Aprender prompt engineering cambia la forma en que usas ChatGPT, Claude o Gemini: dejas de pelearte con respuestas genéricas y empiezas a obtener resultados precisos. Esta guía está pensada para cualquier persona, técnica o no, que quiera sacarle provecho real a los modelos de inteligencia artificial.

¿Cómo entiende un LLM tu lenguaje?

Antes de escribir un buen prompt, vale la pena entender qué pasa dentro del modelo cuando le hablas. La forma en que un LLM procesa palabras no se parece a las viejas reglas gramaticales que intentaban enseñarle un idioma a una computadora.

Existe un proceso llamado tokenización que toma tu instrucción y la parte en piezas pequeñas, considerando sutilezas de cada idioma como los signos de interrogación de apertura en español [09:30]. Esos tokens se transforman en embeddings, vectores multidimensionales que capturan el significado cultural y las conexiones que cada palabra tiene dentro del lenguaje.

¿Qué es un token en un LLM? Es la unidad mínima en que el modelo divide tu texto. Aproximadamente cuatro caracteres en inglés equivalen a un token, y cada modelo tiene un límite de cuántos puede procesar a la vez.

Por eso cada palabra que eliges importa. No es solo un carácter más: el peso cultural y semántico de esa palabra mueve la respuesta del modelo hacia un lado u otro.

¿Cuáles son los cuatro fundamentos de un buen prompt?

Juan Pablo Rojas, Chief Product Officer de Platzi, identifica cuatro pilares que aplican tanto para delegar a una IA como a una persona [27:00]. Si te falta uno, tu prompt empieza a fallar.

Enfoque: la instrucción clara

El enfoque es la instrucción concreta. En lugar de "Hola, ¿será que usted puede decirme cuánta propina debo dar?", escribe "Calcula la propina del 10% sobre 1.000 pesos". Pedir un favor abre la puerta a un sí o un no; dar una instrucción directa solo deja una salida: ejecutarla.

Entre más detallada sea la instrucción, más limitas la creatividad del modelo y reduces alucinaciones. Las alucinaciones nacen de la ambigüedad, así que el truco es resolver la tarea tú primero, anotar tu proceso mental paso a paso y convertirlo en prompt.

Contexto o memoria: lo que tú ya sabes

El contexto es la información que tienes sobre el problema y que el modelo no puede inventar. Si pides un copy para una push notification, no es lo mismo escribirlo para una clase en vivo de Platzi que para un Instagram live de una agencia inmobiliaria.

Incluye antecedentes, ejemplos previos que funcionaron, patrones que ya identificaste en tu audiencia. Y un consejo práctico: apaga la función de memoria de ChatGPT cuando estés diseñando prompts, porque introduce ruido que no controlas [37:30].

Límites: los do's and don'ts

Hay una frase que resume bien este punto: constraints will set you free. Los límites no te encierran, te liberan, porque definen qué sí esperas y qué no. Puedes expresarlos como reglas o como ejemplos dentro del prompt.

Cuando uses ejemplos, asegúrate de que sean diversos y reales. Si todos tus ejemplos se parecen, el modelo va a copiar ese patrón y vas a perder creatividad en cada respuesta.

Rol: a quién le delegarías esta tarea

Asignar un rol mueve el espacio vectorial hacia un área de conocimiento específica. Decirle "actúa como data scientist" o "actúa como copywriter especializado en push notifications" reduce ambigüedad en cada palabra que uses después.

Un ejemplo cultural lo deja clarísimo: si le dices a un colombiano "vamos a almorzar", entiende las 12:30 p.m.; si se lo dices a un mexicano, piensa en algo a las 11:00 a.m. porque su almuerzo es nuestro desayuno tardío [50:00]. El rol resuelve ese tipo de ambigüedades.

¿Qué técnicas avanzadas mejoran tus resultados?

Más allá de los fundamentos, hay técnicas que vale la pena conocer y que se cubren a fondo en el curso de prompt engineering de Platzi.

• Chain of Thought: pedirle al modelo que piense paso a paso antes de responder mejora resultados, aunque hoy los modelos que razonan (los que empiezan por o en OpenAI) ya lo hacen por defecto [30:00].
• Least to most: descomponer un problema grande en partes pequeñas hasta llegar al resultado esperado.
• Metaprompts: crear prompts que generan procesos completos, no solo respuestas puntuales. Estos son los que después puedes escalar como un GPT personalizado.

¿Qué es un GPT personalizado? Es la forma más sencilla de escalar un metaprompt sin programar. Configuras el system prompt una sola vez y cualquier persona de tu equipo puede ejecutar el mismo proceso con un clic.

Un truco útil cuando llevas una conversación larga y por fin lograste el resultado: pídele al modelo "convierte todo lo que te dije en un prompt". Te ahorra reconstruir desde cero la próxima vez.

¿En qué idioma conviene escribir tus prompts?

La recomendación es usar tu idioma nativo. Es donde dominas mejor el vocabulario, las sutilezas y las diferencias culturales. Aunque hables inglés bien, si no viviste cinco años en un país anglosajón probablemente no captas matices entre el inglés británico y el estadounidense.

Modelos como GPT y Claude funcionan perfecto en español e inglés. Casos como DeepSeek piensan en chino porque su entrenamiento es mayoritariamente con contenido chino. Escribe en el idioma donde puedas ser más preciso, sin ego de por medio.

¿Qué modelo de IA elegir según la tarea?

El ecosistema cambia cada semana, pero estos son los protagonistas hoy:

• ChatGPT (OpenAI): modelos GPT-4o, 4.5 y la familia o3, o4-mini, o4-high que razonan paso a paso [01:01:00].
• Claude (Anthropic): enfoque ético, excelente para escribir código, marketing y escritura creativa. Por defecto no usa tus datos para entrenar.
• Gemini (Google): la ventana de contexto más grande, hasta 2 millones de tokens frente a los 128.000 de GPT-4. Ideal para analizar grandes volúmenes de texto y video.
• Mistral: modelo francés fuerte en análisis de documentos.
• DeepSeek: muy bueno para identificación de patrones, se puede correr local.
• Perplexity: usa varios modelos por detrás y permite escogerlos.
• Copilot (GitHub y Microsoft): el de GitHub es excelente para código; el de Microsoft suele ir varios pasos atrás en versiones de modelo.

¿Y si te preocupa la seguridad de tus datos?

Si pagas ChatGPT puedes hacer opt-out del entrenamiento, usar el API de OpenAI (que por defecto no entrena con tus datos) o activar el temporary chat, que funciona como ventana de incógnito. Claude no usa tu información para entrenar por defecto. Siempre revisa términos y condiciones del modelo que uses.

Un detalle final: si te encuentras escribiendo en mayúsculas dentro de un prompt, repiénsalo. El modelo interpreta las mayúsculas como urgencia, igual que un humano interpreta que le están gritando. Si llegaste ahí, es señal de que el prompt está mal estructurado, no de que necesitas gritar más fuerte.

¿Cuál de estos cuatro fundamentos te ha costado más aplicar en tus prompts? Cuéntame en los comentarios.