Prompting
Sinónimos: Ingeniería de prompts · Prompt engineering · Diseño de instrucciones
Definición ampliada
El prompting es la técnica de dirigir lo que hace un modelo de lenguaje a través del texto que se le presenta: instrucciones, preguntas, ejemplos, formato de salida o contexto de la tarea. Cuando esa práctica se sistematiza —se prueban variantes, se comparan resultados y se fijan plantillas— suele llamarse ingeniería de prompts o prompt engineering.
Lo relevante es que no modifica el modelo. A diferencia del ajuste fino, que cambia los pesos, el prompting actúa sobre la entrada: el mismo modelo, con el mismo entrenamiento, produce respuestas muy distintas según cómo se le pida la tarea. Es la forma de diseño de instrucciones más accesible, porque no requiere infraestructura ni datos de entrenamiento.
Contexto histórico
La práctica se volvió central con los modelos de lenguaje capaces de abordar tareas nuevas sin reentrenamiento. El artículo que presentó GPT-3 en 2020 mostró que un modelo suficientemente grande podía resolver tareas a partir de unos pocos ejemplos incluidos en el propio texto de entrada, sin actualizar sus parámetros [1]. A partir de ahí, la redacción del prompt dejó de ser un detalle de uso y pasó a ser la palanca principal sobre el comportamiento del sistema.
Importancia actual
El prompting es la forma más inmediata y reversible de adaptar un modelo, pero su peso ha cambiado con los modelos. Algunos trucos de redacción han perdido eficacia: en un estudio publicado en 2024, asignar un papel («eres un médico») no mejoró las respuestas con 162 papeles y cuatro familias de modelos [2], y un informe técnico de 2025 encontró que, en los modelos que ya razonan, pedirles que piensen paso a paso aportaba poco o nada [3]. Lo que sigue haciendo falta es especificar bien la tarea. En un estudio de 2025, todavía en preprint, los modelos evaluados infirieron por su cuenta el 41,1 % de los requisitos que no se les habían dicho, y ese comportamiento resultó frágil [4]. Son resultados de modelos concretos y de su fecha: con los siguientes pueden cambiar.
Cuando el modelo trabaja como agente, con herramientas y muchos pasos, el problema crece: hay que decidir qué información recibe en cada paso. Es la ingeniería de contexto, que Anthropic presenta como la progresión natural de la ingeniería de prompts y que una revisión de 2025 propone tratar como disciplina propia [5,6]. La lámina 05 del Atlas separa lo medido de lo inferido. Técnicas como el few-shot learning, el zero-shot learning y la cadena de pensamiento son, en la práctica, estrategias de prompting.
Conviene no confundirlo con el prompt de sistema, que es el conjunto de instrucciones que fija la aplicación y que el usuario normalmente no ve ni edita.
Aplicaciones
Generales
Estructurar la tarea, fijar el formato de la respuesta, delimitar el papel del modelo, acotar la extensión o exigir que cite las fuentes que usa.
Sanitarias
Extraer datos concretos de un texto clínico, resumir una evolución, reformular información para un paciente o preparar el guion de una sesión. El prompt puede además fijar cautelas explícitas —pedir que el modelo señale lo que no puede confirmar, o que distinga lo que viene del documento de lo que añade—, lo que reduce el margen de interpretación pero no sustituye la comprobación posterior.
Limitaciones
- El resultado depende de la formulación: cambios menores en el prompt pueden cambiar la respuesta, y eso dificulta la reproducibilidad. Cambios de formato sin relación con el contenido movieron la precisión hasta 76 puntos en un modelo de 2023 [7], y evaluar con un solo prompt da resultados frágiles [8].
- Un prompt bien redactado no garantiza que la respuesta sea correcta. No corrige la alucinación ni suple el conocimiento que el modelo no tiene.
- Lo que funciona en un modelo puede no funcionar en otro, ni en otra versión del mismo modelo.
- Pedir un formato o un tono influye sobre el contenido, no solo sobre la forma.
Ejemplos
- Pedir una tabla con columnas fijas en lugar de un texto libre, para poder contrastar el resultado.
- Incluir dos o tres ejemplos resueltos antes de la pregunta real.
- Indicar al modelo que responda «no consta» cuando el dato no aparezca en el texto aportado, en lugar de deducirlo.
- Fijar una plantilla estable para resumir documentos del mismo tipo.
Relacionados
Referencias
En el Atlas visual: Del prompt al sistema