Guía de prompts — listos para copiar, pegar y usar

En un Q&A de 2024, Sam Altman dijo, con la naturalidad de quien cree que lo que dice es obvio, que la era del prompt engineering se iba a morir: los modelos iban a volverse tan buenos adivinando la intención detrás de un pedido mal escrito que "saber prompting" iba a dejar de ser una habilidad diferencial. Era, más o menos, el mismo argumento que años atrás se había hecho sobre Google search: la búsqueda semántica iba a hacer irrelevante saber escribir una query bien.

Tres años después, los modelos efectivamente son mejores adivinando. Y al mismo tiempo — paradoja que vale mirar de cerca — la gente que más valor extrae de estas herramientas sigue siendo la que tiene biblioteca de prompts propios, construidos para su caso, mantenidos con el tiempo. La IA se volvió mejor para adivinar. Eso no reemplaza saber pedir.

Lo que Altman no previó — o previó pero subestimó — fue que el problema no era escribir prompts. El problema era la gestión de decisiones reutilizables en flujos de trabajo con IA. Y ese problema no se resuelve adivinando mejor; se resuelve con arquitectura.

La biblioteca como capa, no como colección

Una biblioteca de prompts madura no es una lista. Es una capa de abstracción sobre el modelo, con cuatro componentes que se piensan juntos.

Componente 1: prompts atómicos — prompts de una sola tarea, bien construidos con CAFÉ, con variables explícitas. Son las unidades de base. Un buen prompt atómico tiene entrada clara, salida predecible, y un comportamiento documentado cuando algo no está en su zona de confort ("marcar [ambiguo]", "devolver JSON vacío", "pedir aclaración").

Componente 2: prompts encadenados — cadenas donde el output de un prompt es el input del siguiente. El patrón clásico: investigación → síntesis → redacción → revisión. Cada eslabón es un prompt atómico; el pegamento es un contrato de formato entre ellos (típicamente JSON o markdown estructurado, nunca prosa libre).

Componente 3: meta-prompts — prompts que generan o mejoran otros prompts. Son la capa reflexiva. Un meta-prompt típico: "dado este prompt que me está dando resultados genéricos, identificá qué componente de CAFÉ está débil y devolveme una v2 con esa parte reforzada." Los meta-prompts no escalan tu producción; escalan tu producción de prompts.

Componente 4: prompts de evaluación — prompts diseñados para juzgar outputs de otros prompts. Este es el componente que más se pasa por alto. Si tu biblioteca tiene cincuenta prompts y no tenés manera sistemática de saber cuáles funcionan bien en qué contexto, no tenés biblioteca: tenés archivo histórico.

Workflows con prompt-como-input

El patrón más útil de todos los que aprendí en dos años haciendo esto es el de prompts encadenados con contrato de formato. Lo describo con un caso concreto de mi trabajo.

Cuando analizo la propuesta de un cliente para una auditoría de procesos, la cadena corre en cuatro pasos:

Paso 1 (extracción). Prompt atómico que toma el documento crudo y devuelve JSON con campos: stakeholders, procesos mencionados, métricas presentes, ambigüedades detectadas. Output obligatorio en JSON con schema fijo. Si un campo no está en el documento, se devuelve null — no se inventa.

Paso 2 (análisis). Prompt que toma el JSON del paso 1 y devuelve, para cada proceso, una hipótesis de oportunidad con nivel de confianza (alto/medio/bajo) y evidencia que soporta la hipótesis (citas textuales del documento original, no paráfrasis).

Paso 3 (priorización). Prompt que toma las hipótesis del paso 2 y las ordena por impacto estimado × facilidad de implementación, devolviendo top 5.

Paso 4 (redacción). Prompt que toma el top 5 del paso 3 y escribe el email de devolución al cliente, con el tono que mi biblioteca tiene guardado como "mi voz en email profesional".

Cuatro prompts atómicos, cuatro contratos de formato claros, un workflow que antes me llevaba tres horas y ahora me lleva cuarenta minutos. Pero lo importante no es el tiempo. Lo importante es que cada vez que encuentro un error en el output final, sé exactamente en qué paso se originó y puedo mejorar ese paso sin tocar los otros.

Eso es lo que Altman no vio: la ventaja no es escribir un buen prompt. Es diseñar un sistema donde los prompts se pueden debuggear por separado.

Meta-prompts: automatizar la mejora

El meta-prompt más útil que tengo guardado es este — lo vas a reconocer porque es agnóstico de modelo:

`` [C] Tengo un prompt que usé [N] veces y me está dando resultados que no me conforman. Voy a pegarte el prompt y tres outputs representativos. [A] Hacé tres cosas: (1) identificá qué componente de CAFÉ (Contexto, Acción, Formato, Ejemplo) está más débil; (2) listá las decisiones implícitas que el prompt deja en manos del modelo y que serían mejor decididas explícitamente; (3) devolveme una v2 del prompt que fije esas decisiones. [F] Salida: tres secciones ("Diagnóstico", "Decisiones implícitas", "Prompt v2"). Prompt v2 debe ser directamente utilizable, no una descripción de qué cambiaría. [E] Si los outputs son genéricos, el problema casi siempre es Ejemplo. Si son largos cuando los querías cortos, es Formato. Si se van por la tangente, es Contexto. Si no hacen lo que pedís, es Acción. Prompt actual: [...]. Tres outputs representativos: [...]. ``

Lo que hace este meta-prompt es convertir la reescritura de prompts — una tarea que cualquiera puede hacer mal intuitivamente — en un proceso con diagnóstico explícito. Vos no estás pidiendo "mejoralo". Estás pidiendo un diagnóstico estructurado y una reescritura fundamentada.

Prompts para evaluar outputs

La evaluación sistemática es lo que separa una biblioteca de juguete de una biblioteca de trabajo. El patrón base es tener, por cada prompt importante, un prompt-evaluador que juzga los outputs contra criterios explícitos.

Ejemplo: para el prompt de post de LinkedIn que aparece en Fácil y Normal, tengo este evaluador:

`` [C] Evaluás posts de LinkedIn en contra de cinco criterios objetivos. [A] Dado el post que te pego abajo, devolveme una tabla con un score de 0 a 2 en cada criterio y una línea de justificación. [F] Criterios: (1) gancho sin cliché (0=cliché de gurú, 2=frase que suena a persona real); (2) una idea por párrafo (0=idea desordenada, 2=limpio); (3) cierre con pregunta real (0=pregunta retórica o CTA marketing, 2=pregunta que invita respuesta auténtica); (4) ausencia de jerga de LinkedIn (0="plot twist", "unpopular opinion", etc, 2=cero); (5) longitud apropiada (0=muy corto o muy largo para el contenido, 2=ajustado). [E] No moralices, no sugieras mejoras. Score y justificación en una línea por criterio. Total: suma simple. Post: [...] ``

Con este evaluador corriendo sobre los últimos veinte posts que generé con el prompt principal, tengo una distribución empírica de qué criterios fallan más seguido. Si el criterio 4 (ausencia de jerga) está fallando sistemáticamente, sé exactamente qué parte del prompt principal hay que endurecer — en este caso, expandir la lista de frases prohibidas.

Esto no es academia. Es la diferencia entre una biblioteca que crece de manera dirigida y una que crece acumulando archivos que no sabés si siguen funcionando.

Anti-patterns: qué no hacer

Tres patrones que aparecen una y otra vez en prompts mal construidos, y que los meta-prompts y evaluadores no siempre detectan automáticamente.

"Hacelo bien." El más común y el más letal. Decirle al modelo "que quede bien" o "que sea profesional" no le da información — le da una aspiración sin criterio. "Bien" para vos puede ser conciso; para el modelo, por default, suele ser largo y adornado. Reemplazo correcto: métricas observables (número de palabras, lista de elementos obligatorios, lista de elementos prohibidos).

El prompt-párrafo. Veinte instrucciones colgadas en una sola oración larga, separadas por comas. El modelo procesa eso, pero aplica las instrucciones de manera desigual — las del final pesan menos que las del principio. Reemplazo correcto: estructura visual con viñetas o con delimitadores (CAFÉ con sus cuatro bloques separados es justamente esto).

Ausencia de formato de salida. El error sutil. Pedís el análisis de un documento y recibís un ensayo cuando querías bullets; pedís bullets y recibís prosa cuando querías JSON. El modelo elige un formato por defecto si vos no elegís uno. Reemplazo correcto: el componente F de CAFÉ siempre incluye una indicación explícita de estructura — aunque sea "devolvé la respuesta como tres párrafos" en lugar de no decir nada.

Ethan Mollick escribió en 2024, en su newsletter One Useful Thing, una frase que condensa bien el asunto: el prompting no es un ritual mágico, es una forma aplicada de comunicación — y como toda comunicación, funciona mejor cuando las instrucciones son específicas y las expectativas son negociadas explícitamente.

Tesis editorial

La conversación pública sobre IA en 2026 insiste en el drama de los modelos — quién lanzó qué, qué benchmark rompió quién, cuándo llega el próximo salto. Esa conversación deja fuera lo que en realidad diferencia a los profesionales que producen resultados consistentes de los que están todavía explorando.

No es "saber prompting" como categoría genérica. Eso, efectivamente, se está commoditizando — los modelos son mejores adivinando, como Altman predijo. Lo que no se commoditiza es tener un archivo propio de decisiones reutilizables, construidas para tu contexto, mantenidas con el tiempo, evaluadas contra criterios explícitos.

La ventaja competitiva en 2026 no es la herramienta. Es la acumulación. El profesional que hace tres años guarda y refina sus prompts ha construido un activo que no tiene la persona que recién arranca, aunque los dos usen el mismo modelo con las mismas capacidades. Y ese activo no es imitable leyendo listas de "los mejores prompts" — porque lo que lo hace valioso no son los prompts individuales, es la curaduría sobre tu propio trabajo.

Por eso, compromiso editorial: vamos a mantener una Biblioteca CAFÉ pública, con prompts probados y etiquetados por caso de uso, actualizada con lo que va funcionando en trabajo real. Si tenés un prompt que te está resolviendo algo bien, mandalo a la Sala de Redacción de IA en Primera Plana — lo revisamos, lo documentamos con su CAFÉ, y si rinde, entra al catálogo con crédito al autor.

Una biblioteca viva. Construida entre lectores. Mantenida contra la realidad, no contra benchmarks.