# Prompts que funcionan: cómo estructurar instrucciones para que la IA haga lo que necesitas
La diferencia entre quien saca provecho de la IA y quien la descarta como “no funciona” rara vez está en la herramienta. Está en la instrucción. Un mismo modelo, con el mismo acceso a la misma información, produce resultados opuestos según cómo se le pida la tarea. El prompt no es un mensaje: es la especificación del trabajo.
Este artículo recorre la estructura de un prompt que funciona, los errores que producen respuestas genéricas y cómo iterar cuando la primera versión no da lo que necesitas.
Por qué los prompts genéricos producen respuestas genéricas
El prompt “escribe un artículo sobre SEO” produce un texto que parece saber de SEO pero no dice nada concreto. No es fallo del modelo: es que la instrucción no pedía nada concreto. El modelo hace lo que se le pide y, cuando se le pide poco, ofrece el promedio de lo que ha visto sobre ese tema. Ese promedio es, por definición, genérico.
Un prompt útil no pide “un artículo sobre SEO”. Pide un artículo con un objetivo, un destinatario, un tono, una estructura y unas restricciones. Cuanto más concreto es el encargo, más útil es la respuesta.
La estructura del prompt que funciona
Un prompt profesional se construye en cinco bloques, no en una frase.
Rol. Qué papel debe asumir el modelo. “Actúa como un consultor SEO senior” produce un texto distinto a “escribe sobre SEO”. El rol activa el registro, la profundidad y el enfoque que el modelo asume al responder.
Contexto. La información que el modelo necesita y no tiene. Para qué es el contenido, quién lo va a leer, qué ya se ha dicho sobre el tema, qué se quiere evitar. Sin contexto, el modelo rellena con suposiciones genéricas.
Tarea. Qué debe producir, en qué formato y con qué extensión. Un artículo, una lista, un guion, un email. Con encabezados, sin encabezados. Mil palabras, tres párrafos. El formato no es un detalle, es parte del encargo.
Restricciones. Lo que no debe hacer. No usar jerga, no inventar datos, no superar cierto largo, no repetir el inicio con la pregunta. Las restricciones cierran los caminos por los que el modelo se suele ir cuando se le deja libre.
Ejemplos. Cuando el tipo de salida es específico, un ejemplo de lo que se quiere vale más que mil palabras de instrucción. Mostrar el modelo del resultado que esperas produce resultados más cercanos que describirlo.
El error de la instrucción abierta
La instrucción abierta es el error más común y el que peor diagnóstica. “Hazlo mejor”, “mejora esto”, “no me gusta” son instrucciones que no contienen información accionable. El modelo no sabe qué “mejor” significa para ti, y su versión de “mejor” puede ser la opuesta a la tuya.
La instrucción útil es específica: “acorta los párrafos a tres frases máximo”, “elimina la introducción y empieza por el primer punto”, “cambia el tono de académico a conversacional”. Cada corrección debe decir qué cambiar, no cómo valorarlo.
La técnica de la iteración por partes
El prompt que pide un artículo completo de golpe suele producir un resultado que no encaja. La técnica que funciona es la iteración por partes: primero el esquema, después la revisión del esquema, luego el desarrollo de cada sección, finalmente el ajuste de tono.
Cada paso se valida antes de avanzar. Si el esquema no convence, se corrige antes de desarrollar mil palabras sobre una estructura que no sirve. La iteración por partes cuesta más turnos, pero produce un resultado que no se descarta.
El truco del borrador y la crítica
Una técnica que mejora notablemente la calidad es pedir al modelo que produzca y, después, que critique su propio resultado. El primer prompt pide el contenido. El segundo prompt pide que actúe como editor senior y critique lo que acaba de escribir, señalando los puntos débiles, las afirmaciones sin apoyo y las partes que suenan genéricas. El tercer prompt pide que reescriba aplicando la crítica.
La primera versión casi siempre mejora cuando el modelo la revisa con la distancia de un crítico. El coste es dos turnos más; el retorno es un texto sustancialmente mejor.
Cómo evitar las alucinaciones
El modelo, cuando no sabe algo, a veces lo inventa con la misma confianza con la que dice la verdad. El prompt que no gestiona ese riesgo produce textos con datos falsos, citas inexistentes y referencias que no están donde dicen estar.
Las defensas útiles: pedir al modelo que indique cuando no sabe algo en lugar de inventarlo, pedir que solo use la información que se le proporciona, y verificar siempre los datos concretos (cifras, citas, nombres) antes de publicar. El modelo no es una fuente de verdad, es un redactor que necesita verificación.
Conclusión
El prompt es la diferencia entre la IA que parece no servir y la IA que trabaja. La estructura de rol, contexto, tarea, restricciones y ejemplos, combinada con la iteración por partes y la verificación de datos, convierte un modelo genérico en una herramienta productiva. La habilidad de promptear bien no es un truco: es la nueva base del trabajo con IA, y quien la domina saca ventaja de cada modelo, sin esperar a la siguiente versión.
Si quieres revisar tus prompts de trabajo y estructurarlos para que de verdad produzcan lo que necesitas, agenda una sesión y lo trabajamos sobre tus casos reales.