Prompt engineering en 30 minutos: la fundación que dura

Prompt engineering se volvió tema vendible y por eso lleno de jerga. La verdad es más simple: redacción técnica clara, con cinco patrones, resuelve 80% de los casos. El otro 20% es context engineering, harness engineering, fine-tuning — temas separados.

Esto es lo que necesitas en 30 minutos, sin zero-shot vs few-shot vs chain-of-thought vs tree-of-thought — solo lo que funciona en Claude, GPT, Gemini, Llama desde 2024 y sigue vigente en 2026.

Los 5 patrones fundamentales

1 · Di lo que quieres, no lo que evitar

“No uses jerga técnica” es débil. “Usa lenguaje que un gerente sin fondo técnico entienda” es fuerte. Los modelos completan patrones; patrón positivo es más fácil de seguir que patrón negativo.

Mismo principio en decisión: “Si la categoría es X, retorna ‘aprobado’; sino, retorna ‘revisión humana’” gana a “No apruebes si hay duda”.

2 · Persona resuelve tono; estructura resuelve formato

Para tono, define persona: “Eres director de RH con 15 años de experiencia. Tono formal pero no burocrático”. Para formato, define estructura: “Retorna en 3 bullets, cada bullet con 1 frase, frase empezando con verbo en imperativo”.

Persona sin estructura entrega tono OK en formato variado. Estructura sin persona entrega formato OK en tono equivocado. Usa los dos.

3 · Ejemplos ganan a instrucción abstracta

“Escribe email educado” es vago. “Escribe email siguiendo este ejemplo: [ejemplo de 4 líneas]. Mismo tono, mismo largo, mismo nivel de formalidad” es quirúrgico.

Para tareas repetidas, mantén biblioteca de 1-2 ejemplos por contexto. Cuesta un poco en tokens, paga en consistencia.

4 · Restringe el output explícitamente

Los modelos tienden a ser verbosos. “Responde en hasta 50 palabras” funciona. “Solo da la respuesta directa, sin explicación” funciona mejor. “Output JSON con schema {nombre, valor, justificación}” funciona aún mejor para integración.

Para uso programático: siempre fuerza schema. Sin schema, el output varía entre llamadas.

5 · Cuando se equivoca, muestra cómo se equivocó

Iteración simple: dices lo que quieres, el modelo entrega, está equivocado, reclamas. Funciona mejor si quotas el error y explicas: “Tu respuesta anterior usó ‘estimulante’ (línea 2). Ese adjetivo no aparece en nuestra guía de marca; sustituye por ‘eficaz’.” Gana a “tono equivocado, rehaz”.

Los 3 anti-patrones

Anti-patrón 1 · “Actúa como experto mundial”

Persona inflada no mejora la respuesta. “Eres el mejor especialista en IA del mundo” vale tanto como “eres un especialista en IA”. El modelo no está más motivado — solo recibe persona genérica.

Usa persona específica y contextual (“director de RH brasileño con foco en compliance LGPD”), no inflada.

Anti-patrón 2 · “Piensa paso a paso” en todo prompt

Chain-of-thought tenía valor real en 2023 con GPT-3.5 y similares. En modelos modernos (Claude Sonnet 4.6+, GPT-5+, Gemini 2.5+), el modelo lo hace por default cuando la tarea lo pide. Forzar perjudica en tareas simples — agrega ruido.

Usa CoT explícito solo en tareas complejas donde quieres ver el razonamiento para debug.

Anti-patrón 3 · Prompt único gigante con todo

Intentar resolver 5 problemas en el mismo prompt entrega 5 respuestas mediocres. Descompón en 5 calls (o un agente). Token gastado, pero la calidad sube.

Template universal (memoriza o pega en Notion)

[CONTEXTO] Estoy trabajando en <situación>. El objetivo es <resultado>.

[PERSONA] Actúa como <papel específico, con condimento contextual>.

[TAREA] <Lo que quieres hecho>.

[INPUT] <Material/dato>.

[FORMATO] <Cómo quieres el output>. Ejemplo: <ejemplo corto>.

[RESTRICCIONES] <Qué NO incluir, largo, etc>.

En 80% de las tareas corporativas, ese template + 30 segundos de personalización entrega resultado consistente.

Cuando prompt engineering no alcanza

Si necesitas que el modelo recuerde conversaciones anteriores, busque en documentos tuyos, llame herramientas externas, o trate dato sensible — saliste de prompt engineering y entraste en context engineering o harness engineering. Seguir “mejorando el prompt” es colar agua.

Próximo: Context engineering: lo que está más allá del prompt — donde la mayoría de las ganancias reales en 2026 viven.