Qué es un prompt — la instrucción más importante que vas a escribir

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.