Ingeniería de prompts para empresas: guía práctica

La ingeniería de prompts para empresas es la disciplina de escribir instrucciones claras y probadas para que un modelo de IA dé resultados que de verdad puedas usar en el trabajo. En la práctica se reduce a seis elementos: una tarea que empieza por un verbo, el contexto que necesita el modelo, el público, el formato de salida, reglas explícitas y, cuando ayude, un ejemplo. Si además te acostumbras a probar los prompts con casos reales y a guardar los buenos donde el equipo pueda reutilizarlos, tienes casi todo lo que importa.

Este es el artículo central de nuestra serie sobre prompting. Explica el método; los artículos enlazados profundizan en las plantillas de prompts, los prompts de sistema y el few-shot prompting.

Por qué los prompts importan más de lo que parece

Un modelo de lenguaje no sabe nada de tu empresa, tus clientes ni de lo que consideras una buena respuesta. Solo tiene lo que hay en el prompt y lo que aprendió en el entrenamiento. Cuando el prompt es vago, el modelo rellena los huecos con opciones plausibles y genéricas. Por eso la misma herramienta parece brillante a una compañera e inútil a otro: le dan instrucciones distintas.

La buena noticia es que el prompting profesional no va de frases secretas. Va de lo mismo que hace bueno un briefing para alguien nuevo: decir lo que quieres, dar el contexto, describir el resultado y mencionar las reglas.

Los seis bloques de un prompt profesional

Bloque	Pregunta que responde	Ejemplo
Tarea	¿Qué hay que hacer exactamente?	«Redacta una respuesta al correo del cliente de abajo».
Contexto	¿Qué necesita saber el modelo?	Datos del pedido, extracto de la política, mensajes anteriores
Público	¿Quién leerá el resultado?	«Un cliente nuevo, sin conocimientos técnicos»
Formato	¿Cómo debe ser el resultado?	«Correo con asunto, menos de 150 palabras»
Reglas	¿Qué debe o no debe pasar?	«No prometas reembolsos; usa solo los datos facilitados»
Ejemplo	¿Cómo es un buen resultado?	Una respuesta anterior que gustó al equipo

No necesitarás todos los bloques siempre. Una reescritura rápida requiere tarea y formato. Una respuesta a un cliente requiere los seis. Nuestro generador de prompts para IA gratuito recorre estos bloques como campos de formulario y monta el prompt por ti.

Tarea: empieza por un verbo

«Resume», «redacta», «clasifica», «extrae», «compara», «reescribe». Un verbo te obliga a decidir qué quieres. Después añade el propósito: «Resume este contrato para que un directivo decida si hace falta revisión jurídica» da un resumen muy distinto de «Resume este contrato».

Contexto: dale tus datos al modelo

La mayoría de resultados flojos se deben a que falta contexto. Pega el material de origen, la política aplicable o los datos. Ponlos en un bloque bien delimitado, por ejemplo entre comillas triples o bajo un título, para que el modelo distinga tus instrucciones de tu material.

Público: decide para quién es

La misma información escrita para un director financiero, una nueva incorporación o un cliente necesita otro vocabulario, otra profundidad y otro tono. Una frase sobre el lector cambia el resultado más que casi cualquier otra instrucción.

Formato: describe la forma de la respuesta

Viñetas o prosa, tabla o correo, número de elementos, longitud máxima, con títulos o sin ellos. Si la salida alimenta otro sistema, pide un formato estricto como JSON con campos con nombre.

Reglas: haz explícitas tus restricciones

Escribe lo que un compañero sabría sin que se lo dijeran: no inventar cifras, no cambiar los nombres, usar un tratamiento formal, señalar la información que falta en lugar de adivinar. Las reglas en positivo («usa solo los datos del contexto») suelen funcionar mejor que largas listas de prohibiciones.

Ejemplo: muestra, no solo digas

Cuando el tono o la estructura son difíciles de describir, un ejemplo suele ser más eficaz que los adjetivos. Mostrar al modelo uno o varios ejemplos se llama few-shot prompting; la guía de few-shot prompting explica cuándo ayuda y cómo evitar que el modelo copie demasiado el ejemplo.

Antes y después: tres ejemplos

Ejemplo 1: un resumen

Flojo: «Resume esta transcripción de la reunión».

Mejor:

Resume la transcripción de la reunión de abajo para los miembros del equipo que no
asistieron. Enumera: decisiones tomadas, preguntas abiertas y tareas con responsable
y fecha. Usa viñetas, máximo 200 palabras. Si no se menciona un responsable o una
fecha, escribe "no especificado" en lugar de adivinar.

"""
[transcripción]
"""

Ejemplo 2: una respuesta a un cliente

Flojo: «Responde a esta queja con educación».

Mejor: indica el rol (atención al cliente de una tienda de muebles), pega la queja y la política de devoluciones aplicable, describe al lector y pide un correo de menos de 150 palabras que reconozca el problema, explique el siguiente paso y no prometa nada fuera de la política.

Ejemplo 3: extracción de datos

Flojo: «Saca la información importante de estas facturas».

Mejor: nombra los campos exactos (nombre del proveedor, número de factura, fecha, base imponible, importe del IVA, moneda), pide un objeto JSON por factura y di al modelo que devuelva null en cualquier campo que no encuentre en lugar de estimarlo.

En cada caso, el prompt mejorado es más largo, pero elimina las conjeturas que producían malos resultados.

Técnicas que ayudan en la empresa

• Pide primero preguntas aclaratorias. En tareas complejas, añade: «Si falta información importante, hazme hasta tres preguntas antes de empezar».
• Divide las tareas grandes en pasos. En lugar de un prompt que investiga, estructura y redacta, usa prompts separados para el esquema, el borrador y la revisión. Cada paso es más fácil de comprobar.
• Pide una autocomprobación. «Antes de responder, revisa tu respuesta frente a las reglas anteriores». No garantiza que sea correcta, pero detecta algunos fallos evidentes.
• Pide que exprese la incertidumbre. «Si no estás seguro, dilo». Reduce las conjeturas que suenan seguras, clave en el problema que trata cómo reducir las alucinaciones de la IA.
• Separa instrucciones y contenido. Los delimitadores reducen el riesgo de que un texto dentro de un documento se trate como instrucción.
• Fija la longitud. Las salidas más cortas se revisan antes y cuestan menos con una API.

Probar un prompt antes de que el equipo dependa de él

Un prompt que funciona una vez aún no es un buen prompt. Antes de extenderlo:

1. Reúne casos de prueba. De diez a veinte ejemplos reales, incluidos difíciles e inusuales.
2. Define cómo es un buen resultado. Una checklist corta: datos correctos, formato adecuado, tono adecuado, nada inventado.
3. Ejecuta todos los casos. Anota cuáles fallan y por qué.
4. Cambia una sola cosa cada vez. Si lo reescribes todo de golpe, no sabrás qué ayudó.
5. Vuelve a probar tras los cambios. Arreglar un caso puede romper otro.
6. Vuelve a probar tras actualizaciones del modelo. Los proveedores actualizan sus modelos; el comportamiento puede cambiar.

Guarda los casos de prueba. Serán tu prueba de regresión cada vez que actualices el prompt o cambies de modelo.

Prompts en herramientas de chat y en aplicaciones

En una herramienta de chat, una persona escribe el prompt y puede corregir al modelo en mensajes posteriores. En una aplicación o automatización, el prompt es fijo y se ejecuta sin que nadie mire. Este segundo caso exige más cuidado:

• Las instrucciones fijas suelen ir en un prompt de sistema, que define rol, reglas y formato en cada solicitud. Consulta cómo escribir un prompt de sistema.
• El formato debe ser lo bastante preciso para que el siguiente paso del flujo pueda procesarlo.
• Los casos límite deben resolverse en el prompt, porque no hay nadie para reformular.
• Cada token del prompt se paga en cada solicitud, así que los prompts largos tienen un coste recurrente. El artículo sobre los precios de las API de LLM explica cómo se acumula.

Crear una biblioteca de prompts para el equipo

Cuando varias personas usan IA para tareas parecidas, una biblioteca compartida se amortiza rápido. Mantenla sencilla:

Campo	Propósito
Nombre y caso de uso	Para que se pueda encontrar
Texto del prompt	Con marcadores como [correo del cliente]
Responsable	Quién lo mantiene
Versión y fecha	Para que los cambios sean trazables
Probado con	Modelo o herramienta y casos de prueba usados
Limitaciones conocidas	Dónde no funciona bien

Empieza por las cinco a diez tareas más frecuentes. Nuestra colección de plantillas de prompts para empresas te da un conjunto inicial para adaptar.

Errores habituales

• Escribir prompts como búsquedas. Dos o tres palabras clave dan respuestas genéricas.
• Omitir el material de origen. El modelo responde entonces con conocimiento general, que puede no valer para tu caso.
• Demasiadas reglas contradictorias. Las listas largas de «siempre» y «nunca» llevan a compromisos imprevisibles. Mantén las reglas cortas y priorizadas.
• Fiarse de un texto fluido. Una respuesta bien escrita no es necesariamente correcta. La revisión sigue siendo necesaria.
• Pegar datos confidenciales en herramientas no aprobadas. Sigue la política de IA de tu empresa sobre qué datos pueden usarse y dónde.
• No revisar nunca los prompts. Las necesidades del negocio y los modelos cambian; los prompts deben mantenerse como cualquier otro documento de proceso.

Próximos pasos

Prueba el método con tu propia tarea en el generador de prompts para IA. Para puntos de partida listos para usar, consulta las plantillas de prompts para empresas. Si estás construyendo un asistente o una automatización, continúa con cómo escribir un prompt de sistema.