¿Qué es el prompt engineering? Guía práctica (no técnica)
Qué es el prompt engineering: cómo pedir bien a ChatGPT, Claude o Gemini para mejores resultados. 3 frameworks que puedes usar hoy sin saber programar.
El prompt engineering es el arte de formular instrucciones claras para que un modelo de lenguaje (ChatGPT, Claude, Gemini…) devuelva exactamente lo que necesitas. No es la herramienta la que falla en la mayoría de los casos: es cómo le hablas. Saber pedir bien suele ser la diferencia entre «la IA no sirve» y «me ahorra dos horas al día».
¿Sigues pidiéndole cosas a la IA y no te da lo que quieres? No cambies de modelo todavía. Cambia el mensaje.
Navegación rápida
Salta directamente a lo que buscas:
Qué es prompt engineering | Por qué falla la mayoría | Carrusel resumen | 3 frameworks | Prompt vs contexto vs harness | Errores comunes | FAQ
Qué es prompt engineering
Prompt engineering (ingeniería de prompts) es diseñar y refinar las instrucciones que envías a un LLM para obtener respuestas útiles, repetibles y alineadas con tu objetivo.
Un prompt es cualquier texto que le das al modelo: una pregunta, un brief, un rol («actúa como…»), ejemplos de entrada/salida o restricciones («máximo 150 palabras», «en JSON», «sin inventar datos»). Prompt engineering es iterar ese texto hasta que el resultado sea predecible.
No hace falta saber programar. Si alguna vez has reescrito un mensaje en ChatGPT hasta que la respuesta encajó, ya has hecho prompt engineering en versión básica. La versión «pro» es hacerlo con método en lugar de a ciegas.
Según encuestas del ecosistema (p. ej. reportes de adopción empresarial de 2024–2025), una gran parte de los usuarios que abandonan herramientas de IA lo hacen tras pocas pruebas frustrantes — no porque el modelo sea inútil, sino porque el primer prompt era vago, contradictorio o sin contexto. La buena noticia: eso se corrige en minutos.
Por qué falla la mayoría
El patrón que veo una y otra vez en equipos y en LinkedIn:
- Piden demasiado en un solo mensaje. «Hazme la estrategia, el copy, el calendario y el presupuesto» en una línea.
- No dicen para quién ni para qué. Sin audiencia, tono ni criterio de éxito, el modelo rellena con lo genérico.
- No dan ejemplos. Sin few-shot, cada respuesta es una lotería.
- No iteran. Un mal resultado = «no sirve». Un buen resultado casi siempre es la versión 3 o 4 del prompt.
- Confunden prompt con sistema completo. En tareas serias hace falta contexto, herramientas y verificación — ahí entra el harness engineering, no solo el texto del turno.
La IA no lee la mente. Lee tokens. Si tu mensaje es ambiguo, la salida también lo será.
Carrusel resumen
Desliza o usa las flechas para repasar las tres diapositivas del PDF original. La idea central: saber pedir bien = mejores resultados.
También puedes descargar el PDF completo para guardarlo o compartirlo.
3 frameworks que puedes usar hoy
No necesitas jerga técnica. Estos tres marcos cubren el 80 % de los casos en trabajo, marketing y operaciones.
1. ROL → TAREA → FORMATO (RTF)
Estructura mínima que casi nunca falla:
| Bloque | Qué escribes | Ejemplo |
|---|---|---|
| Rol | Quién debe «ser» el modelo | «Eres redactor B2B con 10 años en SaaS» |
| Tarea | Qué debe hacer, concreto | «Escribe 5 asuntos de email para reactivar trials inactivos» |
| Formato | Cómo quieres la salida | «Lista numerada, máx. 45 caracteres por asunto, tono directo sin hype» |
Prompt de ejemplo:
Eres redactor B2B especializado en SaaS. Escribe 5 asuntos de email para reactivar usuarios en trial que no han entrado en 7 días. Devuelve una lista numerada; cada asunto máximo 45 caracteres; tono profesional y directo, sin emojis.
2. CONTEXTO → OBJETIVO → RESTRICCIONES (COR)
Útil cuando el modelo necesita datos antes de opinar:
| Bloque | Qué incluir |
|---|---|
| Contexto | Situación, datos, fragmentos de documento |
| Objetivo | El entregable exacto |
| Restricciones | Lo que NO debe hacer |
Prompt de ejemplo:
Contexto: vendemos agentes de voz para clínicas dentales en España; ticket medio 400 €/mes; competencia ofrece solo chatbot web. Objetivo: párrafo de propuesta de valor para la home (máx. 80 palabras). Restricciones: no mencionar precios, no prometer «100 % automatizado», no usar la palabra «revolucionario».
3. EJEMPLO → INSTRUCCIÓN → CRITERIO (EIC)
El más potente para calidad consistente (few-shot):
- Pegas un ejemplo de entrada y salida que te guste.
- Das la instrucción para un caso nuevo.
- Defines el criterio con el que juzgarás si está bien.
Prompt de ejemplo:
Ejemplo de tono que quiero:
Entrada: «Retraso en el envío» → Salida: «Lamentamos el retraso. Tu pedido sale mañana; te enviamos el tracking en cuanto esté activo.»
Ahora redacta la respuesta para: «Quiero cancelar mi suscripción». Criterio: empático, sin culpar al usuario, ofrecer una salida clara en 2 frases.
Cuándo usar cada uno
| Situación | Framework |
|---|---|
| Tarea creativa rápida (posts, ideas, titulares) | RTF |
| Análisis con datos o brief de cliente | COR |
| Marca con tono muy definido o plantillas repetibles | EIC |
Pruébalo hoy: coge un prompt que te haya decepcionado esta semana y reescríbelo con uno de estos marcos. Compara la versión 1 con la 4.
Prompt, contexto y harness
Prompt engineering es la primera capa. No es la única. Cuando escalas a agentes de IA o flujos de producción, conviene separar tres niveles:
| Nivel | Qué optimizas | Ejemplo | Límite |
|---|---|---|---|
| Prompt engineering | Instrucciones del turno o system prompt | «Responde en JSON», few-shot, RTF | El modelo puede ignorarlo |
| Context engineering | Qué información entra y en qué orden | Spec de tarea, documentos, mapa de proyecto | Mejora comprensión, no garantiza proceso |
| Harness engineering | Sistema alrededor del LLM | Hooks, MCP, verificación, bucles | Más setup; comportamiento repetible |
Para un email o un resumen, basta con buen prompt. Para un agente que edita código, atiende llamadas o ejecuta APIs, necesitas las tres capas. Profundizo en el arnés en qué es harness engineering.
Errores comunes
| Error | Por qué duele | Arreglo rápido |
|---|---|---|
| Prompt de una línea para tarea compleja | Salida superficial o inventada | Divide en pasos o usa COR |
| «Sé creativo» sin límites | Resultados inconsistentes | Añade formato y restricciones |
| No decir el nivel de detalle | Demasiado largo o demasiado corto | «3 viñetas de 20 palabras» |
| Pedir datos que el modelo no tiene | Alucinaciones | Pega el contexto o usa RAG/tools |
| Mismo prompt para modelos distintos | Claude, GPT y Gemini responden distinto | Ajusta tono y longitud por modelo |
| Abandonar tras el primer intento | Pierdes el 90 % del valor | Itera con «más corto», «más formal», «añade X» |
Un truco que uso en equipo: guardar los prompts que funcionan en un doc compartido (o en reglas de proyecto tipo CLAUDE.md). Eso convierte intuición en activo reutilizable.
Preguntas frecuentes
¿Qué es el prompt engineering en palabras simples?
Es escribir mejores instrucciones para que ChatGPT, Claude, Gemini u otro LLM te devuelva lo que necesitas. Incluye rol, contexto, formato, ejemplos y iteración.
¿Hace falta saber programar para hacer prompt engineering?
No. Los frameworks RTF, COR y EIC funcionan en cualquier chat. La programación ayuda cuando automatizas prompts en APIs o agentes, pero no es requisito para empezar.
¿Prompt engineering es lo mismo que ingeniería de IA?
No. La ingeniería de IA abarca modelos, datos, despliegue y MLOps. Prompt engineering es una disciplina más acotada: optimizar el texto (y a veces la estructura) de las instrucciones al modelo.
¿Cuál es la diferencia entre prompt engineering y fine-tuning?
El prompt cambia lo que le dices en cada conversación, sin tocar el modelo. El fine-tuning reentrena pesos con tus datos. El prompt es barato y reversible; el fine-tuning es caro y para casos muy específicos a escala.
¿Por qué mi prompt funciona en ChatGPT y no en Claude?
Cada modelo tiene estilo, longitud óptima y sensibilidad distintos. Un prompt ganador en un chat suele necesitar ajuste de tono, extensión y ejemplos en otro. Prueba el mismo marco (RTF/COR/EIC), no el mismo texto literal.
¿Cuándo dejo de mejorar el prompt y paso a harness engineering?
Cuando necesitas que algo ocurra siempre — validar antes de enviar, llamar a una API, no saltarse un checklist — y el prompt solo no basta. Señal típica: el modelo «entiende» pero no sigue el proceso en el 30 % de los casos.
Lecturas relacionadas
- Qué es harness engineering
- ¿Qué son los agentes de IA?
- Crea carruseles de LinkedIn con Gemini y Claude
- Guía de hooks de Claude Code
Última actualización: junio de 2026.
Artículos relacionados
Cómo crear SVG con Claude y Gemini MCP
Genera SVG estructurado y ligero en Claude con la herramienta generate_svg de @converly/gemini-mcp: componentes animados, visualización de datos, iconos y diagramas técnicos.
Cómo crear imágenes con Claude y Gemini MCP
Genera imágenes, vídeo y SVG en Claude Desktop con @converly/gemini-mcp y una clave de Google AI Studio: guía práctica con ejemplos y trucos reales.
Crea carruseles de LinkedIn con Gemini y Claude
Crea carruseles para LinkedIn con Gemini y Claude: un SVG por diapositiva, conversión a PDF con Puppeteer y unión con Python, todo desde el terminal en unos diez minutos.