Optimizador de Prompts para IA

Por qué la estructura gana a la longitud

La mayoría de quienes reciben malas respuestas no escriben prompts demasiado cortos. Escriben prompts sin forma. Un párrafo de 400 palabras sin estructura no le da al modelo ningún punto de apoyo: tiene que adivinar qué frase es la instrucción, cuál es el contexto y cómo debería verse la respuesta. Un prompt de 120 palabras repartido en rol, tarea, contexto, restricciones y formato de salida le da cinco anclas y casi nada que adivinar.

De eso va esto. El optimizador no infla tu petición. La ordena.

Hay una razón mecánica. Los modelos predicen el siguiente token a partir de todo lo anterior, y los encabezados filtran esa predicción. En cuanto el modelo lee "Restricciones:", las líneas siguientes pasan a tratarse como reglas, no como sugerencias. En cuanto lee "Formato de salida:", empieza a moldear la respuesta antes de escribir una palabra. No lo estás engañando: le estás quitando una ambigüedad que, si no, resolvería con una respuesta promedio y olvidable. Los fundamentos del prompt engineering explican por qué.

La longitud sí importa, pero no como se cree. Las palabras de más ayudan solo cuando llevan información que el modelo no podía deducir. El resto es ruido que pagas dos veces: una en tokens y otra en atención diluida.

Qué hace realmente cada sección

El prompt generado tiene cinco bloques. Cada uno resuelve un fallo distinto.

• Rol. Fija el vocabulario, la experiencia asumida y la profundidad por defecto. Un asesor fiscal y un bloguero de finanzas responden lo mismo en registros distintos.
• Tarea. Una frase, un verbo. Si contiene "y además", tienes dos prompts.
• Contexto. Lo que el modelo no puede adivinar: público, producto, decisiones previas, lo que ya probaste. Aquí es donde los prompts flojos flaquean de verdad.
• Restricciones. Extensión, cosas que evitar, afirmaciones prohibidas. Las instrucciones negativas van aquí, redactadas como reglas y no como súplicas.
• Formato de salida. Tabla, viñetas, JSON, secciones. Dilo o te llega prosa.

Quita uno y puedes predecir qué sale mal. Sin rol, redacción genérica. Sin restricciones, 900 palabras cuando querías 200. Sin formato, un ensayo que acabas reformateando a mano.

Rol, tono y cuándo razonar paso a paso

Un rol se gana su sitio solo si cambiarlo cambiaría la respuesta. "Eres un asistente útil" no pasa esa prueba. "Eres un reclutador técnico que ha entrevistado a 500 ingenieros backend" sí: implica estándares, jerga y prioridades que el modelo va a aplicar.

Tres cosas hacen que un rol funcione:

• Seniority o experiencia. "Senior", o "con N años haciendo X", cambia la profundidad de forma notable.
• Un punto de vista. Un growth marketer y un estratega de marca discrepan sobre la misma landing. Elige el que quieras oír.
• Una relación con el público. "explicándoselo a un fundador sin perfil técnico" acorta las frases más que cualquier instrucción de tono.

El tono es otra perilla. Ajústalo pensando en quien lee, no en tu humor: "directo, sin rodeos" para documentación interna, "cercano pero no charlatán" para respuestas de soporte. Palabras vagas como "profesional" hacen muy poco. Nombra una restricción: sin signos de exclamación, frases cortas, sin adjetivos de marketing.

El interruptor de paso a paso le dice al modelo que razone antes de responder. Mejora de verdad las matemáticas de varios pasos, la depuración y las comparativas con contrapartidas: todo aquello donde un paso intermedio erróneo envenena el resultado. Es casi inútil para reescrituras de tono, textos cortos y trabajos de formato, donde pagas tokens y esperas más para obtener la misma respuesta, a veces peor porque el modelo se convence de una salida sobredimensionada.

Regla aproximada: actívalo cuando un experto humano necesitaría papel y lápiz. Si no, déjalo apagado. Para estructurar ese razonamiento en lugar de dejarlo divagar, usa el constructor de cadena de pensamiento y lee cuándo ayuda la cadena de pensamiento y cuándo estorba.

Adaptar el prompt a cada modelo

El mismo prompt optimizado no es igual de óptimo en todas partes.

• Claude premia el contexto largo y bien organizado y las restricciones explícitas, y tolera el detalle. Mira la guía de prompting para Claude.
• Los modelos GPT responden mucho al rol y al formato, pero se dispersan con listas largas de restricciones: quédate con las cinco que importan.
• Gemini funciona mejor con la frase de tarea al principio y el contexto después, no al revés.
• Los modelos de imagen ignoran esta estructura. Describe sujeto, estilo, iluminación y composición en el constructor de prompts de imagen.

Para cualquier cosa reutilizable, mueve las partes estables a un system prompt y deja solo la petición en el mensaje de usuario.

Un antes y después trabajado

Un mal prompt típico:

Nada acota la respuesta. "Algo" puede ser un titular o un artículo de 2.000 palabras. "Bien" no se puede medir. Recibes relleno competente. Optimizado:

La misma petición, pero ahora cada frase elimina una suposición. Pasa el resultado por el analizador de prompts para cazar lo que siga siendo vago; si partes de cero en lugar de un borrador, el generador de prompts de IA te lleva antes a esta forma. Para patrones que merece la pena copiar, echa un vistazo primero a la biblioteca de prompts.