Un cliente mío, arquitecto, me mandó un WhatsApp hace un par de meses que empezaba así: "Germán, la IA esta no me sirve para nada". Le había hecho la misma pregunta tres veces y había recibido tres respuestas distintas, todas medio genéricas, todas sin pegarle al clavo. Estaba por darse de baja del Pro.
Le pedí que me mandara los prompts que había usado.
Los tres tenían menos de diez palabras. Cosas como "hacé un presupuesto de reforma" o "ideas para mejorar mi estudio". Le escribí de vuelta un prompt de unas ochenta palabras — con quién era, qué tipo de obra hacía, qué moneda usaba, qué formato de output necesitaba, qué tenía que evitar. Le pedí que lo probara tal cual. Me llamó dos horas después. "No te puedo creer".
No hay truco. Hay método.
Qué es, en concreto, un prompt
Un prompt es la instrucción que le das a la IA para que produzca lo que necesitás. Pero hay una distinción importante que la mayoría de los usuarios no termina de ver: una pregunta busca información, un prompt orquesta un trabajo.
"¿Cuánto es 2 + 2?" es una pregunta.
"Sos un contador con veinte años de experiencia. Te paso los datos de ingresos y egresos de mi consultora para el primer trimestre. Hacé una proyección de flujo de caja para los próximos seis meses asumiendo que los ingresos crecen 5% mensual. Devolveme el resultado en una tabla Markdown con cinco columnas: mes, ingresos, egresos fijos, egresos variables, saldo. Abajo, tres alertas en viñetas sobre riesgos que veas." — eso es un prompt.
El segundo caso no es una pregunta más sofisticada. Es otra cosa. Es un pedido que se puede ejecutar sin que nadie adivine nada.
Por qué los prompts vagos fallan
Cuando escribís un prompt de diez palabras, la IA tiene que completar un montón de huecos por vos. ¿Quién sos? ¿Para quién es esto? ¿Qué tono querés? ¿Qué largo? ¿Con qué nivel de detalle? ¿En qué formato? ¿Qué deberías evitar? Sin esa información, el modelo elige el camino estadísticamente más probable — que es, casi por definición, el más promedio.
Por eso el resultado "suena bien pero no te sirve". Es una versión promedio de la respuesta, diseñada para complacer al promedio de las personas que harían esa misma pregunta. Tu caso específico queda afuera.
Cuando contás tu contexto, las restricciones, lo que esperás y lo que no, la IA no necesita adivinar. Ejecuta. Y el resultado baja directo a tu realidad.
La escalera: del mal prompt al prompt útil
Veamos la misma tarea en tres versiones. Quiero escribir un email para un cliente que se atrasó con un pago.
Versión 1 — Mal prompt:
Escribime un email para cobrarle a un cliente que se atrasó.
Lo que recibís: un email genérico, formal hasta la incomodidad, que parece una intimación legal. No lo vas a mandar.
Versión 2 — Prompt mejor:
Soy consultor independiente. Tengo un cliente con el que tengo buena relación personal que se atrasó quince días en pagarme una factura. Escribime un email para recordarle el pago sin sonar agresivo, en tono amable pero firme. Máximo 120 palabras.
Lo que recibís: un email usable. Tal vez lo tocás un poco, pero ya lo podés mandar.
Versión 3 — Prompt óptimo:
Soy consultor independiente en Buenos Aires. Hace tres años que trabajo con Marcos, dueño de una PyME de logística, con quien tengo buena relación personal — nos tuteamos y a veces tomamos un café. La factura de marzo, por 450 mil pesos, venció hace quince días y no la pagó. No me contestó el último mail automático de recordatorio. Escribime un email para él con estos requisitos: saludo cálido (menciono el café que tomamos la semana pasada para dar contexto humano), recordatorio del pago sin sonar acusatorio, ofrecimiento explícito de ayuda si necesita acomodar las fechas, cierre con algo que lo invite a responder. Tono: cercano, en voseo argentino, nada formal. Largo: 130 a 160 palabras. Formato: asunto del mail en la primera línea, después el cuerpo.
Lo que recibís: un email que mandás tal cual, sin tocar una coma.
La diferencia de trabajo entre la versión 2 y la versión 3 es de unos cuarenta segundos más tipeando. La diferencia de calidad en el resultado es abismal.
Los cuatro elementos que casi siempre alcanzan
Si tuvieras que recordar solo cuatro cosas para escribir prompts decentes sin estudiar teoría, serían estas:
- Contexto. ¿Quién sos? ¿Para quién es el pedido? ¿Qué información de fondo necesita la IA para entender la situación?
- Acción. ¿Qué exactamente tiene que hacer? Un verbo claro: escribir, resumir, comparar, analizar, listar, corregir.
- Formato. ¿En qué estructura querés la respuesta? Lista, tabla, párrafo, Markdown, cantidad de palabras, secciones.
- Estilo. ¿Qué tono y qué registro? Formal, cercano, técnico, divulgativo. Y — esto vale — para qué público es, si es relevante.
Esos cuatro elementos son el esqueleto del Método CAFÉ, que es el framework que enseño en el curso y que vemos completo en el próximo artículo. CAFÉ funciona con Claude, ChatGPT, Gemini, Copilot — cualquier IA moderna. La razón es simple: los buenos prompts no dependen del modelo, dependen de la arquitectura de la instrucción.
Los errores comunes que frenan a la gente
En los talleres veo los mismos tres errores una y otra vez.
Uno: prompts de cinco palabras. "Dame ideas", "mejora esto", "hacé un plan". La IA no lee mentes. Si no le dás información, devuelve genérico.
Dos: no decir quién es uno. Cuando le contás a la IA que sos contador, o docente de primaria, o emprendedor gastronómico, el registro de la respuesta cambia radicalmente. Ese dato, solo ese, sube la calidad del output un montón.
Tres: no pedir el formato. La IA tiene un sesgo fuerte a darte párrafos largos. Si querés una tabla, decilo. Si querés tres viñetas, decilo. Si querés máximo 200 palabras, decilo. La IA obedece si le pedís.
Para cerrar
Dos links para seguir en orden lógico: el Método CAFÉ explicado paso a paso — el framework completo para armar prompts que funcionan — y la guía de prompts prácticos, con ejemplos listos para copiar y adaptar a tu trabajo.
Una pregunta para que te quedes pensando: ¿cuántas horas de tu semana laboral actual se podrían convertir en minutos si cada vez que le pedís algo a la IA lo hicieras con contexto, acción, formato y estilo? Mi apuesta: más de las que creés.
Hacé memoria.
La primera vez que abriste ChatGPT, o Claude, o la IA que hayas probado, seguramente escribiste algo corto. "Hola". O "¿qué podés hacer?". O "ayudame con un email". Apretaste enter. Saliste sorprendido porque la máquina te contestó como si fuera otra persona.
Ese texto que escribiste, tenga tres palabras o treinta, ya fue un prompt.
Un prompt es eso y nada más
Un prompt es la instrucción que le das a la IA. Todo lo que escribís en la caja de texto, sea una pregunta, un pedido o un párrafo entero, es un prompt. No hay magia ni término técnico escondido. Es la forma de hablarle a la herramienta.
Ahora, acá viene la parte que cambia todo: no todos los prompts funcionan igual.
Prompt vago, resultado vago
Pensá en esto como si estuvieras pidiéndole un favor a alguien que recién llega. Si le decís "escribime un email" y nada más, la persona va a preguntarte mil cosas — ¿para quién?, ¿sobre qué?, ¿formal o cercano?, ¿largo o corto? La IA no te pregunta. Adivina. Y el resultado termina siendo algo genérico que sirve para todos y para ninguno.
Probá vos mismo. Escribí "dame ideas para mi negocio" en cualquier IA. Lo que te va a devolver es una lista larga y plana, sin foco, sin tu realidad adentro.
Ahora probá esto: "Tengo una pizzería en un barrio residencial de Buenos Aires. Hago delivery, pero las ventas bajaron un 20% en los últimos tres meses. Dame cinco ideas concretas para recuperar clientes, que no requieran invertir más de 50 mil pesos y que pueda empezar esta semana".
La diferencia es abismal.
La regla que lo ordena todo
La regla es sencilla: hablale a la IA como le hablarías a un asistente nuevo el primer día de trabajo. Un asistente nuevo no sabe quién sos, qué hacés, para quién es el pedido ni cómo querés la respuesta. Le das contexto. Y cuando lo hacés, la respuesta que recibís es precisa.
Tres cosas para llevarte
- Un prompt es una instrucción, no una pregunta casual. Todo lo que escribís a la IA es un prompt. Cuanto más claro lo escribas, mejor lo que vas a recibir.
- Contá tu contexto y pedí el formato. Decir quién sos, para qué es el pedido, y en qué forma querés la respuesta cambia el resultado más que cualquier otro truco.
- Escribir prompts es una habilidad que se aprende. No nace con vos. Se practica. Y cuando la dominás, la IA deja de ser un juguete y se vuelve una herramienta que te ahorra horas.
Un cliente mío, arquitecto, me mandó un WhatsApp hace un par de meses que empezaba así: "Germán, la IA esta no me sirve para nada". Le había hecho la misma pregunta tres veces y había recibido tres respuestas distintas, todas medio genéricas, todas sin pegarle al clavo. Estaba por darse de baja del Pro.
Le pedí que me mandara los prompts que había usado.
Los tres tenían menos de diez palabras. Cosas como "hacé un presupuesto de reforma" o "ideas para mejorar mi estudio". Le escribí de vuelta un prompt de unas ochenta palabras — con quién era, qué tipo de obra hacía, qué moneda usaba, qué formato de output necesitaba, qué tenía que evitar. Le pedí que lo probara tal cual. Me llamó dos horas después. "No te puedo creer".
No hay truco. Hay método.
Qué es, en concreto, un prompt
Un prompt es la instrucción que le das a la IA para que produzca lo que necesitás. Pero hay una distinción importante que la mayoría de los usuarios no termina de ver: una pregunta busca información, un prompt orquesta un trabajo.
"¿Cuánto es 2 + 2?" es una pregunta.
"Sos un contador con veinte años de experiencia. Te paso los datos de ingresos y egresos de mi consultora para el primer trimestre. Hacé una proyección de flujo de caja para los próximos seis meses asumiendo que los ingresos crecen 5% mensual. Devolveme el resultado en una tabla Markdown con cinco columnas: mes, ingresos, egresos fijos, egresos variables, saldo. Abajo, tres alertas en viñetas sobre riesgos que veas." — eso es un prompt.
El segundo caso no es una pregunta más sofisticada. Es otra cosa. Es un pedido que se puede ejecutar sin que nadie adivine nada.
Por qué los prompts vagos fallan
Cuando escribís un prompt de diez palabras, la IA tiene que completar un montón de huecos por vos. ¿Quién sos? ¿Para quién es esto? ¿Qué tono querés? ¿Qué largo? ¿Con qué nivel de detalle? ¿En qué formato? ¿Qué deberías evitar? Sin esa información, el modelo elige el camino estadísticamente más probable — que es, casi por definición, el más promedio.
Por eso el resultado "suena bien pero no te sirve". Es una versión promedio de la respuesta, diseñada para complacer al promedio de las personas que harían esa misma pregunta. Tu caso específico queda afuera.
Cuando contás tu contexto, las restricciones, lo que esperás y lo que no, la IA no necesita adivinar. Ejecuta. Y el resultado baja directo a tu realidad.
La escalera: del mal prompt al prompt útil
Veamos la misma tarea en tres versiones. Quiero escribir un email para un cliente que se atrasó con un pago.
Versión 1 — Mal prompt:
Escribime un email para cobrarle a un cliente que se atrasó.
Lo que recibís: un email genérico, formal hasta la incomodidad, que parece una intimación legal. No lo vas a mandar.
Versión 2 — Prompt mejor:
Soy consultor independiente. Tengo un cliente con el que tengo buena relación personal que se atrasó quince días en pagarme una factura. Escribime un email para recordarle el pago sin sonar agresivo, en tono amable pero firme. Máximo 120 palabras.
Lo que recibís: un email usable. Tal vez lo tocás un poco, pero ya lo podés mandar.
Versión 3 — Prompt óptimo:
Soy consultor independiente en Buenos Aires. Hace tres años que trabajo con Marcos, dueño de una PyME de logística, con quien tengo buena relación personal — nos tuteamos y a veces tomamos un café. La factura de marzo, por 450 mil pesos, venció hace quince días y no la pagó. No me contestó el último mail automático de recordatorio. Escribime un email para él con estos requisitos: saludo cálido (menciono el café que tomamos la semana pasada para dar contexto humano), recordatorio del pago sin sonar acusatorio, ofrecimiento explícito de ayuda si necesita acomodar las fechas, cierre con algo que lo invite a responder. Tono: cercano, en voseo argentino, nada formal. Largo: 130 a 160 palabras. Formato: asunto del mail en la primera línea, después el cuerpo.
Lo que recibís: un email que mandás tal cual, sin tocar una coma.
La diferencia de trabajo entre la versión 2 y la versión 3 es de unos cuarenta segundos más tipeando. La diferencia de calidad en el resultado es abismal.
Los cuatro elementos que casi siempre alcanzan
Si tuvieras que recordar solo cuatro cosas para escribir prompts decentes sin estudiar teoría, serían estas:
- Contexto. ¿Quién sos? ¿Para quién es el pedido? ¿Qué información de fondo necesita la IA para entender la situación?
- Acción. ¿Qué exactamente tiene que hacer? Un verbo claro: escribir, resumir, comparar, analizar, listar, corregir.
- Formato. ¿En qué estructura querés la respuesta? Lista, tabla, párrafo, Markdown, cantidad de palabras, secciones.
- Estilo. ¿Qué tono y qué registro? Formal, cercano, técnico, divulgativo. Y — esto vale — para qué público es, si es relevante.
Esos cuatro elementos son el esqueleto del Método CAFÉ, que es el framework que enseño en el curso y que vemos completo en el próximo artículo. CAFÉ funciona con Claude, ChatGPT, Gemini, Copilot — cualquier IA moderna. La razón es simple: los buenos prompts no dependen del modelo, dependen de la arquitectura de la instrucción.
Los errores comunes que frenan a la gente
En los talleres veo los mismos tres errores una y otra vez.
Uno: prompts de cinco palabras. "Dame ideas", "mejora esto", "hacé un plan". La IA no lee mentes. Si no le dás información, devuelve genérico.
Dos: no decir quién es uno. Cuando le contás a la IA que sos contador, o docente de primaria, o emprendedor gastronómico, el registro de la respuesta cambia radicalmente. Ese dato, solo ese, sube la calidad del output un montón.
Tres: no pedir el formato. La IA tiene un sesgo fuerte a darte párrafos largos. Si querés una tabla, decilo. Si querés tres viñetas, decilo. Si querés máximo 200 palabras, decilo. La IA obedece si le pedís.
Para cerrar
Dos links para seguir en orden lógico: el Método CAFÉ explicado paso a paso — el framework completo para armar prompts que funcionan — y la guía de prompts prácticos, con ejemplos listos para copiar y adaptar a tu trabajo.
Una pregunta para que te quedes pensando: ¿cuántas horas de tu semana laboral actual se podrían convertir en minutos si cada vez que le pedís algo a la IA lo hicieras con contexto, acción, formato y estilo? Mi apuesta: más de las que creés.
Un paper reciente de la literatura de prompt engineering (Schulhoff et al., 2024, "The Prompt Report: A Systematic Survey of Prompting Techniques") catalogó 58 técnicas distintas de prompting y midió su impacto en tareas complejas de razonamiento. El hallazgo cuantitativo más consistente: prompts bien estructurados producen mejoras de entre 20 y 40 puntos porcentuales sobre prompts minimalistas en la misma tarea, con el mismo modelo, en el mismo día. La variable de control no es el modelo. Es la instrucción.
La pregunta, entonces, no es si el prompt importa — la evidencia empírica es clara. La pregunta es cómo está cambiando la naturaleza del prompt como habilidad en un mercado donde los modelos evolucionan cada seis semanas.
La definición técnica, y por qué importa
Un prompt es un sistema instructivo que configura el estado conversacional inicial sobre el cual el modelo de lenguaje condiciona su distribución de probabilidad de próximo token. Esa definición suena académica pero tiene una consecuencia operativa directa: el output de un modelo no es una respuesta a una pregunta, es una muestra de una distribución de probabilidad condicionada por todo el contexto que vos proveíste. Más contexto específico y bien estructurado reduce la entropía de esa distribución. Menos contexto la amplía.
Esto explica por qué la misma pregunta produce respuestas diferentes en corridas distintas. No es que el modelo "piense distinto cada vez". Es que la distribución condicionada por un prompt vago es amplia, y cada corrida muestrea un punto distinto de ella. Un prompt estructurado colapsa esa distribución hacia una zona estrecha. La varianza del output baja. La reproducibilidad sube.
La anatomía de un prompt que funciona
Los prompts que producen output de calidad profesional comparten una estructura identificable. Los componentes, en orden aproximado de aparición:
Rol asignado (opcional pero potente). "Sos un analista senior de crédito corporativo con quince años de experiencia." Anclar al modelo en un rol específico cambia el vocabulario, el nivel de detalle, y los supuestos implícitos que aplica.
Contexto de la tarea. ¿Qué situación enmarca el pedido? ¿Qué información de fondo es relevante? Acá es donde se le dice al modelo quién pregunta, para qué, y qué conocimiento previo puede asumir.
Instrucción operativa. La acción concreta expresada con verbos claros. "Analizá", "comparaba", "generá", "identificá". Evitar verbos ambiguos como "ayudá" o "mejorá".
Restricciones. Longitud, formato, tono, audiencia, lo que debe evitarse. Las restricciones no limitan la calidad — la dirigen.
Ejemplos de calidad esperada (few-shot, cuando aplica). Mostrar uno o dos ejemplos del tipo de output deseado es una de las técnicas empíricamente más eficaces para tareas con formato específico.
Criterio de auto-evaluación. "Antes de responder, verificá que X, Y y Z estén cubiertos." Forzar al modelo a revisar su propio output contra criterios explícitos mejora la consistencia, especialmente en modelos con razonamiento extendido como Opus 4.7.
El Método CAFÉ — Contexto, Acción, Formato, Estilo — es una simplificación didáctica de esta anatomía, orientada al usuario profesional no técnico. La simplificación no es una pérdida: es una concesión consciente. La mayoría de los usuarios no va a aprender 58 técnicas. Va a aprender un esqueleto que cubre 80% del valor, y que iterativamente enriquece a medida que el trabajo lo pida.
El principio subyacente: hablale como a un asistente nuevo
Hay una heurística popular en la comunidad de prompting — atribuida a Ethan Mollick y otros autores — que resume el principio clave sin jerga: tratá a la IA como un asistente muy capaz pero recién incorporado al equipo. Ese asistente no sabe quién sos, qué hacés, qué clientes tenés, qué entregaste la semana pasada, ni qué formato usás en tus informes. Si le explicás todo eso, ejecuta como un asistente senior. Si le das una orden seca de cinco palabras, ejecuta como un becario al que acabás de conocer.
La heurística funciona porque captura la arquitectura del problema: los modelos de lenguaje no tienen estado persistente entre sesiones. No recuerdan tu contexto. Todo lo que no está en el prompt, no existe para ellos. El trabajo de armar un buen prompt es, en esencia, reconstruir en texto el contexto que un colega humano ya tendría incorporado.
Evidencia cuantitativa: ¿cuánto mueve la aguja?
La literatura empírica muestra resultados consistentes. Algunos hallazgos representativos:
- Chain-of-thought prompting (Wei et al., 2022): mejora de 20 a 40 puntos en tareas de razonamiento matemático al pedirle al modelo que "piense paso a paso".
- Few-shot con ejemplos bien elegidos (Brown et al., 2020; replicado extensamente): mejoras del orden de 15 a 30 puntos en tareas de clasificación y extracción estructurada.
- Asignación de rol + contexto explícito: mejoras medidas en Anthropic y OpenAI de entre 10 y 25 puntos según la tarea.
- Instrucción de formato explícita: reduce la tasa de output mal estructurado en 60 a 80% en tareas de generación estructurada.
Las magnitudes varían por benchmark, modelo, y tarea. El patrón cualitativo es robusto: invertir en la estructura del prompt produce mejoras comparables a las de usar un modelo una generación más nuevo. En términos de costo-beneficio, aprender a prompting bien equivale a acceder gratis al siguiente modelo.
Lo que está cambiando: tres tensiones simultáneas
El campo del prompting está atravesando tres cambios que tiran en direcciones distintas y que definen la habilidad tal como va a verse en 2028.
Primera tensión: los modelos son cada vez más robustos a prompts malos. Opus 4.7, GPT-5, Gemini 2.5 — todos muestran que ante prompts vagos generan output menos catastrófico que sus predecesores. La brecha entre un prompt de cinco palabras y uno de quinientas palabras, para tareas básicas, se redujo. Eso sugiere que el prompting simple se está comoditizando.
Segunda tensión, opuesta a la primera: para tareas complejas, la diferencia entre un prompt mediocre y uno excelente se amplificó. Los modelos más capaces son más sensibles a contexto de alta calidad. Un prompt bien estructurado no solo produce mejor output absoluto — produce una mejora relativa mayor que la que hubiera producido en un modelo más viejo. La frontera sube, y la pendiente de la curva se empina.
Tercera tensión: la emergencia de agentes autónomos. Cuando un modelo ejecuta tareas de varios pasos sin supervisión humana en cada paso, la calidad del prompt inicial se convierte en el único mecanismo de control. Los prompts de agentes tienen que ser prácticamente programas — instrucciones que anticipan casos de borde, definen criterios de éxito, y especifican qué hacer ante fallos. Esa es otra disciplina, más cercana al diseño de software que a la escritura.
Tesis editorial: lo que va a importar en 2028
Voy a arriesgar una predicción que excede el reporting.
En los próximos dos a tres años, "saber hacer un buen prompt" como habilidad aislada va a perder valor. Los modelos serán suficientemente robustos como para que los prompts simples funcionen en la mayoría de casos cotidianos. La gente que hoy se presenta como "prompt engineer" va a encontrar que el mercado se contrae — no porque el prompting deje de importar, sino porque la habilidad elemental se vuelve commodity, incorporada en interfaces de producto que hacen prompting implícito por el usuario.
Lo que sí va a importar, y cada vez más, es otra cosa: tener una biblioteca propia de prompts probados, iterados y consolidados para tu trabajo específico. No prompts genéricos. Prompts que vos armaste a lo largo de meses, con datos de tu contexto, con restricciones que reflejan tu realidad operativa, que validaste contra outputs que revisaste con ojo crítico, y que ya sabés que funcionan consistentemente para tus casos.
Esa biblioteca es activo intelectual. Es reusabilidad compuesta. Es la diferencia entre escribir un prompt desde cero cada vez, y tener un sistema de templates que ejecutás en minutos. Los profesionales que hoy están invirtiendo en construir esa biblioteca — guardando los prompts que funcionaron, anotando por qué, iterando sobre los que fallaron — van a tener una ventaja operativa en dos años que los que no lo hagan no van a poder recuperar fácilmente.
La habilidad central, en otras palabras, no va a ser prompt writing. Va a ser prompt curation: saber reconocer cuándo un prompt funciona, cuándo falla, y cómo iterarlo hasta que pega consistentemente. Esa habilidad requiere hacer el trabajo real durante meses, con conciencia del proceso. No se aprende en un tutorial de YouTube.
Una pregunta para cerrar
¿Tenés hoy una carpeta donde guardás los prompts que te funcionaron en tu trabajo, anotando para qué casos, con qué modelo, con qué resultados? Si la respuesta es no, empezala esta semana. Es la inversión de mejor retorno que podés hacer en tu relación con la IA durante los próximos años.
