Cómo escribir prompts para ChatGPT que realmente funcionan

La estructura base de todo prompt eficaz

Antes de entrar en técnicas avanzadas, conviene tener clara la estructura mínima viable. Un buen prompt siempre responde a estas cuatro preguntas:

Con estas cuatro respuestas claras, ya tienes un prompt sólido. El resto de técnicas son refinamientos sobre esta base.

Técnica del rol: el cambio más fácil con más impacto

Asignar un rol al modelo es una de las instrucciones más poderosas que puedes dar. No es solo decorativa — activa un patrón de respuesta diferente: vocabulario, nivel de detalle, perspectiva y tono cambian significativamente.

Compara estos dos prompts:

El segundo no solo usa un rol — combina contexto de audiencia, tono y restricción de longitud. Estos elementos juntos son lo que produce un resultado usable directamente, sin necesidad de editar.

Few-shot prompting: aprendizaje con ejemplos

El few-shot prompting consiste en proporcionar ejemplos de input/output al principio del prompt, antes de la tarea real. El modelo los usa como referencia para entender exactamente qué esperas.

Cuando el resultado que necesitas es difícil de describir con palabras pero fácil de mostrar, los ejemplos son más efectivos que las instrucciones.

Con dos ejemplos, el modelo entiende el patrón: beneficio concreto, contraste implícito, sin exagerar. No necesitas describirlo — lo muestra.

Chain of thought: razonamiento paso a paso

Para tareas complejas que requieren análisis o razonamiento — estrategias, diagnósticos, evaluaciones — puedes pedirle al modelo que piense en voz alta antes de dar la respuesta final. Esto reduce errores y produce respuestas más fundamentadas.

La instrucción más simple para activar este patrón es: "Piensa paso a paso antes de responder".

Al estructurar el razonamiento en pasos, obligas al modelo a no saltar directamente a recomendaciones genéricas. El resultado es más específico y más útil.

Prompts en cadena: divide tareas complejas

Intentar hacer demasiado en un solo prompt produce resultados mediocres. La estrategia de prompts en cadena consiste en descomponer la tarea en pasos y usar el output de cada uno como input del siguiente.

Este enfoque es especialmente útil para contenido largo, estrategias, propuestas comerciales o cualquier tarea donde la calidad del resultado depende de la calidad de cada etapa.

Controlar el formato de salida

El formato afecta tanto a la usabilidad del resultado como a su calidad. Si no lo especificas, el modelo decide — y no siempre acertará. Estos son los formatos más útiles según el tipo de tarea:

• Lista numerada: para pasos, instrucciones, rankings o comparativas.
• Tabla markdown: para comparar opciones, mostrar datos estructurados.
• JSON: cuando el output lo va a consumir código o vas a procesarlo.
• Párrafos corridos: para textos publicables, emails, descripciones.
• Secciones con títulos H2/H3: para artículos o documentos con estructura.

Cómo iterar un prompt

El primer resultado raramente es el definitivo. La iteración es parte del proceso, no un fallo. Hay tres formas de refinar:

Refinamiento por restricción

Si el resultado es demasiado genérico: añade restricciones más específicas. "Hazlo más directo", "elimina los clichés", "sin introducción, ve directo al punto".

Refinamiento por ejemplo

Si no sabes cómo describir lo que quieres: dale un ejemplo de lo que sí te gusta. "El segundo párrafo se acerca más a lo que busco. Reescribe el primero con ese mismo tono".

Refinamiento por contraste

Explica qué no funciona del resultado y por qué. "Está bien pero suena demasiado formal para nuestra audiencia. Baja el registro dos peldaños sin perder autoridad".

El patrón completo en la práctica

Aquí tienes un prompt que combina todas las técnicas: rol, contexto, formato, restricciones y razonamiento estructurado.

Este prompt tarda 90 segundos en escribir y produce un plan que normalmente tomaría horas elaborar manualmente.