Prompt Engineering (ingeniería de prompts) es el proceso de diseñar, redactar y mejorar prompts al usar modelos de lenguaje de gran tamaño.
Esta definición puede parecer algo abstracta. Veamos un ejemplo.
Imagina que tienes la lámpara de Aladino y que el genio te concede tres deseos. Lo primero que pensaríamos es cómo expresar el deseo con claridad para que el genio lo entienda.
Si queríamos que el genio nos convirtiera en la persona más rica del mundo, pero expresamos mal el deseo y el genio entendió otra cosa, el resultado final no sería lo que buscábamos.
O quizá lo que queremos es un billón de dólares estadounidenses, pero solo le decimos al genio: «Dame un billón».
¿Un billón de qué?
¿En qué moneda? ¿Cuándo debe entregarlo? ¿De qué forma? Nada de eso está especificado.
No es difícil ver que el deseo que formulamos ante el genio es el Prompt. Que el deseo se cumpla como esperamos depende en gran medida de que hayamos expresado con claridad lo que realmente queremos.
Con los modelos de lenguaje ocurre lo mismo: podemos comparar al genio con el modelo y al deseo con el Prompt que enviamos.
Por supuesto, esto solo es una analogía para facilitar la comprensión. Un modelo real no entiende de verdad nuestros deseos ni garantiza una respuesta correcta porque el Prompt esté bien escrito. Puede omitir información, ofrecer contenido desactualizado o hablar de algo que desconoce como si fuera cierto.
El lenguaje natural se está convirtiendo en una nueva forma de operar
Antes, para conseguir que una computadora hiciera algo, a menudo había que aprender lenguajes de programación como Python o Java. Ahora, los modelos de lenguaje permiten que más personas describan directamente las tareas en lenguajes naturales como español, chino, inglés o japonés.
La barrera de entrada sí se ha reducido.
Pero eso no significa que la programación, los conocimientos especializados o la experiencia en un sector dejen de tener valor.
Si pedimos al modelo que analice un contrato sin saber qué cláusulas son realmente importantes, será difícil detectar qué ha omitido. Lo mismo sucede al pedirle que escriba un programa: si no entendemos el código en absoluto, no podremos juzgar si funciona ni si contiene problemas de seguridad.
Por tanto, la ingeniería de prompts no es un atajo para «no tener que aprender nada».
Se parece más a una habilidad que puede incorporarse a muchos trabajos: pensar bien el problema, explicar la tarea con claridad, definir el resultado y comprobar si el modelo realmente lo consiguió.
¿Cómo aprender bien ingeniería de prompts?
No empieces buscando de inmediato el supuesto «Prompt universal».
Podemos comenzar con preguntas más sencillas:
- ¿Cómo procesa el modelo el texto?
- ¿Por qué una misma pregunta puede recibir respuestas distintas?
- ¿Qué información, si no se expresa con claridad, obliga al modelo a adivinar?
- ¿Cómo organizar materiales extensos, pasos complejos y formatos de salida?
- ¿Cómo comprobar la respuesta después de que el modelo la produzca?
Los siguientes capítulos avanzan por este camino paso a paso.
¿La IA hará que las personas dejen de aprender?
Depende de cómo la utilicemos.
Si solo copiamos respuestas y nunca verificamos las fuentes, la IA puede amplificar errores y hacer que perdamos poco a poco la comprensión de la tarea.
En cambio, si la usamos para debatir, practicar, detectar lagunas y verificar, puede ayudarnos a explorar un problema más deprisa.
Conviene recordar que el contenido médico, jurídico, financiero, de seguridad y otros temas de alto riesgo no debe adoptarse directamente solo porque el modelo se exprese con fluidez. Tampoco debemos pegar sin cuidado contraseñas, API Key, secretos comerciales ni datos personales innecesarios en una conversación.
En pocas palabras: la IA puede ayudarnos, pero las personas siguen teniendo que decidir cómo usar el resultado.
¿Qué hace falta antes de empezar?
Basta con una computadora o un teléfono desde el que puedas acceder a un modelo de lenguaje.
Puedes elegir un producto oficial que esté disponible para ti:
Las capacidades varían según el producto, el modelo y la vía de acceso. Esta serie explica formas de pensar transferibles, pero los resultados concretos deben probarse en el modelo que uses realmente.
Nota: accede a los modelos por canales oficiales de confianza. No uses sitios espejo de procedencia dudosa ni les entregues contraseñas, claves o datos no publicados.
Índice de la serie
- Introducción: ¿Qué es Prompt Engineering?
- La primera conversación
- ¿Qué es un Token?
- Probabilidad, muestreo y Temperature
- Seis técnicas para obtener buenos resultados
- Plantillas y técnicas para estructurar prompts
- Hacer que el modelo produzca datos JSON
- Cómo aprovechar las etiquetas XML
- Tareas complejas: descomposición, cálculo y verificación
Capítulo siguiente: La primera conversación
Independent product builder · AI, agents and real workflows.