Un buen prompt puede dar una gran respuesta una vez. Un método da respuestas aceptables de forma repetida, te avisa cuando falla y permite que otra persona lo ejecute. La diferencia entre ambos es lo que separa el uso casual de la IA del uso profesional, y es sobre todo disciplina de ingeniería más que redacción ingeniosa.
Por qué los prompts solos no bastan
Un prompt es una instrucción. Por sí solo no te dice cómo luce un buen resultado, no verifica la salida y no registra qué cambió cuando los resultados mejoraron o empeoraron. Cuando un resultado importa, necesitas más que una instrucción: criterios, contexto, verificaciones y responsables.
Las partes de un método profesional
- Criterios de éxito. Define cómo luce un resultado aceptable antes de refinar nada. La guía de prompt engineering de Anthropic parte justo de esta premisa: una definición clara de criterios de éxito y alguna forma de probar contra ellos.
- Contexto. Dale al modelo la información que necesita. La guía de OpenAI recomienda aportar material de referencia en lugar de esperar que el modelo lo sepa.
- Estructura clara. Indica la tarea, la audiencia, el formato y las restricciones. Divide el trabajo complejo en pasos.
- Ejemplos. Unas cuantas entradas y salidas representativas muestran lo que quieres mejor que una descripción larga.
- Verificación. Prueba contra un conjunto de ejemplos, no contra una sola salida. OpenAI recomienda construir pruebas y conjuntos de evaluación que midan el comportamiento del prompt para poder monitorear el desempeño.
- Versionado. Guarda los prompts donde los cambios se puedan revisar y fija una versión específica del modelo cuando necesites un comportamiento consistente. OpenAI sugiere guardar los prompts de producción en el código de tu aplicación y cambiar su comportamiento con tu proceso normal de despliegue, para que apliquen revisiones y pruebas.
- Revisión humana. Decide dónde una persona revisa el resultado. La guía de Anthropic sobre agentes señala que los agentes pueden pausar para recibir comentarios humanos en puntos de control y que la revisión humana sigue siendo clave.
Un ejemplo hipotético
Supón que un equipo resume correos entrantes de clientes y los etiqueta por urgencia.
- Uso casual: alguien pega un correo en una herramienta de chat y pide un resumen. Funciona la mayoría de las veces y nadie sabe con qué frecuencia no.
- Método: el equipo define qué es un resumen y una etiqueta correctos, reúne 30 correos reales incluidos los difíciles, escribe instrucciones con ejemplos, prueba el flujo contra el conjunto, registra los fallos, ajusta una cosa a la vez y pone a una persona a cargo de revisar lo que se etiquete como urgente. Solo después de verificar la calidad automatizan la asignación de casos.
La herramienta es la misma. El resultado es algo en lo que el equipo puede confiar y que puede mejorar.
Una regla sencilla para decidir qué automatizar
Hazte tres preguntas sobre cada paso:
- ¿Con qué frecuencia ocurre? Los pasos frecuentes justifican el esfuerzo de automatizar.
- ¿Cuánto cuesta un error? Si un error es caro, mantén a una persona en el proceso.
- ¿Puedes verificarlo automáticamente? Si puedes comprobar la salida con una regla o una prueba, automatizar es más seguro.
Automatiza primero los pasos frecuentes, de bajo riesgo y verificables. Mantén la revisión donde el costo de un error es alto.
Calidad, ingeniería, escalabilidad y automatización
Estas cuatro ideas convierten un prompt en un sistema. La calidad se define con criterios y verificaciones. La ingeniería es el hábito de estructura, pruebas y control de versiones. La escalabilidad significa que el método funciona para más casos y más personas que quien lo escribió. La automatización es el último paso, aplicado donde es seguro.
Si quieres aplicar esto a tu propio trabajo con acompañamiento, conoce los cursos de IA 1 a 1. Para planear el aprendizaje, lee Cómo aprender IA como profesional: una ruta de cuatro semanas.