Ingeniería de prompts: hacé que la IA te entienda

La ingeniería de prompts es el oficio de escribirle a la IA de forma que entienda exactamente qué querés y te lo devuelva igual cada vez. No es magia ni trucos: es un puñado de técnicas que convierten respuestas inconsistentes en una herramienta de trabajo confiable. Si usás IA para redactar, clasificar, resumir o automatizar algo, esto es lo que hace la diferencia entre "a veces sale bien" y "sale bien siempre".

Por qué un buen prompt cambia todo

La mayoría de la gente le tira a la IA una orden vaga ("resumime esto") y se queja del resultado. El problema no es el modelo: es que le diste demasiado margen para interpretar. Un prompt bien armado le saca la ambigüedad y le marca la cancha. La regla base es simple: sé específico, mostrá en vez de explicar, y empezá simple antes de complicarte.

Vamos a las técnicas que de verdad mueven la aguja.

Few-shot: enseñá con ejemplos, no con reglas

En vez de explicarle al modelo qué tiene que hacer, mostrale 2 a 5 ejemplos de entrada y salida. La IA aprende el patrón mucho mejor viendo casos concretos que leyendo una lista de reglas. Usalo cuando necesitás un formato consistente, una estructura fija de salida, o que maneje casos raros de una forma puntual.

Acá un ejemplo para extraer datos de mensajes de clientes y devolverlos siempre en el mismo formato:

Extraé la información clave de cada consulta de soporte y devolvela como JSON.

Entrada: "No me anda el login y me tira error 403"
Salida: {"tema": "autenticacion", "codigo_error": "403", "prioridad": "alta"}

Entrada: "¿Pueden agregar modo oscuro en la configuración?"
Salida: {"tema": "pedido_funcionalidad", "codigo_error": null, "prioridad": "baja"}

Ahora procesá esta:
"No puedo subir archivos de más de 10MB, me da timeout"

El truco está en que los ejemplos sean parecidos a lo que realmente vas a pedir. Si tus ejemplos no representan bien la tarea, el modelo copia el patrón equivocado. Más ejemplos suelen dar más precisión, pero también gastan más tokens: balanceá según lo difícil que sea la tarea.

Cadena de razonamiento: pedile que piense paso a paso

Cuando la tarea requiere lógica de varios pasos (analizar, deducir, calcular), pedile que razone antes de darte la respuesta final. La forma más simple es agregar "Pensá paso a paso" o, mejor todavía, marcarle los pasos que querés que siga. Esto mejora muchísimo la calidad en tareas analíticas porque obliga al modelo a no saltar directo a una conclusión apurada.

Analizá este reporte de bug y determiná la causa raíz.

Pensá paso a paso:
1. ¿Cuál es el comportamiento esperado?
2. ¿Cuál es el comportamiento real?
3. ¿Qué cambió hace poco que pueda estar causándolo?
4. ¿Qué componentes están involucrados?
5. ¿Cuál es la causa raíz más probable?

Bug: "Los usuarios no pueden guardar borradores desde que ayer
se desplegó la actualización del caché"

Bonus: cuando el modelo te muestra su razonamiento, vos podés verificar si la lógica cierra. Si se equivoca, ves exactamente en qué paso se fue de tema.

Prompt de sistema: fijá el rol y las reglas que no cambian

El prompt de sistema define el comportamiento global: quién es el modelo, qué expertise tiene, en qué formato responde y qué reglas respeta siempre. Va separado de tu pedido puntual. Sirve para instrucciones estables que no querés repetir en cada mensaje, así dejás libre el mensaje del usuario para lo que de verdad varía.

Sos un desarrollador backend senior especializado en diseño de APIs.

Reglas:
- Siempre considerá escalabilidad y rendimiento.
- Por defecto sugerí patrones RESTful.
- Marcá cualquier problema de seguridad de inmediato.
- Dá los ejemplos de código en Python.

Formato de respuesta:
1. Análisis
2. Recomendación
3. Ejemplo de código
4. Compromisos (trade-offs)

Definirle un rol claro ("sos un X especializado en Y") alinea el tono, el vocabulario y el criterio del modelo con lo que necesitás. Es de lo más barato y efectivo que podés hacer.

Salida estructurada y plantillas reutilizables

Si vas a repetir el mismo tipo de pedido con datos distintos, armá una plantilla con variables. Dejás fija la estructura y solo cambiás lo que cambia. Esto te evita reescribir todo cada vez y mantiene la consistencia entre tareas parecidas.

Revisá este código de {lenguaje} buscando {area_de_foco}.

Código:
{bloque_de_codigo}

Dame feedback sobre:
{checklist}

Ejemplo de uso:
- lenguaje: Python
- area_de_foco: vulnerabilidades de seguridad
- checklist: 1. Inyección SQL  2. Riesgos XSS  3. Autenticación

Cuando además necesitás que la salida sea siempre el mismo formato (para que otro sistema la procese), pedilo explícito: "Devolvé únicamente un JSON con estos campos" o "Respondé en una tabla markdown con estas columnas". Cuanto más claro el contrato de salida, menos sorpresas.

Empezá simple y subí de a poco

Un error típico es arrancar con un prompt gigante y complejo de entrada. Hacé lo contrario: empezá con lo mínimo y agregá complejidad solo cuando el resultado no alcanza. Esta progresión te ahorra tiempo y tokens.

Nivel 1 — Instrucción directa:
"Resumí este artículo."

Nivel 2 — Agregá restricciones:
"Resumí este artículo en 3 viñetas, enfocándote en los hallazgos clave."

Nivel 3 — Agregá razonamiento:
"Leé el artículo, identificá los 3 hallazgos principales y después
resumí cada uno en una viñeta."

Nivel 4 — Agregá ejemplos:
(sumá 2 o 3 resúmenes de ejemplo con su entrada y salida)

Subí un nivel solamente cuando el anterior se queda corto. Si con el Nivel 1 ya obtenés lo que querés, no compliques.

Dale a la IA el margen justo

No todas las tareas necesitan el mismo nivel de detalle. La idea es: cuanto más frágil o crítica la tarea, menos margen le das al modelo; cuanto más abierta, más lo dejás decidir.

• Margen amplio cuando hay varios caminos válidos y la mejor opción depende del contexto. Le das una dirección general y confiás en su criterio (ejemplo: "revisá este texto y mejorá la claridad").
• Margen medio cuando hay un patrón preferido pero se acepta variación. Le das una plantilla y que la adapte.
• Margen bajo cuando la tarea es delicada y la consistencia es obligatoria. Le das el paso a paso exacto y le aclarás que no se desvíe (ejemplo: "seguí exactamente estos pasos, no agregues nada").

Pensalo como un robot caminando: si va por un puente angosto con precipicios a los costados, le marcás cada paso; si está en un campo abierto sin peligros, le das el rumbo y que encuentre el camino.

Errores comunes que conviene evitar

• Pasarte de complejo desde el arranque en vez de probar lo simple primero.
• Ejemplos que no pegan con la tarea real: el modelo copia el patrón equivocado.
• Instrucciones ambiguas que dejan lugar a varias interpretaciones.
• No probar casos raros: lo que funciona con el caso fácil a veces explota con el borde.
• Saturar de ejemplos hasta pasarte del límite de contexto.

La forma de mejorar es iterar: probá una versión, mirá qué falla, ajustá una cosa. Cambios chicos suelen tener impacto grande.

Próximo paso

Agarrá una tarea repetitiva que ya hacés con IA y reescribila aplicando una sola de estas técnicas (empezá por few-shot o por definirle un rol de sistema). Vas a notar la diferencia en la primera prueba. Si querés que armemos juntos los prompts y plantillas de tu caso real, agendá una llamada en /agenda y lo trabajamos sobre tu flujo concreto.