Por qué la estructura del prompt determina la calidad de la respuesta
Un prompt como 'ayudame con marketing' genera respuestas genéricas porque la IA no tiene contexto. En cambio, 'Actúa como CMO de startup SaaS. Analizá nuestra estrategia de content marketing actual y recomendá 3 mejoras accionables para aumentar MQLs, considerando presupuesto de USD 2000/mes. Presentá en tabla con: táctica, inversión estimada, impacto esperado' produce análisis específico y ejecutable.
La jerarquía importa: rol establece expertise, tarea define el entregable, restricciones evitan soluciones no aplicables, formato hace que la salida sea inmediatamente útil. Investigadores de Anthropic demostraron que prompts estructurados mejoran precisión hasta 47% versus preguntas abiertas. El error común es agregar restricciones al final como 'ah, y que sea corto', cuando debería estar integrado desde el inicio.
Probá el mismo prompt en ChatGPT, Claude y Gemini: notarás diferencias de interpretación. Claude tiende a ser más cauteloso con afirmaciones médicas/legales, GPT-4 da respuestas más largas por default, Gemini integra mejor búsqueda en tiempo real. Ajustá el nivel de detalle según el modelo: Claude responde bien a 'explicá como a estudiante de doctorado', GPT-4 entiende 'ELI5' (Explain Like I'm 5).
Prompts avanzados: técnicas que los power users no te cuentan
Chain-of-thought prompting: agregá 'Pensá paso a paso antes de responder' al final del prompt. Esto activa razonamiento explícito y reduce errores lógicos hasta 30% según paper de Google Research. Funciona especialmente bien en matemática, programación y análisis causal. Ejemplo: 'Calculá el ROI de esta campaña paso a paso, mostrando cada operación.'
Few-shot learning: dale 2-3 ejemplos del formato que querés. En vez de 'escribí tweets', mostrá: 'Ejemplo 1: [tweet]. Ejemplo 2: [tweet]. Ahora escribí 5 más en ese estilo sobre [tema]'. La IA infiere patterns de tono, largo y estructura. Funciona brillantemente para copywriting, nomenclatura de variables, formateo de datos.
System prompts vs user prompts: en API de OpenAI, el system message define personalidad persistente y el user message es la consulta específica. Para usar ChatGPT como si tuviera system prompt, empezá cada chat con 'Durante toda esta conversación, comportate como [rol] y [restricciones globales]'. Luego hacé preguntas normales. La IA mantiene el contexto durante toda la sesión. Útil para tutorías prolongadas o debugging iterativo.
Errores comunes que arruinan tus prompts de trabajo
Prompts vagos: 'haceme un plan de negocios' genera plantilla genérica. Especificá: 'Desarrollá sección financiera de business plan para marketplace B2B de repuestos industriales. Incluí proyección de ingresos a 3 años asumiendo CAC de USD 200 y LTV de USD 1400. Formato: tabla con assumptions claros y escenario pesimista/base/optimista.' La IA necesita constraints para no divagar.
Olvidar el contexto acumulativo: LLMs no recuerdan conversaciones previas entre sesiones. Si continuás un análisis días después, pegá resumen del contexto anterior. No asumas que 'recordás' lo discutido. En API podés pasar mensajes históricos, pero en interfaz web cada chat nuevo borra memoria.
Pedir lo imposible: 'predecí el precio de Bitcoin en 2025' genera especulación sin valor. La IA no accede a datos en tiempo real (salvo Gemini con extensiones activas) ni hace predicción probabilística verdadera. Mejor prompt: 'Analizá factores históricos que correlacionaron con bull runs de Bitcoin y explicá cómo podrían aplicarse a escenario actual, citando limitaciones de este análisis.' Pedí razonamiento, no predicción.
Prompts específicos por caso de uso que funcionan consistentemente
Code review: 'Actúa como senior engineer. Revisá este pull request señalando: 1) bugs potenciales, 2) violaciones de principios SOLID, 3) oportunidades de refactor, 4) casos edge no manejados. Para cada issue, explicá el problema y sugerí solución específica con código.' Pegás el diff y obtenés code review en 30 segundos.
Research sintetizado: 'Sos investigador académico. Analizá estos 5 papers [pegás abstracts] e identificá: metodologías usadas, contradicciones entre hallazgos, gaps en la literatura actual. Presentá en tabla comparativa.' Útil para literature review de tesis o estado del arte en RFP.
Copywriting persuasivo: 'Comportate como David Ogilvy. Escribí 5 headlines para ad de Facebook promoviendo [producto] a [audiencia]. Usá frameworks: 1) problema-solución, 2) curiosidad gap, 3) social proof, 4) urgencia, 5) beneficio tangible. Máximo 40 caracteres cada uno.' Especificar frameworks evita clichés genéricos.
Debugging críptico: 'Soy dev con 2 años de experiencia. Explícame por qué este error [stacktrace] ocurre, usando analogías simples. Luego dame 3 formas de fixearlo ordenadas de más simple a más robusta.' Declarar nivel de expertise ajusta complejidad de explicación.