Rol en prompts: cómo mejorar respuestas de IA

Cada vez que pides ayuda en tu vida cotidiana, inconscientemente evalúas quién es la persona más indicada para resolver tu problema. Esa misma lógica aplica cuando interactúas con un modelo de lenguaje: asignar un rol específico transforma radicalmente la calidad de la respuesta. Comprender este mecanismo y combinarlo con una estructura clara de prompt es lo que separa a quienes obtienen respuestas genéricas de quienes logran resultados precisos y útiles.

¿Por qué asignar un rol cambia la respuesta de la inteligencia artificial?

Cuando le indicas a un LLM que actúe como un profesional específico, estás modificando el espacio vectorial en el que el modelo busca información [0:56]. En términos simples, estás dirigiendo la IA hacia el área de conocimiento que más te conviene para resolver tu problema. Esto funciona porque activas patrones específicos del lenguaje que el modelo aprendió durante su entrenamiento.

Una forma intuitiva de entenderlo es pensar en una job description. Cuando un empleado recibe su descripción de puesto, sabe cómo comportarse, desde qué perspectiva abordar los problemas y qué se espera de él [1:18]. Lo mismo ocurre con los modelos de lenguaje.

¿Cómo se ve la diferencia en la práctica?

El ejemplo que se presenta es revelador [1:30]. Al preguntar simplemente "¿qué es el clima?", la respuesta es genérica, tipo enciclopedia: temperatura, precipitaciones, humedad, vientos. Sin embargo, al reformular el prompt como "actúa como climatólogo experto y explícame qué es el clima, yo soy un niño de primaria", la respuesta cambia por completo:

• La IA comienza a usar emojis porque interpreta que su audiencia es un niño.
• Utiliza analogías como "el clima es como la personalidad de un lugar en la Tierra".
• Emplea herramientas del lenguaje distintas para facilitar la comprensión.

No solo cambió el contenido, sino las estrategias comunicativas que el modelo eligió para resolver el problema [2:10].

¿Cómo verificar que el rol elegido es el correcto?

Una práctica muy útil es preguntarle directamente al LLM: "para ti, ¿qué es un community manager?" [2:47]. Esto permite entender qué interpreta el modelo por ese rol y evaluar si realmente es el perfil adecuado para tu necesidad. A veces creemos que necesitamos un community manager para escribir un guion de TikTok, pero resulta que un guionista sería más efectivo. La clave no está en lo que el rol significa para las personas a tu alrededor, sino en lo que el modelo entiende dentro de su entrenamiento.

¿Cuál es la estructura de un prompt efectivo?

Con base en lo aprendido, se presenta una estructura que no es una regla inquebrantable, sino una guía para identificar qué le hace falta a tu prompt para llegar al resultado esperado [3:20].

• Rol: mueve el espacio vectorial al área de conocimiento más relevante para tu problema.
• Enfoque o instrucción: debe ser claro y conciso. No necesitas pedir el favor ni decorar con palabras innecesarias. Entre más preciso seas, más efectivo será el prompt [3:40].
• Contexto de la memoria: es la información que el LLM necesita para resolver el problema. Sin el contexto adecuado, como un reporte o datos específicos, no se puede llegar al resultado deseado [4:00].
• Límites: define la estructura del resultado que esperas. ¿Quieres un resumen? ¿En bullet points? ¿De cuántas palabras? [4:15].

¿Por qué la especificidad en los límites importa tanto?

La palabra "corto" es ambigua: en un libro, 80 páginas podría considerarse corto. Por eso, entre más específicos sean los límites, mejor. Algunas recomendaciones prácticas:

• Especifica número de caracteres, oraciones o palabras.
• Usa adjetivos que orienten el tono: "sé accionable", "sé conciso", "sé pragmático" [4:30].
• Reduce la ambigüedad al máximo para lograr el resultado esperado en un solo prompt.

Ahora que conoces el poder de asignar un rol y estructurar tus prompts, ¿cuál es tu rol en tu empresa y cómo lo describirías en 100 caracteres? Compártelo en los comentarios.