Cómo escribir prompts profesionales: los 7 componentes

Por qué tus prompts no funcionan

El 90% de los prompts que veo en empresas tienen el mismo problema: son demasiado vagos. "Hazme un informe" no es un prompt. Es una petición genérica que produce resultados genéricos.

Un prompt profesional es específico, estructurado y reproducible. Tiene componentes claros que le dicen a la IA exactamente qué hacer, cómo hacerlo y qué formato usar.

La diferencia entre un usuario casual y un profesional de IA aplicada no es la herramienta que usan. Es cómo escriben sus prompts. El mismo modelo (ChatGPT, Claude, Gemini) produce resultados radicalmente diferentes según la calidad del prompt.

El framework de 7 componentes

Cada prompt profesional puede descomponerse en hasta 7 componentes. No necesitas los 7 siempre, pero cuantos más uses, mejor será el resultado.

1. Rol: quién es la IA

Le dices a la IA quién es. Esto activa un "modo" de respuesta coherente con ese perfil profesional. El rol influye en vocabulario, profundidad, perspectiva y estilo.

Eres un analista de seguridad con 10 años de experiencia en SOC.

Un buen rol es específico: no "eres un experto", sino "eres un copywriter B2B especializado en SaaS para el mercado español". Cuanto más concreto el rol, más coherente la respuesta.

2. Tarea: qué tiene que hacer

La instrucción principal. Cuanto más específica, mejor. Usa verbos de acción: analiza, clasifica, genera, compara, resume, transforma.

Analiza estas 3 alertas de seguridad y clasifícalas por severidad (crítica, alta, media, baja).

Mal: "Ayúdame con las alertas". Bien: "Clasifica cada alerta por severidad y recomienda la acción inmediata para cada una".

3. Contexto: información relevante

La diferencia entre un resultado genérico y uno preciso. El contexto incluye: datos del proyecto, audiencia, situación actual, restricciones de negocio.

Estas alertas vienen de un entorno Windows Server 2022 con Active Directory. El horario laboral es de 8:00 a 18:00 CET. Cualquier actividad fuera de horario es sospechosa.

Regla: si tú necesitarías esa información para hacer la tarea, la IA también la necesita.

4. Formato: cómo quieres el output

Especificar el formato ahorra iteraciones. Opciones: tabla markdown, lista numerada, JSON, HTML, párrafo, bullet points, código.

Devuelve el resultado como una tabla markdown con columnas: Alerta, Severidad, Justificación, Acción recomendada.

Para integraciones con código, pide formato JSON con un esquema específico. Para presentaciones, pide bullet points concisos. Para emails, pide estructura con subject line + cuerpo + CTA.

5. Tono: cómo debe sonar

El tono cambia drásticamente el output. Opciones comunes: técnico, ejecutivo, pedagógico, persuasivo, formal, casual, directo, empático.

Un mismo contenido con tono "ejecutivo" produce 3 párrafos con métricas. Con tono "técnico" produce 2 páginas con detalles de implementación. Con tono "persuasivo" produce un argumento de venta. Elige según tu audiencia.

6. Restricciones: qué NO debe hacer

Las restricciones son tan importantes como las instrucciones. Evitan alucinaciones y respuestas no deseadas.

No inventes información que no esté en los datos proporcionados. Si no tienes datos suficientes, dilo explícitamente. No uses bullet points. Máximo 200 palabras.

Restricciones comunes: no inventar datos, no usar ciertas palabras, límite de longitud, no incluir disclaimers, no repetir la pregunta, no usar emojis.

7. Ejemplos (few-shot): el componente más poderoso

Le muestras 1-3 ejemplos del input/output que esperas. La IA replica el patrón con una precisión notable. Es la técnica con mejor ratio esfuerzo/resultado.

Ejemplo de input: "Alerta: login fallido admin a las 03:00"
Ejemplo de output: "Severidad: ALTA. Login fuera de horario laboral en cuenta privilegiada. Acción: verificar IP origen, revisar logs AD, contactar al titular de la cuenta."

Para profundizar en few-shot, lee few-shot learning: ejemplos prácticos.

6 ejemplos reales: antes y después

4 tipos de prompts

1. Instrucción directa: "Haz X". Simple, para tareas únicas donde el contexto es mínimo. Ejemplo: "Traduce este párrafo al inglés".
2. Rol + tarea: "Eres X. Haz Y". Para tareas que necesitan expertise específica. El 80% de los prompts profesionales usan este patrón.
3. Cadena de prompts: Prompt 1 genera output. Prompt 2 usa ese output como input. Para tareas complejas que no caben en un solo prompt. Lee cadena de prompts: cómo encadenar peticiones.
4. Few-shot: Le das 2-3 ejemplos del patrón input/output que esperas. La IA replica el patrón. Ideal para formatos específicos, clasificación y transformación de datos. Lee few-shot learning: ejemplos prácticos.

Técnicas avanzadas de prompting

Una vez dominas los 7 componentes, estas técnicas llevan tus resultados al siguiente nivel:

Chain of Thought (CoT)

Pides a la IA que "piense paso a paso" antes de dar la respuesta final. Mejora drásticamente la precisión en tareas de razonamiento, matemáticas y análisis lógico.

Analiza este contrato y determina si cumple con la normativa NIS2. Piensa paso a paso: primero identifica los artículos relevantes de NIS2, luego compara cada uno con las cláusulas del contrato, y finalmente da tu veredicto con justificación.

System prompt vs user prompt

Si trabajas con la API (no con la interfaz web), puedes separar las instrucciones permanentes (system prompt) de la petición específica (user prompt). El system prompt define el comportamiento base; el user prompt es la tarea concreta. Es más eficiente que repetir instrucciones en cada mensaje. Lee la guía de system prompts.

Prompt negativo

Definir lo que NO quieres es tan importante como definir lo que sí quieres. Los modelos tienden a ciertos patrones por defecto (disclaimers, respuestas largas, formalidad excesiva). Las restricciones explícitas los corrigen.

No incluyas disclaimers ni advertencias. No repitas la pregunta. No uses la frase "es importante destacar que". Ve directo al punto.

Iteración controlada

No esperes perfección en el primer intento. El flujo profesional es: prompt inicial → revisar output → prompt de refinamiento con correcciones específicas. "El tono es demasiado formal, hazlo más directo" es más eficiente que reescribir todo el prompt.

Meta-prompting

Pedir a la IA que te ayude a escribir el prompt. Funciona mejor de lo que parece: "Estoy intentando generar propuestas comerciales personalizadas. Ayúdame a escribir un prompt que produzca resultados consistentes. Pregúntame lo que necesites saber."

7 errores de prompting que arruinan resultados

1. Ser demasiado vago. "Ayúdame con marketing" → la IA no sabe qué tipo de marketing, para quién, ni qué formato. Resultado: respuesta genérica de manual.
2. Dar instrucciones contradictorias. "Sé breve pero cubre todos los detalles" es una contradicción. El modelo se confunde y elige una de las dos (normalmente la que peor resultado da). Sé claro: "máximo 200 palabras centradas en los 3 puntos más importantes".
3. No especificar formato. Si no dices cómo quieres el output, la IA elige por ti. Y suele elegir párrafos largos. Si necesitas una tabla, dilo. Si necesitas JSON, específica el esquema.
4. Dar demasiado contexto irrelevante. Más contexto no es siempre mejor. Incluir 10 páginas de información cuando la tarea solo necesita 2 párrafos diluye la atención del modelo. Incluye solo lo relevante para la tarea.
5. No iterar. Escribir un prompt, ver que el resultado no es perfecto, y reescribir desde cero. En vez de eso: "El punto 3 es demasiado genérico. Reescríbelo con datos específicos de nuestro caso". Iterar es 3x más rápido que rehacer.
6. Copiar prompts de internet sin adaptar. Un prompt que funciona para un blog de fitness no funciona para propuestas de ciberseguridad B2B. Los componentes de contexto, tono y restricciones deben adaptarse a tu caso.
7. No versionar. Encontrar un prompt que funciona y perderlo porque no lo guardaste. Crea una prompt library desde el día 1. Los prompts buenos son activos de tu negocio.

Cómo debuggear un prompt que falla

Si el resultado no es lo que esperas, sigue este proceso sistemático:

1. Comprueba la tarea: es demasiado vaga? Añade especificidad. "Analiza" → "Analiza y clasifica por severidad en 4 niveles".
2. Añade restricciones: si genera cosas que no quieres, dile explícitamente qué no hacer. "No incluyas introducción ni conclusión".
3. Usa few-shot: muéstrale un ejemplo del output que esperas. Es la corrección más eficaz en el 80% de los casos.
4. Cambia el modelo: algunos modelos son mejores para ciertas tareas. Si Claude no genera buen copy creativo, prueba ChatGPT. Si ChatGPT no sigue instrucciones complejas, prueba Claude. Ver comparativa.
5. Divide la tarea: si es muy compleja, usa una cadena de prompts. Prompt 1: "Analiza los datos". Prompt 2: "Con este análisis, genera recomendaciones". Es más lento pero más preciso.

Tu prompt library personal

El verdadero poder del prompting está en tener una biblioteca de prompts probados y versionados. No reinventes la rueda cada vez.

Estructura recomendada

• Nombre: descriptivo (ej: "Email frío B2B para CTO")
• Categoría: ventas, marketing, código, análisis, administración
• Prompt: el texto completo con los 7 componentes
• Modelo recomendado: en qué modelo funciona mejor
• Versión: v1, v2... con notas de qué cambió
• Notas: cuándo usarlo, qué personalizar, trampas conocidas

Herramientas para gestionar tu library: un simple documento Notion, un repo de GitHub con archivos .md, o herramientas especializadas como PromptPerfect. Lo importante no es la herramienta sino la disciplina de guardar y versionar.

Para una guía completa, lee cómo crear tu prompt library. Para la versión avanzada con system prompts persistentes, lee la guía de system prompts.

En el Módulo 02 de IAcademy te enseñamos a construir tu prompt library personal con versionado, evaluación y mejora continua. Los primeros 3 módulos son gratuitos.

Preguntas frecuentes