Errores comunes al escribir prompts y cómo corregirlos
La mayoría de las malas respuestas de IA se deben a un puñado de errores de prompt evitables. Aquí están, cada uno con una solución rápida y concreta.
La mayoría de las salidas malas de una IA no son el modelo siendo tonto. Son un prompt que dio por hecho, en silencio, que el modelo podía leerte la mente, adivinar tu formato e inferir el contexto que llevas en la cabeza. La buena noticia es que los errores de prompting son aburridamente repetitivos. Una vez que sabes nombrarlos, los detectas en tus propios borradores antes de darle a enviar. Aquí están los diez que más hacen tropezar a la gente, cada uno con un arreglo que puedes aplicar en los próximos cinco segundos y, cuando ayuda, una reescritura de flojo a corregido.
El modelo solo sabe lo que pones en la página
Tres de los errores más comunes comparten una única raíz: llevas información que el modelo nunca recibió.
El primero es escribir una petición tan abierta que podría responderse de cien maneras. «Resume esto»: ¿cuánto, para quién, conservando qué detalles? Tú ya sabes la respuesta, así que el hueco te parece invisible.
El segundo es saltarte el rol o el contexto por completo. Un modelo sin marco tira por defecto a una voz sosa, promedio de internet. Dale un trabajo y una audiencia y el registro se enfoca de golpe.
El tercero es el traicionero: suponer que el modelo conoce tu contexto privado. El nombre de tu producto, tu cliente, la decisión de la semana pasada, el tono que odia tu jefe: nada de eso existe para el modelo salvo que lo escribas. Con gusto se inventará un sustituto plausible en su lugar.
La versión corregida no es más larga porque sí. Cada cláusula añadida cierra un hueco que el modelo rellenaría adivinando. Cuando las respuestas vuelven genéricas, el prompt suele ser genérico también, y el arreglo es entregar los detalles que te estabas guardando. Si quieres un segundo par de ojos sobre cuánto contexto estás aportando de verdad, pasa un borrador por el analizador de prompts antes de culpar al modelo.
- Nombra la audiencia y el objetivo en la misma frase.
- Pega los datos que el modelo no puede conocer: nombres, cifras, decisiones previas.
- Dale un rol solo cuando el rol cambie la respuesta (un abogado, un profesor, un escéptico).
Dile qué aspecto tiene «hecho»
Puedes describir una tarea a la perfección y aun así recibir algo inservible porque nunca dijiste qué forma debía tomar la respuesta. ¿Quieres una tabla, tres viñetas, un objeto JSON, un único párrafo? El modelo elige por ti, y rara vez elige lo que tenías en mente.
Muy relacionado está apoyarse en palabras vagas de calidad. «Hazlo profesional». «Escribe algo bueno». «Que sea ameno». Parecen instrucciones pero apenas llevan señal, porque «profesional» para ti puede significar escueto y para el modelo puede significar atiborrado de relleno corporativo. Sustituye el adjetivo por un rasgo observable.
Y cuando el formato que quieres es poco común, descríbelo y luego muestra un ejemplo. Las reglas por sí solas dejan demasiado margen; una única muestra colapsa la ambigüedad al instante. Este es el caso cotidiano del prompting few-shot frente a zero-shot: no necesitas diez ejemplos, uno bien elegido suele bastar.
Un prompt, un trabajo
Hay una fuerte tentación de escribir un megaprompt: investiga el tema, esquematízalo, escríbelo, verifícalo y dale formato de newsletter. El modelo intenta hacer las cinco cosas a la vez y hace cada una a quizá el setenta por ciento, luego suelta una entera porque se le agotó la atención. La calidad del razonamiento cae a medida que amontonas trabajos en una única petición.
Reparte el trabajo. Consigue el esquema, míralo, luego pide el borrador a partir de ese esquema. Guardas un punto de control entre cada etapa donde puedes corregir el rumbo, y cada paso recibe toda la atención del modelo. La vuelta extra te cuesta unos segundos y te ahorra reescribir un bloque enredado de salida que falló la mitad de tu intención.
- ¿Un entregable de varias partes? Una etapa por mensaje.
- Mantén la salida de cada paso como entrada del siguiente.
- Si un prompt tiene más de un «y luego», probablemente son dos prompts.
Dale espacio para sonar humano
El fallo opuesto es pasarse de corrección. Te han quemado los prompts vagos, así que ahora escribes un muro de restricciones: exactamente 100 palabras, exactamente cuatro frases, debe incluir estas seis expresiones, sin comas, formal pero cercano, etcétera. El modelo obedece, y el resultado se lee como si lo hubiera montado alguien rellenando un formulario de Hacienda. Cada restricción que añades es un grado de libertad que quitas, y pasado cierto punto la escritura se vuelve rígida y sin vida.
Restringe las cosas que de verdad importan (longitud, formato, un dato que debe aparecer) y deja el resto abierto para que el modelo pueda escribir de verdad. Si no estás seguro de cuáles de tus reglas cargan el peso, un optimizador de prompts puede ayudarte a reducir el prompt a las restricciones que cambian la salida y descartar las que solo añaden ruido.
Planifica el momento en que no sabe
Los modelos odian decir «no lo sé». Dejados a su comportamiento por defecto, producirán una respuesta segura, bien formateada y completamente inventada antes que admitir un hueco. El error es no decirle nunca qué hacer cuando no está seguro, así que la alucinación se convierte en el camino de menor resistencia.
Dale una vía de escape y permiso para usarla.
Nombrar el plan B —«di que no estás seguro», «señálalo», «enumera lo que necesitarías para responder»— convierte una respuesta inventada en una honesta. Es la protección más barata contra el disparate seguro de sí mismo, y cuesta una frase.
Arregla el prompt, no lo tires a la basura
Cuando la salida decepciona, el instinto es tirarlo todo y reescribir desde cero. Normalmente eso es un desperdicio. Un fallo por poco te dice exactamente qué única cosa ajustar. Si el tono está mal, corrige el tono y conserva el resto. Si ignoró una restricción, muévela arriba o hazla más llamativa. Trata el prompting como un diálogo de pequeñas ediciones, no como una tragaperras que sigues tirando.
Iterar gana a reiniciar porque cada versión te enseña algo sobre cómo leyó el modelo tus palabras. Guarda los prompts que funcionan, anota qué cambiaste, y tu próximo primer borrador saldrá mejor. Si quieres el método completo detrás de este bucle, cómo escribir prompts de IA y fundamentos de la ingeniería de prompts recorren cómo construir prompts que necesitan menos rondas desde el principio.
Ninguno de estos arreglos es ingenioso. Son solo la diferencia entre decirle al modelo lo que quieres y esperar a que lo adivine. Hazlo de forma consistente y las quejas de «la IA es mala en esto» desaparecen casi por completo.
