Un prompt es un texto o instrucción que se utiliza para que una herramienta basada en un LLMs proporcione una respuesta. El prompt puede incluir desde una pregunta sencilla hasta indicaciones complejas con contexto adicional, ejemplos y formato esperado. Lógicamente, la calidad de las frases o preguntas es un factor de gran importancia para lograr una conversación exitosa con la herramienta. En esencia, un buen prompt aprovecha mejor las capacidades del modelo, mientras que uno deficiente las desaprovecha.
Técnicamente, un prompt es el input (entrada de texto) que se le da a un modelo de lenguaje para indicarle qué tarea realizar. Formalmente, podría consistir en una pregunta, una instrucción, un conjunto de datos o una combinación de estos elementos. Por ejemplo, si se indica a un modelo “Resume el siguiente párrafo en una frase”, todo ese enunciado funciona como prompt indicando al modelo que genere un resumen.
La diferencia de resultados entre un prompt genérico y otro específico puede ser sorprendente. En contextos de investigación científica, donde la precisión es clave, invertir esfuerzo en redactar un buen prompt puede determinar si la respuesta de la IA es aprovechable. En resumen, un prompt bien redactado maximiza la utilidad de la IA, obteniendo respuestas más precisas, completas y alineadas con lo que se precisa.
A la hora de elaborar prompts de calidad, existen principios que sirven de guía. Entre los más importantes están el contexto, la claridad, la especificidad, y el lenguaje objetivo. Estos criterios ayudan a estructurar la petición de forma que el modelo entienda exactamente qué se espera.
Proporcionar contexto en el prompt es ofrecer al modelo la información de fondo o la situación en la que debe basarse para generar su respuesta. El contexto puede incluir datos previos, la motivación de la pregunta o incluso asumir un rol. Por ejemplo: “Eres un doctorando en Química. Basándote en los datos experimentales [X], explica qué hipótesis podrían derivarse”. El escenario y el rol proporcionado al modelo antes de la pregunta, le ayuda a formular una respuesta más pertinente. Un prompt contextualizado reduce la ambigüedad y aumenta la coherencia de la respuesta con la situación deseada.
La claridad implica que el prompt esté formulado en un lenguaje sencillo y directo, sin frases enrevesadas ni términos confusos. Hay que evitar modismos locales, jerga excesiva o formulaciones que puedan interpretarse de más de una manera. Un prompt claro establece sin rodeos la tarea: por ejemplo, en lugar de decir “Me pregunto si podrías proporcionarme alguna información sobre bases de datos científicas especializadas en Psicología”, una versión clara sería “Elabora un listado de bases de datos científicas especializadas en Psicología indicando una característica principal de cada una”. La claridad también se refiere a no mezclar varias solicitudes en una sola frase y a usar una gramática y ortografía correctas.
Ser específico significa brindar detalles concretos sobre lo que se desea. Un prompt específico acota el tema y el formato de la respuesta esperada. Por ejemplo, si se necesita que la IA ayude a obtener datos sobre un fenómeno, no es lo mismo pedir “Háblame del cambio climático” que “Resume en 3 párrafos los efectos del cambio climático en los patrones de lluvia en España citando en APA al menos un artículo científico”. En el segundo prompt se indican claramente la extensión (3 párrafos), el enfoque geográfico (España), el aspecto a cubrir (patrones de lluvia) y hasta el estilo (incluir referencia en APA a un artículo científico). Estos detalles específicos guían al modelo para que su respuesta sea mucho más útil. La especificidad evita respuestas genéricas; al contrario, orienta a la IA hacia la información o formato exacto que se requiere.
El lenguaje objetivo se refiere a especificar en el prompt el idioma, estilo o tono en que se solicita la respuesta. Los LLM pueden generar texto en múltiples idiomas y registros, por ejemplo, la comunicación científica. Indicar el público objetivo en el prompt es importante: ¿es un resumen para expertos, para divulgación general, o para estudiantes? Asimismo, hay que precisar si la respuesta se necesita en un formato específico (por ejemplo, una lista numerada, una tabla, etc.). Este tipo de indicaciones asegura que el modelo adapte su salida al formato y tono que mejor se ajuste a nuestras necesidades.
El marco CLEAR propuesto por Lo, Leo S. (2023) en The Journal of Academic Librarianship ofrece una guía práctica para redactar prompts eficaces. CLEAR resume cinco principios: Concise, formular indicaciones breves y directas; Logical, estructurarlas con coherencia y orden; Explicit, definir claramente el formato y el alcance del resultado; Adaptive, refinar y ajustar el prompt según las respuestas obtenidas; y Reflective, evaluar continuamente para mejorar los resultados. En conjunto, el enfoque subraya la importancia de ser específicos, proporcionar ejemplos concretos o roles para contextualizar y aplicar instrucciones claras (“haz / no hagas”) adaptadas a las capacidades del modelo.
Existen diferentes tipos de prompts que pueden emplearse al interactuar con un LLM, dependiendo de la naturaleza de la pregunta y del tipo de respuesta esperada. A continuación, se describen varios tipos, incluyendo prompts abiertos o cerrados, secuenciales, multitarea e instructivos, entre otros.
Los prompts abiertos son aquellos que no restringen la respuesta a un formato o contenido específico, sino que dejan libertad al modelo para generar la respuesta. Suelen fomentar respuestas amplias y creativas porque no hay una única respuesta “correcta”. Por ejemplo: “Describe posibles aplicaciones futuras de la inteligencia artificial en la educación superior”. Esta pregunta abierta invita al modelo a explorar múltiples ideas. Los prompts abiertos son útiles para brainstorming, para obtener explicaciones extensas o puntos de vista variados. Por su parte, los prompts cerrados buscan respuestas concretas y específicas, a menudo delimitando opciones. Un prompt cerrado típicamente espera una respuesta breve o incluso una opción binaria (sí/no, verdadero/falso) o un dato puntual. Por ejemplo: “¿En qué año fue inventado el autogiro?” es un prompt cerrado que apunta a una respuesta específica (1923, en este caso). Este tipo de prompt es útil cuando se busca información puntual o una confirmación.
Los prompts secuenciales son una técnica que consiste en encadenar varias interacciones o estructurar una serie de pasos dentro de una misma solicitud con el fin de desglosar una tarea compleja. En lugar de pedir todo de una vez, se guía al modelo paso a paso. Esto se puede hacer de dos maneras: mediante múltiples turnos de conversación (hacer una pregunta inicial, luego basándonos en la respuesta, hacer la siguiente, y así sucesivamente) o dentro de un solo prompt dividiendo la instrucción en partes. Por ejemplo, se podría iniciar con “Dame una lista de los 10 factores más importantes que contribuyen al crecimiento económico.” Una vez obtenida la lista, seguir con “Ahora, elabora un párrafo explicando cómo cada factor influye en la economía”. Los prompts secuenciales proporcionan mayor control sobre cada etapa del proceso y son ideales para tareas largas o complejas que requieren estructura.
Un prompt multitarea es aquel que solicita varias acciones o tipos de respuesta en una misma interacción. Por ejemplo: “Resume el siguiente informe y elabora dos mensajes para difundirlo en la red social X, manteniendo un tono formal. Estos prompts multitarea pueden ahorrar tiempo al obtener una respuesta comprensiva de una sola vez. Sin embargo, también conllevan el riesgo de que el modelo responda solo parcialmente si alguna instrucción se “pierde” entre las demás. Para usarlos eficazmente, es importante estructurar muy bien el pedido, listando claramente cada sub-tarea o usando delimitadores para separarlas. Por ejemplo, especificar: “Tarea 1: ...; Tarea 2: ...”. Aun así, en ocasiones es preferible dividir en prompts secuenciales en vez de un único prompt multitarea.
Los prompts instructivos o prompts de instrucción son aquellos formulados como órdenes o indicaciones directas al modelo para realizar una tarea específica. En lugar de hacer una pregunta abierta, se indica al modelo qué debe hacer. Ejemplos de prompts instructivos son: “Genera un resumen ejecutivo para el siguiente informe”, “Traduce al español el texto proporcionado”, “Escribe un código en Python que calcule la media de una lista de números”. Este tipo de prompt suele comenzar con un verbo en modo imperativo que indica una acción a realizar. Los prompts instructivos son muy efectivos cuando se conoce con precisión la salida esperada (formato y contenido). También son útiles para establecer roles: por ejemplo, “Actúa como un experto en bibliometría y evalúa los indicios de calidad de este artículo”. En general, para la mayoría de las tareas concretas usar un estilo instructivo es recomendable porque reduce la ambigüedad.
Al redactar prompts conviene seguir buenas prácticas específicas de formato y técnica que ayudan a evitar malentendidos y a guiar a la IA de manera óptima. A continuación, se destacan algunas:
Delimitar claramente secciones o contexto dentro del prompt: Cuando se incluye contenido largo o varias partes en el prompt (por ejemplo, un bloque de texto que el modelo debe analizar, seguido de una pregunta), es importante separar estas partes de forma inequívoca. Una técnica común es usar delimitadores como triple comillas """ o backticks ````` para encerrar el texto proporcionado, o etiquetas como “Texto:” seguido del contenido y luego “Instrucción:” antes de la pregunta. Esto evita que el modelo se confunda sobre qué forma parte de la pregunta y qué es dato proporcionado. Por ejemplo:
Analiza el siguiente texto y luego responde a la pregunta indicada.
Texto: """
[Aquí iría un párrafo extraído de un artículo científico]
"""
Instrucción: ¿Cuál es la hipótesis principal del autor?
En este prompt, mediante el uso de """ se delimita claramente el texto a analizar. OpenAI recomienda separar la instrucción del contexto con símbolos especiales para mayor claridad´
Incluir ejemplos en el prompt (few-shot prompting): Proporcionar ejemplos concretos de lo que se busca puede mejorar significativamente la calidad de la respuesta. Esta técnica consiste en mostrar al modelo una pareja de entrada-salida de ejemplo antes de hacer nuestra solicitud real. Por ejemplo, si se considera útil que ChatGPT genere metáforas científicas, puede antecederse la solicitud con una indicación específica en ese sentido: “Ejemplo: ‘El ADN es como una biblioteca donde cada gen es un libro de instrucciones.’ Ahora crea una metáfora similar que explique el funcionamiento de una célula.”. Los ejemplos actúan como guía del estilo o formato deseado.
Contraejemplos y órdenes negativas: Así como los ejemplos positivos ayudan, a veces es útil aclarar la respuesta no deseada. Se pueden incluir contraejemplos u órdenes explícitas de exclusión. Por ejemplo: “No incluyas definiciones triviales, enfoca la respuesta en aspectos novedosos”. Un uso inteligente de contraejemplo es mostrar un formato o estilo incorrecto y señalar que se evite: “Pregunta: [...] Respuesta incorrecta: (un texto). Ahora, brinda una respuesta correcta y bien fundamentada”. Esto puede recalibrar al modelo si tiende a irse por un camino no deseado. En general, es más seguro indicar directamente prohibiciones o preferencias (por ejemplo: “no menciones valores de indicadores normalizados por debajo de 1”, que dar una respuesta errónea completa. Las órdenes negativas funcionan como límites que el modelo normalmente respetará.
Iteración y refinamiento: Por último, una buena práctica es estar dispuesto a iterar el prompt. Si la primera respuesta no es satisfactoria, conviene refinar la solicitud y volver a intentarlo. Esto no siempre implica empezar de cero; a veces se puede aprovechar la misma conversación. Por ejemplo, usando indicaciones de seguimiento: “Por favor, profundiza más en tal aspecto” o “Reformula la respuesta anterior en un tono más académico”. O bien, editar el prompt original para añadir esa aclaración que faltó. La interacción con un LLM es un proceso dinámico de diálogo.
Siguiendo estas buenas prácticas, se incrementan las probabilidades de obtener de la IA respuestas precisas, útiles y formateadas a nuestra medida, reduciendo a la vez malinterpretaciones. Esto es especialmente importante cuando se aplica ChatGPT u otros LLM a tareas de investigación.
A continuación, se presenta un ejemplo de prompt:
[Rol]
Actúa como un experto en estilos de citación académica, con profundo dominio de normas como APA, MLA, Chicago, Vancouver e IEEE.
[Contexto]
Estás asistiendo a estudiantes, investigadores o profesionales que necesitan presentar sus referencias bibliográficas de forma impecable en trabajos académicos.
[Tarea]
Tu responsabilidad es revisar y formatear correctamente listas de referencias bibliográficas en el estilo que se te indique. Debes aplicar con precisión las normas del estilo solicitado, incluyendo:
[Ejemplo de entrada]
Formatea en estilo APA (7ª edición) las siguientes referencias que están sin formato:
[Formato esperado de salida]
Beck, A. T. (1983). Terapia cognitiva de la depresión. Paidós.
[Tono]
Utiliza un tono formal, claro y profesional. La salida debe estar lista para copiar y pegar en un trabajo académico.
Un buen prompt define Rol, Reglas, Tarea, Fuentes y Salida indica qué hacer si faltan datos ([falta X]) y especifica formato y alcance del entregable. Ajusta el tono al público (grado, máster, doctorado), pide fuentes concretas (DOI, normativas) y refina con 1–2 ejemplos hasta lograr una plantilla reutilizable.
Checklist
Rol: ¿“Actúa como…” define el perfil (experto/docente)?
Reglas: ¿Pide separar hechos vs. interpretaciones y señalar sesgos/limitaciones?
Tarea: ¿Verbo + entregable concreto (p. ej., protocolo, tabla, resumen 200–300 palabras)?
Fuentes: ¿Especifica cómo citarlas y soliicita verificación (DOI, UIRL o identificador) ?
Salida: ¿Define formato exacto (H2/H3, lista, tabla con columnas), idioma y estilo?