# Prompts que funcionan: cómo estructurar instrucciones para que la IA haga lo que necesitas
La diferència entre qui treu profit de la IA i qui la descarta perquè “no funciona” rarament és a l'eina. És a la instrucció. Un mateix model, amb el mateix accés a la mateixa informació, produeix resultats oposats segons com se li demani la tasca. El prompt no és un missatge: és l'especificació de la feina.
Aquest article recorre l'estructura d'un prompt que funciona, els errors que produeixen respostes genèriques i com iterar quan la primera versió no dona el que necessites.
Per què els prompts genèrics produeixen respostes genèriques
El prompt “escriu un article sobre SEO” produeix un text que sembla saber de SEO però no diu res de concret. No és una fallada del model: és que la instrucció no demanava res de concret. El model fa el que se li demana i, quan se li demana poc, ofereix la mitjana del que ha vist sobre el tema. Aquesta mitjana és, per definició, genèrica.
Un prompt útil no demana “un article sobre SEO”. Demana un article amb un objectiu, un destinatari, un to, una estructura i unes restriccions. Com més concret és l'encàrrec, més útil és la resposta.
L'estructura del prompt que funciona
Un prompt professional es construeix en cinc blocs, no en una frase.
Rol. Quin paper ha d'assumir el model. “Actua com un consultor SEO sènior” produeix un text diferent de “escriu sobre SEO”. El rol activa el registre, la profunditat i l'enfocament que el model adopta en respondre.
Context. La informació que el model necessita i no té. Per a què és el contingut, qui el llegirà, què s'ha dit ja sobre el tema, què es vol evitar. Sense context, el model omple els buits amb suposicions genèriques.
Tasca. Què ha de produir, en quin format i amb quina extensió. Un article, una llista, un guion, un correu. Amb encapçalaments o sense. Mil paraules, tres paràgrafs. El format no és un detall, forma part de l'encàrrec.
Restriccions. El que no ha de fer. No fer servir argot, no inventar dades, no superar una certa llargada, no repetir la pregunta al principi. Les restriccions tanquen els camins per on el model sol anar quan se'l deixa lliure.
Exemples. Quan el tipus de sortida és específic, un exemple del que es vol val més que mil paraules d'instrucció. Mostrar el model del resultat que esperes produeix resultats més propers que descriure'l.
L'error de la instrucció oberta
La instrucció oberta és l'error més comú i el que es diagnostica pitjor. “Fes-ho millor”, “millora això”, “no m'agrada” són instruccions que no contenen informació accionable. El model no sap què vol dir “millor” per a tu, i la seva versió de “millor” pot ser l'oposada a la teva.
La instrucció útil és específica: “escurça els paràgrafs a tres frases com a màxim”, “elimina la introducció i comença pel primer punt”, “canvia el to d'acadèmic a conversacional”. Cada correcció ha de dir què cal canviar, no com valorar-ho.
La tècnica de la iteració per parts
El prompt que demana un article complet de cop sol produir un resultat que no encaixa. La tècnica que funciona és la iteració per parts: primer l'esquema, després la revisió de l'esquema, llavors el desenvolupament de cada secció i finalment l'ajust del to.
Cada pas es valida abans d'avançar. Si l'esquema no convenc, es corregeix abans de desenvolupar mil paraules sobre una estructura que no serveix. La iteració per parts costa més torns, però produeix un resultat que no es descarta.
El truc de l'esborrany i la crítica
Una tècnica que millora notablement la qualitat és demanar al model que produeixi i, després, que critiqui el seu propi resultat. El primer prompt demana el contingut. El segon demana que actuï com a editor sènior i critiqui el que acaba d'escriure, assenyalant els punts febles, les afirmacions sense suport i les parts que sonen genèriques. El tercer demana que ho reescrigui aplicant la crítica.
La primera versió gairebé sempre millora quan el model la revisa amb la distància d'un crític. El cost són dos torns més; el retorn és un text substancialment millor.
Com evitar les al·lucinacions
El model, quan no sap alguna cosa, de vegades se la inventa amb la mateixa confiança amb què diu la veritat. El prompt que no gestiona aquest risc produeix textos amb dades falses, cites inexistents i referències que no són on diuen que són.
Les defenses útils: demanar al model que indiqui quan no sap alguna cosa en lloc d'inventar-la, demanar que només faci servir la informació que se li proporciona i verificar sempre les dades concretes (xifres, cites, noms) abans de publicar. El model no és una font de veritat, és un redactor que necessita verificació.
Conclusió
El prompt és la diferència entre la IA que sembla no servir i la IA que treballa. L'estructura de rol, context, tasca, restriccions i exemples, combinada amb la iteració per parts i la verificació de dades, converteix un model genèric en una eina productiva. Saber escriure bons prompts no és un truc: és la nova base de la feina amb IA, i qui ho domina treu avantatge de cada model, sense esperar la versió següent.
Si vols revisar els teus prompts de treball i estructurar-los perquè de debo produeixin el que necessites, agenda una sessió i ho treballem sobre els teus casos reals.