La mayoría de los profesionales aprende IA probando prompts y quedándose con lo que parece funcionar. Eso sirve para empezar, pero no da resultados que puedas repetir, verificar o compartir con un equipo. Un mejor camino es aprender con un proyecto real, con un objetivo, una forma de medirlo y unas semanas de iteración deliberada. Este es un plan de cuatro semanas que puedes seguir por tu cuenta, sin importar la herramienta que uses.
Antes de empezar: elige un proyecto
Escoge un trabajo que hagas con regularidad, que tenga valor y que sea seguro para practicar. Por ejemplo: resumir y clasificar correos de clientes, preparar un reporte recurrente, redactar propuestas a partir de una plantilla o extraer datos de documentos. Evita todo lo que requiera datos confidenciales o personales hasta que sepas cómo manejarlos. El proyecto es lo esencial: aprendes el método construyendo algo que sí vas a usar.
Semana 1: define el objetivo y cómo lo vas a juzgar
La guía de prompt engineering de Anthropic parte de tener una definición clara de criterios de éxito y alguna forma de probarlos de manera empírica. La guía de OpenAI también recomienda construir pruebas y conjuntos de evaluación que midan el comportamiento del prompt. Entonces, en la semana uno:
- Escribe el objetivo en una frase. ¿Qué debe lograr el resultado?
- Define criterios de éxito. ¿Qué haría aceptable una salida? Sé específico sobre exactitud, tono, formato y lo que nunca debe pasar.
- Reúne de 10 a 20 ejemplos reales. Usa entradas reales de tu trabajo, incluidos algunos casos difíciles.
- Registra tu punto de partida. ¿Cómo lo haces hoy y cuánto tarda?
Semana 2: construye una primera versión
Ahora escribe tu primer prompt o flujo. Concéntrate en lo básico que suelen recomendar las guías de los proveedores:
- Da instrucciones claras. Di qué quieres, para quién y en qué formato.
- Aporta material de referencia. Incluye el contexto que el modelo necesita en lugar de esperar que lo adivine.
- Muestra ejemplos. Unos pocos ejemplos buenos de entrada y salida suelen aclarar lo que quieres decir.
- Divide las tareas complejas. Parte el trabajo en pasos en lugar de pedir todo de una vez.
Pasa tus ejemplos por la primera versión y conserva cada resultado.
Semana 3: prueba y refina
Aquí se separan los profesionales de los usuarios casuales. Compara los resultados contra tus criterios de éxito. Busca patrones en los fallos, cambia una cosa a la vez y vuelve a correr tus ejemplos para ver si el cambio ayudó. La guía de OpenAI recomienda construir pruebas y conjuntos de evaluación que midan cómo se comporta un prompt, y fijar una versión específica del modelo cuando necesitas un comportamiento consistente. Guarda tus prompts en un documento o repositorio para ver qué cambió.
Semana 4: hazlo repetible
Convierte lo que funciona en algo que tú o tu equipo puedan ejecutar sin ti. Escribe las instrucciones, las entradas, las verificaciones y dónde debe revisar una persona. Decide qué automatizar y qué dejar manual: automatiza los pasos frecuentes y de bajo riesgo, y mantén la revisión donde un error es costoso. Luego mide de nuevo contra tu punto de partida de la semana uno.
Errores comunes
- Cambiar muchas cosas a la vez, de modo que no sabes qué ayudó.
- Juzgar por un solo resultado impresionante en lugar de un conjunto de ejemplos.
- Saltarse el punto de partida, y no poder demostrar la mejora.
- Meter datos confidenciales o personales en herramientas sin una política clara.
- Automatizar antes de verificar la calidad.
Qué deberías tener después de cuatro semanas
Una versión funcional de tu proyecto, un método escrito, un conjunto de ejemplos que puedes volver a probar y una idea clara de qué automatizar después. También podrás explicar por qué funciona, algo que importa cuando otros dependen de ello.
Si prefieres hacerlo con acompañamiento, nuestros cursos de IA 1 a 1 siguen una estructura parecida: cuatro sesiones en un mes alrededor de un solo objetivo que definimos en la sesión de descubrimiento. Para entender mejor un método repetible, lee De prompts a método.