, sin palabras rebuscadas.
Restricción: si mencionás cifras, aclará que debo verificarlas en fuentes
oficiales (BCR, encuestas de hogares) antes de entregar.

¿Por qué el segundo funciona mejor? Porque decidió todo lo que importaba: tema acotado (remesas, no "la migración"), longitud, audiencia, estructura, tono, y hasta una protección contra cifras inventadas. El primero delegó todas esas decisiones, y el modelo las tomó "en promedio": un ensayo genérico sobre migración mundial, de longitud arbitraria, que el profesor huele a IA a un kilómetro.

⚠️ Trampa común

Culpar al modelo antes que al prompt. "Esta IA es mala, le pedí un resumen y me dio cualquier cosa." En la enorme mayoría de los casos, el problema es que el prompt no decía qué tipo de resumen, de qué largo, para qué audiencia ni para qué propósito. Antes de cambiar de modelo (o de pagar uno más caro), hacete esta pregunta: si le mandara este mismo texto a un compañero de clase, ¿sabría exactamente qué entregarme? Si la respuesta es no, el problema es tuyo, y es el más barato de arreglar.

1.2 Las siete piezas de un buen prompt

📐 Fundamento

Un prompt completo puede tener hasta siete piezas. No todas son obligatorias en todo prompt — pero conocerlas te da una lista de chequeo: cuando una respuesta sale mal, casi siempre falta una de estas.

  1. Instrucción clara. El verbo y el objeto: qué tiene que hacer el modelo. "Resumí", "compará", "traducí", "criticá", "generá". Una sola instrucción principal por prompt.
  2. Contexto. Lo que el modelo necesita saber sobre tu situación: quién sos, para qué lo necesitás, qué pasó antes. El modelo no sabe nada de vos que no le digás.
  3. Datos de entrada. El material sobre el que trabaja: el texto a resumir, el código a revisar, los apuntes a convertir en examen. Conviene delimitarlos claramente (lo vemos a fondo en el capítulo 2).
  4. Formato de salida. Cómo querés la respuesta: tabla, lista, JSON, párrafos, número de palabras, idioma.
  5. Rol / persona. Desde qué perspectiva debe responder: "actuá como un corrector de estilo", "sos una tutora de matemática paciente". El rol activa vocabulario, criterios y nivel de detalle coherentes con esa perspectiva.
  6. Restricciones. Lo que NO debe hacer o los límites dentro de los que debe moverse: "sin tecnicismos", "máximo 200 palabras", "solo usá la información del texto que te paso".
  7. Criterios de éxito. Cómo se ve una buena respuesta: "una persona sin conocimientos de derecho debería entenderlo", "cada afirmación debe citar la sección del documento de donde sale".

Las piezas 1 y 3 son casi siempre necesarias. Las demás se agregan cuando la tarea las pide: para "¿cuál es la capital de Honduras?" no necesitás rol ni criterios de éxito. Para "ayudame a preparar mi defensa de tesis", necesitás casi todas.

🛠️ En la práctica

Plantilla base con las siete piezas, lista para copiar. Es la primera entrada de tu biblioteca de prompts:

[ROL] Actuá como <perfil relevante para la tarea>.

[INSTRUCCIÓN] <Verbo + objeto: qué quiero exactamente.>

[CONTEXTO] <Quién soy, para qué lo necesito, qué nivel tengo,
qué pasó antes si es relevante.>

[DATOS] Trabajá sobre este material:
"""
<texto, código, apuntes, etc.>
"""

[FORMATO] Respondé con <estructura: tabla / lista / secciones / N palabras>.

[RESTRICCIONES]
- <Lo que no debe hacer o los límites.>
- Si no tenés información suficiente, decilo en vez de inventar.

[CRITERIO DE ÉXITO] Una buena respuesta es la que <cómo la voy a juzgar>.

Las etiquetas entre corchetes son para vos, no para el modelo — podés dejarlas (al modelo le ayudan a separar secciones) o escribir el prompt corrido. Lo importante es que las siete preguntas estén respondidas antes de apretar Enter.

Ejemplo con las piezas marcadas. Tarea real: preparar una exposición.

Prompt débil:

dame información sobre el cambio climático para una exposición

Prompt mejorado:

Actuá como un divulgador científico.                          ← rol

Armame el guion de una exposición oral de 10 minutos sobre    ← instrucción
cómo el cambio climático afecta la agricultura en
Centroamérica.

Contexto: soy estudiante de segundo año de agronomía; la       ← contexto
audiencia son mis compañeros de clase y el profesor.

Formato: esquema con 5 secciones, cada una con su idea         ← formato
central en una frase y 2-3 puntos de apoyo. Al final,
3 posibles preguntas del público con respuestas breves.

Restricciones: no inventés cifras exactas — donde haga falta   ← restricciones
un dato, poné [VERIFICAR: qué buscar y dónde].

Criterio de éxito: que pueda exponer leyendo solo el esquema,  ← criterio
sin memorizar párrafos.

Por qué funciona: cada pieza eliminó una decisión que el modelo habría tomado mal. El [VERIFICAR: ...] merece atención especial — convierte la debilidad del modelo (inventar cifras) en un paso de trabajo explícito para vos.

📜 Historia

El término prompt engineering se popularizó alrededor de 2021-2022, cuando los usuarios de GPT-3 descubrieron que pequeños cambios de redacción producían enormes cambios de calidad. Al principio muchos lo trataron como folclore — "decile que es un experto y responde mejor" — pero pronto aparecieron papers que midieron sistemáticamente el efecto de ejemplos en el prompt (few-shot, Brown et al. 2020) y del razonamiento paso a paso (chain-of-thought, Wei et al. 2022). Hoy las propias empresas de IA (Anthropic, OpenAI, Google) publican guías oficiales de prompting: pasó de truco de foro a disciplina documentada.

1.3 Mostrá, no solo digas

💡 Intuición

Cuando entrás a una sastrería del mercado y querés un pantalón "como el que tenía antes", ¿qué hace la diferencia? Llevar el pantalón viejo. El sastre puede medir, copiar el corte, ver el dobladillo. Mil palabras describiendo el pantalón no le sirven tanto como tenerlo enfrente.

Con la IA es idéntico: describir el resultado que querés está bien; mostrar un ejemplo del resultado que querés es mucho mejor. A esto se le llama dar ejemplos en el prompt, y es la base de la técnica few-shot que vas a dominar en el capítulo 2.

Compará estas dos formas de pedir lo mismo:

Solo decir:

Resumime estas noticias en un estilo breve y informal con emoji al inicio.

Decir y mostrar:

Resumime cada noticia en una línea, con este estilo exacto:

Ejemplo:
Noticia: "El Ministerio de Educación anunció la entrega de 50,000
computadoras a estudiantes de bachillerato en el oriente del país..."
Resumen: 💻 MINED entrega 50 mil compus a bachilleres de oriente.

Ahora resumí estas:
1. <noticia 1>
2. <noticia 2>

Con la primera versión, "breve e informal" puede significar veinte cosas. Con la segunda, el modelo ve la longitud exacta, el tono exacto, el uso de abreviaturas ("compus", "MINED") y dónde va el emoji. Un ejemplo bien elegido reemplaza tres párrafos de descripción.

📐 Fundamento

¿Por qué mostrar funciona mejor que describir? Porque los LLM son, ante todo, máquinas de continuar patrones. Fueron entrenados para completar texto de manera consistente con lo anterior. Cuando le das un ejemplo de entrada→salida, no le estás "explicando" la tarea: le estás dando un patrón que su mecanismo central está optimizado para continuar. La descripción verbal ("informal", "breve", "profesional") pasa por la interpretación que el modelo tenga de esas palabras — y su interpretación promedio puede no ser la tuya. El ejemplo no se interpreta: se imita.

Regla práctica: si te cuesta describir el formato o el tono con palabras, no lo describás — mostralo. Y si podés hacer las dos cosas (descripción + ejemplo), mejor todavía: la descripción da la intención y el ejemplo da la forma.

1.4 Errores de novato

Dos errores explican la mayoría de las decepciones con IA. Los dos tienen arreglo inmediato.

Error 1: prompt de una línea para una tarea compleja

hazme el plan de negocios para mi emprendimiento

Un plan de negocios depende de: qué vendés, a quién, con qué capital, en qué mercado, con qué competencia, para presentárselo a quién. Ninguna de esas decisiones está en el prompt, así que el modelo va a generar el plan de negocios promedio de internet: genérico, gringo, inútil.

La señal de alarma es la desproporción: si la tarea te tomaría días, no la pidás en diez palabras. Una buena heurística es que el esfuerzo del prompt crezca con lo que está en juego: para una pregunta rápida, una línea está bien; para un entregable importante, el prompt merece varios minutos de redacción.

Error 2: pedir todo a la vez

Revisame este ensayo: corregí la ortografía, mejorá el estilo, verificá que
los argumentos sean sólidos, agregale citas, resumilo en un abstract,
traducí el abstract al inglés y sugerime un mejor título.

Son siete tareas distintas, algunas en conflicto (¿corrige el estilo antes o después de evaluar argumentos?). El modelo va a hacer todas — pero superficialmente, mezclando resultados y sin profundidad en ninguna.

La solución es secuenciar: una tarea por mensaje, usando la respuesta de cada paso como insumo del siguiente. Primero "evaluá la solidez de los argumentos", después "con los argumentos ya corregidos, mejorá el estilo", y así. Esto se llama descomposición de tareas y la técnica completa (incluyendo cuándo encadenar prompts en conversaciones separadas) la vemos en los capítulos 2 y 4.

⚠️ Trampa común

Confundir conversación larga con prompt bueno. Hay quien arregla un mal prompt a punta de quince mensajes de corrección: "no, más corto", "no, más formal", "no, sin esa parte". Funciona, pero es lento, y lo peor: mañana tenés que repetir los quince mensajes. Cada vez que una corrección tuya mejora la respuesta, esa corrección era información que podía ir en el prompt inicial. El hábito que distingue a quien hace prompt engineering de quien solo chatea: cuando termines una conversación que costó, volvé al primer mensaje y reescribilo incorporando todo lo que tuviste que corregir. Ese prompt reescrito es el que se guarda en tu biblioteca.

1.5 Tu biblioteca de prompts: primera entrada

🛠️ En la práctica — Proyecto del capítulo

Arranca el proyecto-hilo del libro. Creá un documento (Google Docs, Notion, un archivo de texto, lo que uses) llamado "Mi biblioteca de prompts". Cada entrada de la biblioteca tiene esta ficha:

## <Nombre de la plantilla>
- Para qué sirve: <una línea>
- Última actualización: <fecha>
- Versión: 1
- Estado: borrador | probada | confiable

### Plantilla
<el prompt, con <variables> marcadas entre ángulos>

### Notas de uso
<qué aprendiste al usarla: qué funciona, qué falla, qué ajustaste>

Tu tarea de este capítulo: agregá 2 entradas.

  1. La plantilla base de las siete piezas de la sección 1.2.
  2. Una plantilla para la tarea que más le pedís a la IA (resumir lecturas, redactar correos, explicar temas — la que sea). Escribila con las siete piezas, probala con un caso real, y anotá en "Notas de uso" qué tuviste que corregir.

Los campos "Versión" y "Estado" parecen burocracia ahora; en el capítulo 5 vas a ver que son los que convierten una colección de trucos en una herramienta confiable.

Resumen visual

Pieza Pregunta que responde ¿Siempre necesaria? Ejemplo
Instrucción ¿Qué hago? Sí "Resumí en 5 viñetas"
Contexto ¿Para quién y para qué? Casi siempre "Soy estudiante de primer año..."
Datos ¿Sobre qué material? Si la tarea usa material El texto entre """
Formato ¿Cómo entrego? Si te importa la forma "Tabla de 3 columnas"
Rol ¿Desde qué perspectiva? Tareas con criterio experto "Actuá como correctora de estilo"
Restricciones ¿Qué NO hago? Tareas con riesgo de desvío "Sin inventar cifras"
Criterio de éxito ¿Cómo se ve 'bien hecho'? Tareas importantes "Que se entienda sin saber derecho" 
   Prompt vago                        Prompt específico
   ───────────                        ─────────────────
   "hazme un ensayo"          →       instrucción + contexto + datos
                                      + formato + rol + restricciones
                                      + criterio de éxito
        │                                      │
        ▼                                      ▼
   respuesta promedio                 respuesta hecha a tu medida
   (para nadie en particular)         (decidiste vos, no el azar)

Ejercicios

✏️ Ejercicio 1 — Autopsia de un prompt

Tomá este prompt y listá qué piezas de las siete tiene y cuáles le faltan:

Sos nutricionista. Hazme un menú semanal saludable.
✅ Solución

Tiene: rol (nutricionista) e instrucción (menú semanal saludable, aunque "saludable" es vago).

Faltan: contexto (¿edad, presupuesto, objetivo: bajar peso, rendir en el gym?), datos (¿qué alimentos conseguís y cuáles no comés?), formato (¿tabla por día? ¿con porciones?), restricciones (presupuesto — en El Salvador no es lo mismo un menú de $20 que de $60 semanales; alergias), criterio de éxito (¿que sea fácil de cocinar? ¿que use mercado local?).

Versión mejorada posible: "Sos nutricionista. Armame un menú semanal económico (máximo $25) para un estudiante que cocina una vez al día, con ingredientes comunes en mercados de El Salvador (frijoles, arroz, huevo, plátano, pollo, verduras de temporada). Formato: tabla con día, plato y preparación en una línea. Criterio: que ninguna receta tome más de 30 minutos."

✏️ Ejercicio 2 — De vago a específico

Reescribí este prompt aplicando las siete piezas (inventá el contexto que falte, pero que sea realista):

ayudame con mi cv
✅ Solución (una de muchas válidas) 
Actuá como reclutadora de recursos humanos con experiencia en el
sector tecnológico centroamericano.

Revisá mi CV y proponé mejoras concretas, sección por sección.

Contexto: tengo 22 años, estoy por graduarme de Ingeniería en
Sistemas, busco mi primera pasantía en desarrollo de software.
Solo tengo proyectos de la universidad, no experiencia laboral.

Mi CV actual:
"""
<texto del CV>
"""

Formato: para cada sección del CV, mostrá (a) el problema,
(b) la versión reescrita, (c) por qué es mejor.

Restricciones: no inventés experiencia que no tengo; ayudame a
presentar mejor lo que sí tengo. Español, una página.

Criterio de éxito: que un reclutador que dedica 30 segundos por CV
entienda qué sé hacer y quiera seguir leyendo.

Lo clave: el contexto ("primera pasantía, sin experiencia") cambia por completo qué consejos sirven, y la restricción "no inventés experiencia" previene el modo de fallo más peligroso de esta tarea.

✏️ Ejercicio 3 — Mostrá, no solo digas

Querés que la IA convierta apuntes desordenados en fichas de estudio con un estilo muy particular que te funciona. Escribí el prompt usando un ejemplo en vez de (o además de) la descripción.

✅ Solución (estructura esperada) 
Convertí mis apuntes en fichas de estudio. Seguí exactamente este formato:

Ejemplo:
Apunte: "la mitocondria produce ATP mediante respiración celular,
tiene su propio ADN, teoría endosimbiótica dice que era una bacteria"
Ficha:
  ❓ ¿Qué hace y qué tiene de raro la mitocondria?
  ✅ Produce la energía (ATP) de la célula. Rareza: tiene SU PROPIO
     ADN → evidencia de que fue una bacteria independiente
     (teoría endosimbiótica).
  🔑 mitocondria = central de energía con pasado de bacteria

Ahora convertí estos apuntes:
"""
<apuntes>
"""

El ejemplo comunica sin describir: pregunta-respuesta-frase clave, uso de mayúsculas para énfasis, la flecha para implicaciones, la analogía final. Describir todo eso con palabras tomaría más espacio y saldría peor.

✏️ Ejercicio 4 — El experimento de los dos prompts

Elegí una tarea real tuya de esta semana. Escribí dos prompts: uno de una línea (como lo habrías escrito antes de este capítulo) y uno con las siete piezas. Mandá los dos al mismo chatbot en conversaciones separadas y compará. Anotá: ¿qué decisiones tomó el modelo por vos en la versión corta? ¿Cuáles acertó y cuáles no?

✅ Solución

No hay una solución única — es un experimento. Lo que deberías observar: la versión corta produce una respuesta más genérica, de longitud arbitraria, con suposiciones sobre tu nivel y tu propósito que probablemente no aplican. La versión completa produce algo más cercano a usable de inmediato.

Importante el detalle de conversaciones separadas: si mandás los dos prompts en la misma conversación, el segundo se beneficia del contexto del primero y la comparación queda contaminada. Esta disciplina de comparación limpia es la semilla del capítulo 5.

Para profundizar

Definiciones nuevas: prompt, prompt engineering, especificidad, instrucción, contexto, datos de entrada, formato de salida, rol/persona, restricciones, criterios de éxito, "mostrá, no solo digas", descomposición de tareas, biblioteca de prompts.

← Anterior Prompt Engineering: el arte de pedirle bien a la IA Siguiente → Técnicas fundamentales
Reportar error en este capítulo · Patrocinar este libro