«Explícame el SEO» y «explica en tres párrafos, para alguien sin conocimientos técnicos, por qué el SEO importa para un negocio local, con un ejemplo» son la misma pregunta de fondo, pero producen resultados muy distintos con una IA. El prompt engineering es precisamente la habilidad de elegir palabras, contexto y formato para guiar a un modelo hacia lo que realmente se necesita.
Por qué la formulación importa tanto
Un modelo puede tener conocimiento extenso sobre casi cualquier tema, pero una instrucción vaga produce respuestas igualmente vagas. La segunda versión del ejemplo anterior orienta al modelo sobre qué responder y cómo, mejorando notablemente la calidad del resultado.
Cinco prácticas que mejoran casi cualquier prompt
Dar contexto suficiente sobre para qué se necesita la respuesta y a quién va dirigida. Especificar el formato deseado: lista, tabla, número concreto de párrafos. Asignar un rol («actúa como un experto en…») para mejorar tono y profundidad. Mostrar uno o dos ejemplos de lo esperado (few-shot). Y pedir razonamiento paso a paso en tareas complejas que requieren lógica, lo que suele reducir errores.
Dividir en pasos, en vez de pedirlo todo de golpe
Pedir demasiado en una única instrucción amplia suele generar respuestas superficiales que intentan abarcarlo todo sin profundizar en nada. Mantener una conversación en varios turnos, cada uno abordando un aspecto concreto, produce resultados bastante más completos.
Lo que ningún prompt elimina del todo
Incluso con instrucciones bien formuladas, sigue existiendo el riesgo de que un modelo invente información con aparente seguridad. Pedir explícitamente que indique cuando no conoce un dato con certeza ayuda a mitigar esto, aunque no lo elimina: el prompt engineering mejora las respuestas, pero no sustituye la revisión humana final.