"Le pregunté y me dio cualquier cosa" es una queja habitual con los modelos de IA generativa. Pero casi siempre el problema no está en el modelo, sino en cómo se formuló el pedido.

El problema: el modelo no adivina lo que tenés en la cabeza

Cuando le pedís a una IA algo como "escribime un texto sobre marketing", el modelo tiene que adivinar demasiadas cosas: para qué es, para quién, en qué tono, de qué extensión. Frente a esa falta de información, responde con lo más genérico posible, porque es lo que tiene más chances de servir "en promedio" para cualquiera de esos usos posibles. No es casualidad que las dos empresas que más invierten en el desarrollo de estos modelos publiquen guías completas dedicadas exclusivamente a esto. Anthropic tiene una documentación oficial de prompt engineering para Claude, y OpenAI hace lo mismo para ChatGPT, ambas centradas en el mismo principio: la claridad y la especificidad del pedido son, según sus propios equipos técnicos, el factor que más impacta en la calidad de la respuesta, incluso más que cambiar de modelo.

La solución: cuatro elementos que cambian cualquier prompt

El primero es el rol o contexto: decirle al modelo desde qué perspectiva responder cambia todo. No es lo mismo pedir "explicame qué es la inflación" que pedirle que se lo explique a un chico de 10 años, o que escriba para otros economistas. El segundo es la tarea concreta. En vez de "ayudame con este texto", conviene nombrar la acción exacta: "corregí la ortografía y la puntuación sin cambiar el estilo" es un pedido muy distinto de "reescribí esto para que suene más formal", aunque a simple vista parezcan pedidos parecidos. El tercero es el formato de salida. Si necesitás una lista, una tabla, cierta extensión o un tono particular, hay que decirlo de forma explícita: el modelo no adivina el formato que tenés en la cabeza. Y el cuarto son los ejemplos. Tanto la guía de Anthropic como la de OpenAI coinciden en que mostrar un caso concreto de lo que se espera —una técnica que en la documentación técnica se conoce como few-shot prompting— suele mejorar la respuesta más que cualquier descripción abstracta, sobre todo cuando lo que se busca es difícil de poner en palabras.

Un antes y un después

Prompt vago: "Escribime un posteo para redes sobre mi negocio." Prompt específico: "Escribime un posteo para Instagram sobre la apertura de mi cafetería en Palermo. Tono cercano y entusiasta, máximo 280 caracteres, con una llamada a la acción al final para que la gente venga a conocer el local. No uses emojis." La segunda versión le da al modelo todo lo que necesita para producir algo directamente usable, sin vueltas de edición después.

Iterar es parte del proceso

Esperar que el primer intento salga perfecto es, quizás, el error más común. Los prompts funcionan mejor como una conversación: pedís algo, mirás el resultado, y ajustás. "Hacelo más corto", "cambiá el tono a uno más informal", "sacá el segundo párrafo" son instrucciones perfectamente válidas para refinar una respuesta que ya viene encaminada, en lugar de reescribir el pedido original desde cero cada vez.

Ojo con irte al otro extremo

Así como los prompts vagos generan respuestas genéricas, los prompts sobrecargados de instrucciones mezcladas o contradictorias también confunden al modelo. Cuando el pedido tiene varias partes independientes, casi siempre conviene dividirlo en pasos: pedir una cosa, revisarla, y recién ahí seguir con la próxima.

En resumen

Saber pedirle bien las cosas a una IA se está volviendo una habilidad tan básica como saber buscar en Google hace quince años, y no hace falta ningún curso avanzado para dominarla. Rol o contexto, tarea concreta, formato de salida y ejemplos: esos cuatro elementos, respaldados por la documentación oficial de las propias empresas que construyen estos modelos, alcanzan para pasar de una respuesta genérica a una que realmente sirva.

Compartir en: