En Secciones anteriores de este curso de ChatGPT, repasamos teoría y conceptos generales de LLMs, alucinaciones, privacidad de información. ¿Que compartimos con ChatGPT?.
También hablamos de comparaciones entre modelos y la versión gratuita, Custom Instructions, entre otros temas. Ahora vamos a profundizar entrando a un nivel técnico mas avanzado,
Si todavía eres una amateur del ChatGPT te recomiendo que busques los artículos anteriores de este Curso gratis de ChatGPT:
- Curso ChatGPT: ¿Por donde empezar?
- Curso ChatGPT: Optimizar respuestas y personalizar la interacción
- Curso ChatGPT: Seguridad y Precisión en prompt
- Curso ChatGPT: Programar y Corregir Errores
- Curso ChatGPT: ¿Cómo evitar que ChatGPT repita respuestas?
- Curso ChatGPT: El Prompt Perfecto
Como crear el prompt Perfecto
Diseñar un prompt eficaz para modelos de lenguaje no es arte de magia: es un proceso sistemático que podés dominar aplicando seis pilares consecutivos. La «receta» que presentamos a continuación —Contexto, Rol, Tarea, Instrucciones, Clarificación y Refinamiento— condensa las buenas prácticas de ingeniería de prompts y las adapta a un enfoque iterativo, práctico y profesional.
Objetivo de la guía
Brindarte un marco sólido para que puedas conversar tanto en ChatGPT como en Google Gemini —o incluso Copilot— con máxima precisión, reduciendo ambigüedades, evitando alucinaciones y obteniendo respuestas alineadas con tus metas.
Alucinaciones
1. Contexto del prompt
El Contexto plantea el escenario general y delimita las variables clave. Pensalo como la introducción a un briefing detallado:
- Situación: ¿Dónde ocurre el problema o proyecto?
- Stakeholders: ¿Quiénes son los actores principales y a quién afecta la respuesta?
- Restricciones: normativas, plazos, recursos, tecnología, mercado, idioma.
- Datos de partida: cifras, URLs, fragmentos de texto, hipótesis, archivos adjuntos.
Tip: Si tu proyecto incluye archivos adjuntos (PDF, CSV, imágenes), resumí su contenido en el prompt o dividí la carga en varias consultas. Indicá la secuencia: “Primero enviame tu resumen, luego te facilito los datos crudos”.
Plantilla rápida de contexto:
Estamos implementando {proyecto} en {ubicación}. Contamos con {recursos/datos}. Existen {limitaciones} que debemos respetar.Definición extendida: El contexto funge como la base epistemológica sobre la cual el modelo —sea ChatGPT, Google Gemini o Copilot— despliega su razonamiento. Al detallar antecedentes, condicionantes y objetivos, no solo aportás información; delineás los límites de relevancia y el tono discursivo que la respuesta debe respetar. Cuanto más rico y estructurado sea este fondo, menor será la probabilidad de divagaciones o suposiciones incorrectas. En proyectos con impacto regulatorio, por ejemplo, incluir el marco legal vigente y las dependencias organizacionales acelera la comprensión y minimiza el riesgo de omisiones críticas. En síntesis, un contexto robusto actúa como GPS: le dice al modelo dónde está, hacia dónde va y qué rutas no tomar.
2. Tarea: qué necesitamos resolver con el prompt
La Tarea traduce el contexto en una acción concreta. Para formularla:
- Utilizá verbos de acción claros: “analizá”, “resumí”, “generá”, “compará”, “diagnosticá”.
- Indicá qué entregable esperás (lista, tabla, texto corrido, infografía ASCII, bloque de código).
- Señalá criterios de éxito: precisión numérica, creatividad, alineación con normas, referencias citadas.
- Determiná alcance y profundidad: superficial, intermedio, experto.
Evitar tareas vagas del tipo «contame sobre…». Fomentan respuestas genéricas y poco aprovechables.
Plantilla rápida de tarea:
Generá {tipo de salida} que incluya {elementos específicos} y cumpla {criterios}. Definición extendida: La tarea es el mandato específico que dispara la operación cognitiva del modelo. Visualizala como un contrato de prestación de servicio intelectual: describe qué debe entregarse, cómo debe lucir y para quién será útil. Si el contexto es el escenario, la tarea es la acción en escena. Una formulación precisa habilita a ChatGPT o Google Gemini a utilizar sus recursos de forma eficiente, evitando sobre‑generalidades. Además, la tarea sirve de métrica de evaluación: si no se define con claridad, no hay forma objetiva de determinar si la respuesta es satisfactoria. Una buena práctica es incluir el propósito final (decisión gerencial, publicación académica, prototipo de software) para que la IA alinee tono y profundidad con el uso real.
3. Rol del modelo
Un Rol definido opera como filtro cognitivo para el modelo, orientándolo al uso de terminología, profundidad y tono apropiados. Un rol claro incrementa la relevancia en un 30‑40 % según métricas internas de redacción.
| Rol sugerido | Ámbito | Detalle útil | Valor añadido |
|---|---|---|---|
| Abogado laboral senior | Legal | 15 años, litigios complejos | Contexto normativo actualizado |
| Analista de performance Google Ads | Marketing | mas de 5 años de experiencia | experiencia en la plataforma |
| Analista de datos en Google Analytics | Marketing | Certificado GA4 | Interpretación profunda de métricas |
| Profesor de primaria | Educación | 4.º grado, enfoque lúdico | Didáctica clara para niños |
| Chef vegano | Gastronomía | 10 años, cocina de autor | Sustituciones plant based |
| DevOps AWS | Tecnología | AWS Solutions Architect | Optimización de pipelines |
Buenas prácticas para definir rol:
- Aportá años de experiencia o certificaciones.
- Indicá ubicación geográfica si influye (jurisprudencia, dialecto, estación).
- Sumá especialidad y herramientas dominantes (“experto en Terraform y Kubernetes”).
- Para multiperspectiva, solicitá dos roles y compará resultados.
Tip lingüístico: Para roles técnicos profundos, pedí “respondé usando la nomenclatura estándar ISO/IEC”.
Definición extendida: El rol actúa como un avatar profesional que dicta la perspectiva, la jerga y el marco analítico desde el cual la IA responderá. Al asignar un rol concreto —por ejemplo, perito forense digital certificado— se canaliza el corpus de conocimiento subyacente del modelo hacia un subset semántico pertinente. Esto no solo eleva la calidad técnica, sino que reduce discrepancias de tono. Además, un rol bien especificado facilita la auditoría del resultado: podrás verificar si la respuesta se alinea con los estándares que ese profesional debería cumplir. En entornos multidisciplinarios, alternar roles permite crear mesas de debate virtuales entre ChatGPT, Google Gemini y Copilot, obteniendo así análisis comparados sin sesgos de autoría.
Buenas prácticas para definir rol:
- Aportá años de experiencia o certificaciones.
- Indicá ubicación geográfica si influye (jurisprudencia, dialecto, estación).
- Sumá especialidad y herramientas dominantes (“experto en Terraform y Kubernetes”).
- Para multiperspectiva, solicitá dos roles y compará resultados.
Tip lingüístico: Para roles técnicos profundos, pedí “respondé usando la nomenclatura estándar ISO/IEC”.
4. Instrucciones para el prompt
Las Instrucciones afinan tono, estructura y límites. Son la capa donde definís cómo querés tu respuesta.
- Tono: formal, académico, cercano, humorístico, persuasivo.
- Formato: Markdown, tabla, JSON, YAML, código con triple tilde, bullet points.
- Extensión: “máximo 200 palabras”, “tres secciones”, “no más de 5 bullets”.
- Exclusiones: “evitá jerga jurídica”, “no menciones marcas”.
- Referencia a fuentes: “citá al menos 2 estudios”, “incluí la URL completa”.
Tip avanzado: Añadí fallback rules como “si desconocés un dato, escribí ‘Dato no disponible'” para frenar alucinaciones tanto en ChatGPT como en Google Gemini.
Definición extendida: Las instrucciones son el manual operativo que dicta la forma final del output. Funciona como un DSL (Domain‑Specific Language) miniaturizado: delimita estructuras permitidas, prohíbe desviaciones y fija estilos retóricos. En trabajos de data‑science, por ejemplo, podés requerir que la AI entregue resultados en JSON válido para una ingesta directa a tu pipeline. De manera análoga, en redacción académica podés obligar a citar en formato APA 7. Estas directrices son críticas cuando se trabaja con flujos automatizados en Copilot o en integraciones API de ChatGPT y Gemini, donde los mensajes generados encadenan tareas posteriores. Recordá que cada instrucción agrega complejidad: priorizá las imprescindibles para evitar que el modelo se bloquee o distraiga.
5. Clarificación para el prompt
La Clarificación anticipa dudas:
- Definí términos polisémicos: “carga” eléctrica vs. estructural.
- Indicá metodologías o marcos: “basate en PMBOK 7.”
- Agregá ejemplo positivo y negativo para marcar la frontera.
- Pedí preguntas previas: “haceme hasta 2 preguntas antes de responder si algo no queda claro”.
Ejemplo: «Clarificá si por ‘plataforma’ nos referimos a software o a infraestructura física.»
Definición extendida: La clarificación es el mecanismo de control de calidad previo que evita rutas interpretativas erróneas. Funciona como un handshake entre vos y la IA, donde se confirman definiciones, alcances y límites. Incluir cláusulas de aclaración obliga al modelo a autoverificar su comprensión y formular preguntas, acercándose a las prácticas de pair programming usadas en Copilot. Especialmente en dominios regulados —salud, finanzas, legal— la clarificación reduce la probabilidad de recomendaciones negligentes o violaciones normativas. Un prompt que se autocompleta con “¿Deseás que cite fuentes de OMS 2024?” demuestra la madurez conversacional de ChatGPT y Gemini al minimizar riesgos.
6. Refinamiento del prompt
El Refinamiento convierte un buen prompt en excelente mediante iteraciones:
- Evaluá la respuesta frente a los criterios.
- Ajustá datos: más contexto, otro rol, nuevo formato.
- Repetí hasta cumplir expectativas.
- Documentá versiones para replicar lo que funciona, ya sea en ChatGPT, Google Gemini o Copilot.
Herramienta práctica: Llevá un changelog prompt‑>respuesta para acelerar la curva de aprendizaje en las distintas plataformas.
Definición extendida: Refinar es aplicar el ciclo PDCA (Plan‑Do‑Check‑Act) al diseño de prompts. Implica una retroalimentación activa que transforma errores en conocimiento explícito. Cuando ChatGPT arroja cifras sin referencia, el refinamiento dicta “agregá citas”, y en la siguiente iteración la respuesta evoluciona.
Una dinámica Similar aplica en Google Gemini, donde podés ajustar temperatura para controlar creatividad. El refinamiento también habilita la modularidad: partir un prompt complejo en sub‑prompts encadenados, optimizando latencia y claridad. En organizaciones con prompt libraries, documentar refinamientos fomenta la reusabilidad y estandariza la comunicación hombre‑máquina.
Ejemplo de Prompt completo
#Contexto: Estoy desarrollando un informe sobre la eficiencia energética en edificios comerciales de Buenos Aires, enfocándome en oficinas clase A de más de 10 000 m².
#Rol: Actuá como un consultor en eficiencia energética con 12 años de experiencia en grandes complejos comerciales de Latinoamérica.
#Tarea: Generá un resumen ejecutivo de los beneficios económicos y ambientales, cuantificando ahorro anual promedio (USD) y período de retorno (años).
#Instrucciones: Usá un tono formal, incluí cifras estimadas, formateá la salida en tabla con columnas: beneficio, ahorro USD, ROI (años), reducción CO₂ (tn/año).
#Clarificación: Excluí energías renovables; centrarse exclusivamente en medidas de eficiencia (aislamiento, HVAC, iluminación).
#Refinamiento: Si necesitás datos faltantes, consultá antes. Si proponés supuestos, aclarálos.
Detalle ampliado de cada componente
(El resto del documento mantiene su estructura; solo se han ajustado las menciones para incluir de forma natural a Google Gemini junto a ChatGPT.)
Conclusión
Al conjugar Contexto, Rol, Tarea, Instrucciones, Clarificación y Refinamiento obtendrás prompts consistentes, enfocados y altamente eficientes. Recordá que la ingeniería de prompts es un proceso cíclico: diseñá, probá, refiná y volvés a empezar. Con práctica sostenida, tu diálogo tanto con ChatGPT como con Google Gemini —y, si lo preferís, Copilot— pasará de ser genérico a transformarse en una herramienta de productividad, investigación y creatividad de alto nivel. ¡Adelante y empezá a iterar!