Cómo escribir un prompt profesional por ti mismo: la guía práctica

Si tus resultados con ChatGPT, Claude o Gemini son genéricos a pesar de la potencia del modelo, la causa no suele ser la herramienta, sino las instrucciones que le das. Una petición como «escríbeme un anuncio» obliga al modelo a adivinar la audiencia, el tono y el objetivo. Produce algo gramaticalmente correcto pero no directamente utilizable. Esta guía te enseña la habilidad que cambia ese resultado: cómo escribir un prompt tú mismo, con criterio, no por prueba y error.

Aprenderás: la diferencia entre una «petición» y un «prompt», los cuatro principios que sostienen todo buen prompt, tres técnicas avanzadas (Chain-of-Thought, Few-Shot y Output Schema), cinco errores comunes y cómo evitarlos, y cómo probar y mejorar tu prompt. Termina con un plan práctico de 7 días.

Esta guía es para quienes quieren entender por qué funciona un prompt, no solo copiar plantillas. Si buscas prompts para copiar directamente, empieza por la Biblioteca de Prompts o la Guía de Prompts Listos para Usar. Pero si quieres escribir tus propios prompts y entender lo que haces, esta guía es para ti.

¿Qué es un prompt y por qué importa?

Un prompt es el texto que le das a un modelo de IA para que produzca una respuesta. Pero esta definición no basta. La diferencia entre un prompt y otro no está en la longitud. Está en cuánto decide por el modelo.

La diferencia entre «petición» y «prompt»

Una petición es lo que escribes cuando quieres algo rápido y dejas las decisiones al modelo. Un prompt es lo que escribes cuando sabes que esas decisiones deben ser tuyas, no del modelo. Esta distinción no es académica. Es la diferencia entre un resultado que necesita una reescritura completa y uno que está cerca de la versión final en el primer intento. Cuando dejas las decisiones al modelo, este toma el camino seguro: tono neutro, longitud media, contenido genérico. Estas elecciones no son incorrectas, pero no son tus elecciones. Un buen prompt minimiza el margen de adivinación, para que el modelo construya sobre tus decisiones, no sobre sus suposiciones.

Un ejemplo real: la misma tarea con dos prompts distintos

La petición: Escríbeme un anuncio para mi producto.

Lo que el modelo suele producir:

«¡Descubre nuestro nuevo producto que cambiará tu vida! Alta calidad y precios competitivos. ¡Pídelo ahora y no dejes pasar la oportunidad!»

Este texto es gramaticalmente correcto, pero genérico. Nadie sabe de qué producto se trata, para quién es ni qué lo hace diferente. Si lo enviaras a un cliente, te pediría que lo reescribieras.

El prompt:

Eres redactor publicitario especializado en anuncios de Facebook para el sector retail, con 5 años de experiencia, y escribes con un tono directo, sin exageraciones.

Escribe 3 variantes de anuncio usando la fórmula PAS para [descripción del producto], dirigidas a [público: edad, interés, problema].

Para cada variante:

Una apertura que capture la atención en la primera línea (sin signos de exclamación)

Un punto de dolor concreto que viva el público

Una solución clara que ofrezca el producto

Una única llamada a la acción

Longitud: 90–120 palabras

Tono: seguro, sin exageraciones publicitarias

Entrega el resultado en una tabla Markdown de 3 filas (variante 1, 2, 3), con una columna por cada elemento anterior.

Lo que el modelo produce: Tres variantes de anuncio construidas sobre una estructura clara, cada una lista para una prueba A/B directa. La diferencia no está en la «inteligencia» del modelo, sino en cuánto decidiste tú.

Por qué el modelo adivina cuando tú no especificas

El modelo no lee mentes. Cuando no especificas un rol, elige uno genérico. Cuando no especificas un público, elige uno genérico. Cuando no especificas una longitud, elige una longitud media. Estas elecciones no son incorrectas, pero no son tus elecciones. Un buen prompt minimiza el margen de adivinación.

Este mismo principio lo aplicamos en Promptsa: cada herramienta pregunta por los detalles que realmente afectan al resultado y construye el prompt alrededor de ellos. Puedes ver este principio en acción en el Generador de Prompts para Artículos o en el Generador de Anuncios.

Los cuatro principios de todo buen prompt

Todo buen prompt, independientemente del modelo o de la tarea, se apoya en cuatro principios. Si falta uno, baja la calidad del resultado. Estos principios no son teoría abstracta; son el marco con el que el modelo interpreta lo que quieres. Cuando falta uno, el hueco se llena con la suposición del modelo, y el resultado refleja esa suposición, no tu objetivo.

1. Rol: ¿quién habla?

Especificar el rol fija el tono, la profundidad y el alcance del conocimiento que utiliza el modelo. En lugar de «eres un experto», especifica una experiencia concreta. La palabra «experto» no contiene información accionable; es un adjetivo, y los adjetivos no guían al modelo. «Un redactor de contenido en el sector de alimentos y bebidas, que escribe para un blog de café de especialidad, con un tono cálido» especifica: dominio (alimentos y bebidas), público (amantes del café de especialidad), tono (cálido). Tres decisiones que tomaste tú, y el modelo ya no necesita adivinarlas.

Eres un experto. Escríbeme un artículo sobre café.

Eres redactor de contenido especializado en el sector de alimentos y bebidas, escribes para un blog dirigido a amantes del café de especialidad, con un tono cálido y práctico, y tienes 5 años de experiencia editando contenido para cafeterías.

2. Contexto: ¿para quién y por qué?

El modelo no conoce a tu público, tu objetivo ni lo que escribiste antes. El contexto le da al prompt un ancla sobre la que construir. Sin contexto, el modelo escribe para «todos», con un objetivo «informativo general». Cuando especificas público y objetivo, todo cambia: vocabulario, ejemplos, tono e incluso lo que eliges no mencionar.

Escribe una publicación de Instagram sobre nuestro producto.

Escribe una publicación de Instagram sobre [descripción del producto], dirigida a mujeres de 25 a 40 años interesadas en el cuidado de la piel, que han probado otros productos sin éxito. Objetivo: llevarlas a visitar la página del producto, no a comprar directamente. Tono de la publicación: honesto, sin exageraciones, como una amiga que le da un consejo a otra amiga.

3. Restricciones: longitud, tono, formato

Las restricciones no limitan la creatividad; son una especificación de la salida. Sin ellas, el modelo elige lo que considera apropiado, y puede que no te convenga. Las restricciones también son un medio para convertir adjetivos vagos en instrucciones accionables. «Buen tono» no significa nada para el modelo. «Sin adjetivos exagerados, sin más de un signo de exclamación» significa algo concreto. Cuando escribas una restricción, pregúntate: ¿puedo verificar esta restricción en el resultado? Si la respuesta es no, la restricción es vaga y necesita reformulación.

Escríbeme una descripción del producto.

Escribe una descripción del producto con las siguientes restricciones:
- Longitud: 80–100 palabras (no más)
- Tono: práctico, sin adjetivos exagerados («el mejor», «el más fuerte»)
- Empieza con una frase que describa el problema que resuelve el producto
- Añade 3 beneficios tangibles (sin promesas genéricas)
- Termina con una única llamada a la acción
- No uses más de un signo de exclamación

4. Salida: ¿qué quieres recibir exactamente?

Este principio es el más descuidado. No quieres «texto»; quieres algo concreto: una tabla, una lista, JSON, Markdown, un correo electrónico, una publicación. Especifica el formato con precisión. Cuando especificas el formato de salida, no solo controlas la presentación, sino la estructura del pensamiento misma. Un modelo al que se le pide una tabla pensará en columnas y filas antes de escribir. Esto reduce la adivinación y aumenta el cumplimiento.

Dame ideas de contenido.

Dame 10 ideas de artículos para el blog sobre [tema], en una tabla Markdown con las siguientes columnas:
| # | Título del artículo | Palabra clave objetivo | Tipo de contenido (guía/análisis/lista) | Público objetivo |

Técnicas avanzadas (pero prácticas)

Más allá de los cuatro principios, hay tres técnicas que pueden añadirse para mejorar los resultados en tareas específicas. No son mágicas ni necesarias en todos los prompts, pero son útiles cuando sabes cuándo usarlas. Más importante que memorizarlas es entender cuándo ayudan y cuándo son una carga. Cada técnica tiene un coste: más tiempo, más tokens y a veces un resultado menos natural. El conocimiento real consiste en saber cuándo pagas ese coste.

Chain-of-Thought: cuándo ayuda y cuándo perjudica

Chain-of-Thought significa pedirle al modelo que muestre sus pasos de razonamiento antes de la respuesta final. Esto es útil en tareas que requieren razonamiento: análisis, comparación, resolución de problemas, toma de decisiones. Pero la investigación reciente ofrece una imagen más compleja. En modelos no diseñados para razonar, CoT puede mejorar ligeramente el rendimiento, pero aumenta la varianza de las respuestas y a veces introduce errores en preguntas que el modelo habría respondido correctamente sin CoT. En modelos diseñados explícitamente para razonar, CoT no mejora mucho la precisión, pero consume mucho más tiempo y tokens. En otras palabras: CoT no es «mejor» en términos absolutos. Es una herramienta para tareas específicas, y usarla en todas partes te hace pagar un coste sin beneficio.

Cuándo ayuda:

• Tareas de análisis y comparación («compara...», «analiza...»)
• Tareas de toma de decisiones («¿qué opciones son mejores y por qué?»)
• Tareas matemáticas o lógicas

Cuándo perjudica:

• Tareas creativas cortas (anuncios, tuits): CoT puede alargar el resultado sin beneficio
• Tareas en las que quieres una respuesta directa (definición, traducción)
• Modelos diseñados para razonar (como o1 o modelos que piensan internamente): CoT explícito puede añadir coste sin mejora

Analiza esta variante de anuncio según los siguientes criterios:
1. ¿Especifica claramente el público?
2. ¿Aborda un punto de dolor concreto?
3. ¿Es clara la llamada a la acción?

Antes de dar la evaluación final, explica tu análisis para cada criterio paso a paso.

Few-Shot: cómo elegir los ejemplos

Few-Shot significa incluir uno o dos ejemplos en el prompt del formato de salida que quieres. El modelo imita el patrón en lugar de inventarlo. Esto es especialmente útil cuando el patrón que quieres es poco común o cuando quieres controlar el tono con precisión. Pero la calidad de los ejemplos determina la calidad del resultado. Un mal ejemplo le enseña al modelo un mal patrón. El principio central: elige ejemplos que sean diversos (que cubran casos distintos), consistentes en formato y cercanos a tu dominio. Dos o tres ejemplos bastan; más alargan el prompt sin beneficio y distraen al modelo.

Escribe una descripción para un producto nuevo con el mismo estilo que los dos ejemplos siguientes:

Ejemplo 1:
«Mochila resistente al agua, 20 litros. Diseño minimalista con dos bolsillos interiores y correa acolchada. Adecuada para el uso diario y viajes cortos.»

Ejemplo 2:
«Botella térmica de agua, 500 ml. Mantiene el calor 12 horas y el frío 24 horas. Tapa hermética sin fugas y asa para colgar.»

El producto nuevo: [descripción del producto]

Output Schema: ejemplos de JSON/Markdown

En lugar de pedir «texto», pide un formato concreto que puedas usar directamente. Esto es útil cuando quieres trasladar el resultado a otro sistema. Un formato concreto reduce la adivinación y hace que el resultado esté listo para usar en lugar de necesitar reformateo. Pero atención: especificar el formato no significa que el modelo siempre lo respete. Los modelos más pequeños o menos capaces olvidan las restricciones a mitad de la salida. Si el formato es crítico, usa las funciones de «Structured Output» que ofrecen algunos modelos, o verifica el resultado después de la generación.

Dame el resultado en formato JSON así:
{
"title": "...",
"metaDescription": "...",
"h2Sections": ["...", "..."],
"keywords": ["...", "..."]
}

5 errores comunes al escribir prompts (y cómo evitarlos)

Incluso después de entender los principios, hay errores recurrentes que debilitan el prompt. Estos son los más comunes. Observa que la mayoría no son «errores» en el sentido de que no funcionen; significan que el resultado será inferior a lo posible y necesitará rondas extra de edición.

Error 1: un prompt largo sin estructura

La longitud no es un defecto en sí misma, pero la longitud sin estructura sobrecarga al modelo y debilita el cumplimiento. Cuando lanzas todas las instrucciones en un párrafo, al modelo le cuesta saber qué es lo más importante, qué es una restricción y qué es la salida. La estructura (encabezados, listas, separadores) no es decoración; es una forma de decirle al modelo cómo leer el prompt.

Quiero que me escribas un artículo sobre café de especialidad y que el artículo sea bueno y esté organizado y contenga una introducción y encabezados y párrafos y una conclusión y sea adecuado para un blog y se dirija a los amantes del café y tenga una longitud adecuada y un tono adecuado...

Escribe un artículo sobre café de especialidad con la siguiente estructura:
- Introducción: 150 palabras
- 3 secciones H2, cada una de 200-250 palabras
- Conclusión: 100 palabras
- Longitud total: 800-900 palabras
- Público: amantes del café de especialidad, sin formación técnica
- Tono: cálido, práctico

Error 2: asumir que el modelo conoce el contexto

El modelo no conoce a tu público, tu producto ni lo que escribiste antes. Si no incluyes contexto, inventará uno. Esto no es un error del modelo; es su forma de funcionar. El modelo construye sobre lo que tiene, y si no tiene nada, construye sobre lo genérico.

Mejora este texto.

Mejora el siguiente texto para que sea adecuado para una landing page dirigida a principiantes en [campo]. Objetivo: aumentar las inscripciones a un curso gratuito. Tono: alentador, sin exageraciones.

Texto:
[texto original]

Error 3: no especificar el tono

El tono por defecto de los modelos suele ser formal o neutro. Si quieres un tono distinto, especifícalo explícitamente. No asumas que el modelo «entenderá» por el contexto que quieres un tono cercano. Los modelos no entienden la intención implícita como los humanos. Lo que no escribes no forma parte de las instrucciones.

Escribe una publicación sobre nuestro producto.

Escribe una publicación sobre nuestro producto con un tono [elige: cercano / directo / humorístico / formal], sin exageraciones publicitarias, como un consejo de un amigo.

Error 4: pedir varias cosas en un solo prompt

Cuantas más tareas haya en un prompt, menor será el cumplimiento de cada una. El modelo reparte su atención (en sentido figurado) entre las tareas y puede completar algunas a costa de otras. Separa las tareas. Si quieres un artículo, luego palabras clave, luego una meta descripción, hazlo por etapas. El resultado será mejor en cada etapa, y la suma mejor que intentar «todo a la vez».

Escríbeme un artículo, especifica las palabras clave, escribe una meta descripción, crea publicaciones para redes sociales y dame ideas de imágenes.

Tarea 1: Escribe un artículo sobre [tema] (800 palabras, estructura H2/H3).
(Al terminar, pasaremos a la Tarea 2.)

Error 5: no probar el resultado ni editarlo

El primer prompt rara vez es el mejor. Prueba, observa qué falta, edita, vuelve a probar. Este bucle es lo que separa un prompt «bueno» de uno «excelente». El error aquí no está en el prompt en sí, sino en detenerse después del primer intento. Un buen prompt se construye con iteración, no en una sola sesión.

Cómo probar y mejorar tu prompt

Escribir prompts no es un evento único; es un bucle: escribir, probar, observar, editar, repetir. Este bucle es lo que convierte un prompt promedio en uno excelente. A menudo, la diferencia entre un prompt que «funciona» y uno que «funciona bien» es de 2 o 3 rondas de edición enfocada.

Prueba A/B con dos variantes

En lugar de editar todo el prompt y esperar que mejore, cambia una variable a la vez y compara los resultados. Así sabes qué cambio marcó la diferencia, en lugar de adivinar.

Ejemplo:

• Variante A: el prompt actual
• Variante B: el mismo prompt + solo «con un tono cercano»
• Compara: ¿el resultado se acerca a lo que quieres? Si sí, mantén el cambio. Si no, prueba otra variable.

Cuándo reescribir y cuándo cambiar de modelo

No todo resultado débil se debe al prompt. A veces la causa es el propio modelo. La regla práctica: no cambies de modelo antes de agotar las mejoras del prompt. La mayoría de los problemas se resuelven en el prompt, no en el modelo. Si has probado 3 o 4 mejoras en el prompt y el resultado no ha mejorado, puede ser el momento de probar otro modelo. Pero si no has probado mejoras sistemáticas, cambiar de modelo no resolverá el problema.

Tabla: problema, causa probable, solución

Esta es una tabla de referencia rápida a la que puedes volver con cada resultado insatisfactorio:

Del prompt manual a la herramienta

Después de aprender a escribir prompts por ti mismo, surge una pregunta lógica: ¿por qué usar una herramienta entonces? La respuesta: porque ambas sirven a propósitos distintos y ninguna sustituye a la otra. Una herramienta no es un sustituto de la habilidad; es un acelerador de ella. Y la habilidad no es un sustituto de la herramienta; es la base para usarla con criterio.

Cuándo escribir tu prompt por ti mismo

• Cuando la tarea es no estándar y necesita un contexto específico que una herramienta genérica no puede captar
• Cuando quieres control total sobre cada palabra
• Cuando estás aprendiendo, porque escribir a mano es la mejor forma de entender cómo funciona el modelo
• Cuando la tarea es sensible (contenido legal, médico, financiero) y necesita revisión manual de cada detalle

Cuándo usar una herramienta lista

• Cuando la tarea es estándar (artículo SEO, descripción de producto, anuncio), porque la herramienta aplica los cuatro principios automáticamente
• Cuando quieres ahorrar tiempo, porque la herramienta pregunta por los detalles, construye el prompt y evita el bucle de prueba y error
• Cuando eres principiante, porque la herramienta te muestra cómo se construye un buen prompt y se convierte en una referencia de la que aprendes
• Cuando necesitas verificar un prompt existente, porque el Optimizador de Prompts refuerza tu prompt y te muestra lo que le falta

Cómo beneficiarte de ambos a la vez

El enfoque óptimo es la combinación:

1. Empieza con una herramienta para tareas estándar (artículo, anuncio, descripción de producto): obtienes un prompt construido sobre los cuatro principios.
2. Lee el prompt resultante y observa cómo se aplicaron los principios y cómo se formularon las restricciones.
3. Edita manualmente: añade tu contexto específico, cambia el tono o añade una restricción que la herramienta no incluyó.
4. Prueba y compara el resultado antes y después de la edición.
5. Aprende, porque la próxima vez escribirás tu prompt tú mismo, y la herramienta te habrá enseñado el patrón.

Resumen: un plan de 7 días para dominar la escritura de prompts

El conocimiento sin aplicación se evapora. Este es un plan práctico de 7 días, cada día un pequeño ejercicio (15-30 minutos), que te lleva de lo básico a la aplicación. No esperes a ser experto para empezar; empieza con un prompt y aplica un principio cada día.

Día 1: entender la diferencia entre petición y prompt

• Escribe una petición (una línea) para una tarea que conozcas bien.
• Escribe la misma tarea como prompt (rol, contexto, restricciones, salida).
• Compara los resultados. Observa qué cambió.

Día 2: aplicar el rol

• Toma un prompt del Día 1 y añade un rol preciso, no «experto», sino una experiencia concreta.
• Vuelve a probar. Observa la diferencia en tono y profundidad.

Día 3: aplicar el contexto

• Toma el mismo prompt y añade contexto (público, objetivo, problema previo).
• Vuelve a probar. Observa cómo el resultado se acercó a tu público.

Día 4: aplicar restricciones

• Añade restricciones (longitud, tono, formato).
• Vuelve a probar. Observa cómo disminuyó la necesidad de reescritura.

Día 5: aplicar Output Schema

• Pide al modelo que entregue el resultado en un formato concreto (tabla, JSON, lista).
• Observa cómo el resultado pasó a estar listo para usar en lugar de necesitar reformateo.

Día 6: probar una técnica avanzada

• Prueba Chain-of-Thought en una tarea de análisis.
• Prueba Few-Shot en una tarea de formato.
• Compara el resultado antes y después.

Día 7: prueba A/B

• Toma un prompt y escribe dos variantes (A y B) con una sola variable distinta.
• Prueba ambas en la misma tarea.
• Observa qué variable marcó la diferencia.

Después de siete días: habrás practicado los cuatro principios, las tres técnicas y el bucle de prueba. No es un dominio completo, pero sí una base sólida sobre la que construir.

Conclusión

Escribir prompts es una habilidad, no un botón. Se aprende aplicando, no memorizando. Los cuatro principios (rol, contexto, restricciones, salida) son la base. Las tres técnicas (CoT, Few-Shot, Output Schema) son las herramientas. El bucle de prueba y edición es lo que convierte un «prompt» en un «prompt excelente».

No esperes a ser experto para empezar. Empieza con un prompt, aplica un principio, observa la diferencia y añade otro principio. Después de una semana, habrás avanzado más que si hubieras leído diez guías sin aplicar.

Y si quieres acelerar el aprendizaje, empieza por el Generador de Prompts: prueba una herramienta, lee el prompt resultante, observa cómo se aplicaron los principios y luego edítalo manualmente. O profundiza en la Guía de Ingeniería de Prompts para una comprensión más amplia. Y si quieres prompts listos para copiar, la Biblioteca de Prompts y la Guía de Prompts Listos son buenos puntos de partida.

Siguiente paso: abre el Generador de Prompts y escribe tu primer prompt profesional tú mismo, o usa la herramienta y luego compara. La diferencia que notes es la mejor lección.

Artículos relacionados

• Guía de Prompts Listos para Usar
• ChatGPT vs Claude vs Gemini: diferencias en los prompts
• Guía de optimización de prompts de ChatGPT
• Los mejores generadores gratuitos de prompts con IA
• Secretos del generador gratuito de prompts de ChatGPT
• Guía de prompts para infografías con IA
• Guía de contenido SEO con IA
• Guía de descripciones de productos con IA
• Prompts para anuncios y marketing

Herramientas relacionadas

• Generador de Prompts
• Ingeniería de Prompts
• Biblioteca de Prompts
• Optimizador de Prompts
• Traductor de Prompts
• Generador de Prompts para Artículos
• Generador de Anuncios
• Generador de Contenido SEO
• Generador de Descripciones de Productos
• Generador de Informes
• Generador de Agentes de IA
• Generador de Prompts para Infografías