Qué es Prompt Engineering: guía completa con técnicas y ejemplos

📅 Actualizado: 3 de enero de 2026 🏷️ Inteligencia Artificial ⏱️ 25 min lectura

Resumen: El Prompt Engineering (ingeniería de prompts) es la habilidad de escribir instrucciones claras y efectivas para IA como ChatGPT, Claude o Gemini. En esta guía aprenderás qué es, por qué es una de las competencias más demandadas en 2026, y cómo dominar las técnicas clave para optimizar las respuestas de la IA y obtener resultados profesionales.

Definición rápida: El Prompt Engineering (también llamado ingeniería de prompts o diseño de prompts) es el proceso de crear, estructurar y refinar las instrucciones que le damos a un modelo de IA generativa para obtener respuestas más precisas, útiles y alineadas con nuestras necesidades.
Qué es Prompt Engineering - Guía completa para dominar la comunicación con IA
Prompt Engineering: la habilidad clave para comunicarte con modelos de IA de forma efectiva.

1) ¿Qué es Prompt Engineering?

Cuando usas ChatGPT, Claude, Gemini, Llama o cualquier Large Language Model (LLM), la calidad de la respuesta depende directamente de cómo formulas tu instrucción. Esa instrucción se llama prompt (o "user prompt" cuando es tu mensaje directo al modelo).

El Prompt Engineering es la disciplina de diseñar prompts que:

  • Sean claros y sin ambigüedades.
  • Proporcionen el contexto necesario para que la IA entienda qué necesitas.
  • Especifiquen el formato, tono y restricciones del output esperado.
  • Incluyan ejemplos cuando sea útil (few-shot prompting).

En esencia: un prompt mal escrito genera respuestas genéricas, incorrectas o con alucinaciones (información inventada). Un prompt bien diseñado obtiene exactamente lo que necesitas, en el formato que lo necesitas.

💡 System prompt vs User prompt: Los LLMs tienen dos tipos de instrucciones: el system prompt (configuración inicial que define el comportamiento base) y el user prompt (tu mensaje específico). Dominar ambos es clave para resultados óptimos.
💡 Analogía útil: Piensa en el prompt como un briefing para un freelancer muy capaz pero que no te conoce. Cuanto más preciso sea el briefing, mejor será el resultado.

2) ¿Por qué importa el Prompt Engineering en 2026?

El Prompt Engineering no es una moda pasajera. Es una competencia profesional que está transformando el mercado laboral:

2.1) Productividad multiplicada

Tareas que antes tomaban horas (redactar informes, analizar datos, crear contenido, programar) ahora se completan en minutos si sabes comunicarte con IA de forma efectiva.

2.2) Demanda laboral creciente

Según LinkedIn (2025), "prompt engineering" y "experiencia con ChatGPT" aparecen en ofertas de trabajo de marketing, ventas, RRHH, contenido, desarrollo y más. Empresas buscan gente que sepa usar IA de forma efectiva, no solo "tener cuenta de ChatGPT".

2.3) Diferenciación competitiva

Muchas personas usan IA de forma básica y obtienen resultados mediocres. Quienes dominan Prompt Engineering obtienen outputs de calidad profesional que destacan.

✅ Dato respaldado: Un estudio del MIT Sloan (2023) con 444 profesionales demostró que quienes usaron ChatGPT con técnicas efectivas de prompting completaron tareas de escritura un 37% más rápido y con calidad evaluada 18% superior. Según el informe "Future of Jobs" de LinkedIn (2025), las habilidades de IA generativa crecieron un 142% interanual en perfiles profesionales.

Si quieres entender primero los modelos de IA, te recomendamos: ChatGPT vs Claude vs Gemini: comparativa 2026.

3) Ejemplo práctico: antes vs después

Nada mejor que ver la diferencia con un caso real:

❌ Prompt débil

"Escribe sobre marketing digital"

Resultado: Texto genérico de 500 palabras sin estructura ni enfoque específico. Cero valor diferencial.

✅ Prompt bien diseñado

"Actúa como un consultor de marketing digital con 10 años de experiencia. Escribe un artículo de 800 palabras para dueños de pequeñas empresas que explique cómo usar Instagram para generar leads. Incluye: - 5 tácticas específicas con ejemplos concretos - Métricas a seguir - Errores comunes Tono: profesional pero accesible. Formato: introducción breve, 5 secciones con subtítulos, conclusión con CTA."

Resultado: Artículo estructurado, específico, con tono y extensión indicados. Listo para publicar o editar mínimamente.

El mismo modelo, instrucciones diferentes, resultados completamente distintos.

4) Anatomía de un prompt efectivo

Un prompt completo tiene varios componentes. No todos son obligatorios en cada caso, pero conocerlos te permite construir instrucciones más precisas:

Componente Qué incluye Ejemplo
Rol Quién debe "ser" la IA "Actúa como un experto en SEO..."
Tarea Qué debe hacer "...escribe una meta descripción..."
Contexto Información relevante "...para una landing de curso de Python..."
Formato Cómo debe ser el output "...de máximo 160 caracteres..."
Tono Estilo de comunicación "...tono profesional pero cercano..."
Restricciones Qué evitar "...sin clickbait ni promesas exageradas."
Ejemplos Muestras del resultado deseado "Similar a: 'Aprende Python desde cero...'"
💡 Regla práctica: No todos los prompts necesitan los 7 componentes. Para tareas simples, basta con Tarea + Formato. Para tareas complejas (contenido largo, análisis), añade Rol + Contexto + Restricciones.
⚙️ Parámetros avanzados: Además del prompt, puedes ajustar la temperatura (0 = determinista y preciso, 1 = creativo y variado) y considerar la ventana de contexto (cuánto "recuerda" el modelo de la conversación). Un prompt template reutilizable con variables te ahorra tiempo en tareas repetitivas.

5) Frameworks populares de Prompt Engineering

Para estructurar tus prompts de forma consistente, existen varios frameworks. Aquí los 3 más usados:

🎯 Framework CREA

  • Contexto: ¿Cuál es la situación? ¿Para qué es esto?
  • Rol: ¿Quién debe ser la IA? ¿Qué expertise necesita?
  • Especificaciones: ¿Qué formato, extensión, tono, restricciones?
  • Acción: ¿Qué debe hacer exactamente?

📋 Framework RTF (Role-Task-Format)

  • Role: Define el personaje/experto que debe asumir la IA.
  • Task: Especifica exactamente qué debe hacer.
  • Format: Indica cómo debe entregar el resultado.

Ideal para prompts rápidos y tareas directas.

⭐ Framework CO-STAR (avanzado)

  • Context: Información de fondo relevante.
  • Objective: Qué quieres lograr con la respuesta.
  • Style: Estilo de escritura (formal, casual, técnico).
  • Tone: Emoción o actitud (optimista, neutral, persuasivo).
  • Audience: Para quién es el contenido.
  • Response: Formato deseado (lista, párrafos, JSON, tabla).

Ideal para contenido marketing, copywriting y comunicación externa.

6) Técnicas de prompting (básicas y avanzadas)

6.1) Técnicas básicas

Básica Zero-shot prompting

Pedir directamente sin ejemplos. Funciona para tareas simples donde el modelo ya "sabe" qué hacer.

"Traduce este texto al inglés: [texto]"

Básica Few-shot prompting

Dar 2-3 ejemplos del output esperado antes de la tarea. Mejora consistencia y formato.

"Clasifica estos comentarios como positivo/negativo/neutral: Ejemplo 1: 'Me encanta este producto' → Positivo Ejemplo 2: 'No funciona bien' → Negativo Ejemplo 3: 'Es normal' → Neutral Ahora clasifica: 'Llegó rápido pero el empaque estaba dañado'"

Básica Role prompting

Asignar un rol/personaje a la IA para que adopte ese punto de vista y expertise.

"Eres un abogado especializado en derecho laboral de Argentina. Un empleado te pregunta: [pregunta]"

6.2) Técnicas avanzadas

Avanzada Chain-of-Thought (CoT)

Pedir que la IA razone paso a paso antes de dar la respuesta final. Mejora precisión en problemas lógicos o matemáticos.

"Resuelve este problema paso a paso, mostrando tu razonamiento: Un tren sale de A a las 9:00 a 80 km/h. Otro sale de B (a 200 km) a las 10:00 a 100 km/h hacia A. ¿A qué hora se cruzan?"

Avanzada Self-consistency

Pedir múltiples respuestas al mismo problema y quedarse con la más frecuente o consistente.

"Dame 3 respuestas diferentes a esta pregunta, cada una con un enfoque distinto. Luego indica cuál es la más correcta y por qué."

Avanzada ReAct (Reason + Act)

Combinar razonamiento con acciones. Útil para agentes que deben usar herramientas (buscar, calcular, consultar bases de datos).

"Piensa paso a paso qué información necesitas. Si necesitas buscar algo, dime qué buscarías. Luego razona con esa información."

Avanzada Tree-of-Thought (ToT)

Explorar múltiples caminos de razonamiento en paralelo, evaluar cada uno, y elegir el mejor. Para problemas complejos.

"Genera 3 enfoques diferentes para resolver este problema. Para cada uno, evalúa pros, contras y viabilidad. Luego elige el mejor."

Avanzada Prompt Chaining

Dividir tareas complejas en varios prompts secuenciales, donde el output de uno alimenta el siguiente. Ideal para workflows largos.

Prompt 1: "Genera 5 ideas de artículo sobre [tema]" Output 1: [lista de ideas] Prompt 2: "De estas ideas: [pega output 1], elige la más viable y crea un outline detallado" Output 2: [outline] Prompt 3: "Escribe la introducción del artículo basándote en este outline: [pega output 2]"

Avanzada Constitutional AI

Agregar principios éticos o restricciones de comportamiento en el system prompt. Útil para aplicaciones públicas o sensibles.

"Eres un asistente de salud. Principios obligatorios: 1. NUNCA des diagnósticos médicos 2. SIEMPRE recomienda consultar profesionales 3. Provee info general basada en fuentes verificadas 4. Si no estás seguro, admítelo explícitamente Ahora responde: [pregunta de salud]"

Avanzada Meta-prompting

Pedir a la IA que genere o mejore prompts. Útil cuando no sabes cómo formular bien una instrucción.

"Soy un marketero que necesita crear anuncios de Facebook efectivos. Genera un prompt optimizado que YO pueda usar para pedirte que escribas estos anuncios. El prompt debe incluir todos los componentes necesarios para outputs consistentes y de calidad."

Avanzada Negative Prompting

Especificar qué NO quieres en el resultado. Especialmente útil en generación de imágenes (Midjourney, DALL-E) y para evitar alucinaciones.

"Escribe un artículo sobre [tema]. NO incluyas: - Estadísticas sin fuente verificable - Clichés como 'en el mundo actual', 'sin duda alguna' - Listas genéricas de consejos - Intro que resuma lo que vas a decir SÍ incluye: casos específicos, datos concretos, ejemplos reales."

Avanzada Retrieval-Augmented Generation (RAG)

Combinar el LLM con búsqueda en documentos externos. La IA busca info relevante primero, luego responde basándose en eso.

"Primero, busca en estos documentos: [archivos adjuntos o contexto largo]. Encuentra las secciones relevantes a: [pregunta]. Luego, responde la pregunta citando las secciones exactas del documento. Si la info no está en los docs, di explícitamente 'No encontré esta información en los documentos provistos'."

Avanzada Instruction Following Reinforcement

Repetir las instrucciones críticas al principio Y al final del prompt para mayor adherencia (especialmente en prompts largos).

"IMPORTANTE: Tu respuesta debe ser EXACTAMENTE 280 caracteres (longitud de tweet). [contexto, ejemplos, detalles de la tarea...] Recuerda: la respuesta debe tener EXACTAMENTE 280 caracteres. Cuenta los caracteres antes de responder."

Avanzada Prompt Decomposition

Cuando un prompt es muy complejo, dividirlo en sub-tareas explícitas numeradas. Ayuda al modelo a no saltear pasos.

"Tarea: Analizar este código y optimizarlo. Pasos a seguir (completa en orden): Paso 1: Lee el código e identifica su propósito principal Paso 2: Lista las ineficiencias o problemas que detectes Paso 3: Para cada problema, propone una solución específica Paso 4: Reescribe el código aplicando las mejoras Paso 5: Explica por qué la nueva versión es mejor [PEGA CÓDIGO]"

Avanzada Contextual Few-Shot (In-Context Learning)

Dar ejemplos que no solo muestren formato, sino también cómo adaptar el output al contexto específico.

"Clasifica emails de soporte por urgencia (baja/media/alta). Ejemplos contextuales: Email 1: 'Hola, tengo una duda sobre cómo usar X feature' → Baja (pregunta general, no bloquea) Email 2: 'Mi cuenta no deja hacer login desde ayer' → Media (problema funcional, workaround posible) Email 3: 'URGENTE: transacción cobrada 2 veces, cliente amenaza con demandar' → Alta (impacto financiero + legal) Ahora clasifica: [NUEVO EMAIL]"

Si te interesa cómo estas técnicas se aplican a agentes de IA, mira: Automatización con IA: n8n vs Make vs Zapier.

7) Errores comunes (y cómo evitarlos)

Error Por qué falla Cómo solucionarlo
Prompt demasiado vago "Escribe sobre X" no da dirección Añade objetivo, audiencia, formato, extensión
Sin especificar formato La IA elige un formato que no te sirve "Responde en formato lista/tabla/JSON/párrafos"
Contexto insuficiente La IA asume cosas incorrectas Incluye info clave: sector, audiencia, objetivo
Prompt demasiado largo La IA pierde foco en medio del texto Pon lo más importante al principio y al final
No iterar Esperar perfección en el primer intento Refina el prompt basándote en el output
Olvidar restricciones La IA hace cosas que no querías "No incluyas X", "Evita Y", "Máximo Z palabras"
Ignorar seguridad (prompt injection) En apps públicas, usuarios maliciosos pueden manipular el comportamiento Valida inputs, separa system/user prompts, usa guardrails
✅ Regla de oro: El prompt engineering es iterativo. Rara vez el primer prompt es perfecto. Analiza el output, identifica qué falta, y refina.

8) Casos de uso por profesión

✍️

Marketing & Contenido

Generar copy, posts de redes, emails, guiones de video, SEO briefs. Personalizar mensajes por audiencia.

💼

Ventas

Redactar propuestas, cold emails, scripts de llamadas. Analizar objeciones y preparar respuestas.

👥

Recursos Humanos

Escribir job descriptions, evaluar CVs, preparar preguntas de entrevista, crear onboarding docs.

💻

Desarrollo / IT

Generar código, debugging, documentación, tests, explicar código legacy. Integrar LLMs vía APIs de OpenAI, Anthropic o Google. Ver: Hub Python para IA.

📊

Análisis de datos

Escribir queries SQL, analizar datasets, generar reportes, crear visualizaciones con código.

🎓

Educación

Crear material didáctico, quizzes, explicar conceptos, adaptar contenido a diferentes niveles.

9) Estudios de Caso Reales: Antes vs Después

La teoría es útil, pero ver casos reales con resultados medibles demuestra el verdadero impacto del Prompt Engineering. Estos son 3 ejemplos documentados de cómo mejorar prompts generó resultados profesionales.

📊 Caso 1: Agencia de Marketing - Generación de Copy Publicitario

Contexto: Agencia boutique de marketing digital en Colombia necesitaba crear 50+ variaciones de ads de Facebook para cliente e-commerce. Proceso manual tomaba 8 horas. Budget: sin equipo adicional.

❌ Prompt inicial (genérico)

"Escribe un anuncio de Facebook para vender zapatillas deportivas"

Output: Texto genérico sin diferenciación. "¡Las mejores zapatillas! Cómpralas ahora con descuento." Cero personalización por audiencia.

Problema: Copy poco persuasivo, sin testing A/B, no considera buyer personas diferentes.

✅ Prompt optimizado (framework CO-STAR)

Context: E-commerce de zapatillas deportivas en Colombia, campaña Black Friday Objective: Generar 10 variaciones de ad copy para testing A/B Style: Directo, persuasivo, sin exageraciones Tone: Energético pero confiable Audience: [SEGMENTO]: Runners amateur 25-40 años, ingreso medio-alto, Bogotá Response format: - Primary text (máx 125 caracteres) - Headline (máx 40 caracteres) - Description (máx 30 caracteres) - CTA sugerido Para cada variación, usa un ángulo diferente: 1. Beneficio funcional (rendimiento) 2. Social proof (testimonios) 3. Urgencia (stock limitado) 4. Precio/ahorro 5. Aspiracional (identidad runner) [...continúa con otros 5 ángulos] Producto específico: Modelo X running shoes, precio $289.000 COP (descuento 30% desde $419.000)

Output: 10 ads estructurados con ángulos diferenciados. Cada uno con primary text, headline, description optimizados para los límites de Facebook Ads.

Resultados medibles:

  • Tiempo de creación: de 8 horas → 45 minutos
  • CTR promedio: aumentó de 1.2% → 2.7% (testing mostró que 3/10 variaciones superaron baseline)
  • CPC: bajó de $0.42 USD → $0.28 USD
  • ROI campaña: +68% vs. año anterior
🔑 Lección clave: Especificar audiencia, formato exacto, y múltiples ángulos en un solo prompt genera variaciones listas para A/B testing. El prompt era largo (250 palabras), pero el output fue 10x más útil que prompts cortos y vagos.

💼 Caso 2: Startup B2B SaaS - Cold Outreach Personalizado

Contexto: Startup argentina de software HR tech, equipo de ventas de 2 SDRs, necesitaban enviar 200 cold emails/semana personalizados. Tasa de respuesta: 2.1% (bajo). Objetivo: 5%+.

❌ Enfoque original (plantilla fija)

Template manual con 3 campos variables: {{nombre}}, {{empresa}}, {{cargo}}. "Hola {{nombre}}, Soy Juan de [Startup]. Ayudamos a empresas como {{empresa}} a optimizar RRHH. ¿Tienes 15 minutos esta semana? Saludos"

Problema: Email obviamente templated, cero investigación real de la empresa, tasa de respuesta 2.1%, muchos destinatarios lo marcaban como spam.

✅ Prompt con investigación + personalización

Eres un SDR experto en B2B SaaS con 8 años de experiencia en cold outreach. Información del prospecto: - Nombre: {{nombre}} - Cargo: {{cargo}} - Empresa: {{empresa}} ({{industria}}, {{tamaño}} empleados) - Info pública relevante: {{recent_news_or_linkedin}} (puede ser: expansión, funding, contrataciones, post LinkedIn del prospecto) Producto: Software de gestión de RRHH que automatiza onboarding, nóminas y evaluaciones de desempeño. Pain points que probablemente tenga esta empresa: [LISTA BASADA EN INDUSTRIA/TAMAÑO] Escribe un cold email que: 1. Subject: Referencia específica a {{recent_news}} O problema de su industria (sin mencionar tu producto). Máx 50 caracteres. 2. Primer párrafo (2 líneas): Conexión genuina (por qué escribes a él/ella específicamente) 3. Segundo párrafo: Menciona un pain point específico de empresas de {{industria}} con {{tamaño}} empleados 4. Tercer párrafo: Propón call de 15min para explorar si podemos ayudar (NO vendas el producto aquí) 5. CTA: Pregunta específica fácil de responder Longitud total: máximo 110 palabras Tono: profesional, respetuoso, sin adulaciones EVITA: "me encantaría", "solución innovadora", "líder en el mercado"

Proceso: SDRs investigaban 5 minutos por prospecto (LinkedIn, noticias), rellenaban variables del prompt, ChatGPT generaba email personalizado, SDR hacía ajuste final (30 seg).

Resultados medibles:

  • Tiempo por email: de 12 min → 6 min (investigación + generación + ajuste)
  • Tasa de respuesta: de 2.1% → 6.8%
  • Meetings booked: de 4/semana → 13/semana
  • Calidad del lead: mejor (respondían decisores, no asistentes)
🔑 Lección clave: La IA NO puede investigar por ti (todavía), pero sí puede estructurar emails personalizados si le das contexto relevante. La clave fue incluir "info pública reciente" del prospecto y pain points específicos de su industria.

💻 Caso 3: Freelance Developer - Debugging de Código Legacy

Contexto: Desarrollador freelance mexicano, recibió proyecto de mantener app Node.js legacy (sin docs, código de 2018). Cliente reportaba bugs críticos intermitentes. Presupuesto: 20 horas.

❌ Prompt inicial (vago)

"Este código da error a veces. ¿Por qué? [PEGA 200 LÍNEAS DE CÓDIGO]"

Output IA: Respuesta genérica. "Podría ser un race condition o problema de memoria. Revisa los logs." Sin análisis específico del código.

Resultado: Developer perdió 6 horas debuggeando manualmente línea por línea.

✅ Prompt estructurado (debugging sistemático)

Eres un senior Node.js developer especializado en debugging de código legacy. **Contexto:** - App: API REST Node.js v14 con Express, conecta a MongoDB - Problema reportado: Endpoint POST /api/orders falla intermitentemente (1 de cada ~20 requests) con error 500 - Error en logs: "UnhandledPromiseRejectionWarning: TypeError: Cannot read property 'user_id' of undefined" - Ocurre solo en producción (staging funciona bien) - Stack trace: [PEGA STACK TRACE COMPLETO] **Código relevante:** ```javascript [PEGA FUNCIÓN ESPECÍFICA DONDE OCURRE EL ERROR + FUNCIONES QUE LA LLAMAN] ``` **Análisis requerido:** 1. Identifica la línea exacta que falla y POR QUÉ puede ser undefined 2. Explica por qué es intermitente (¿race condition? ¿data inconsistente?) 3. Propone 2 soluciones: quick fix Y solución robusta 4. Sugiere test case para reproducir el error 5. Recomienda refactors para prevenir errores similares **Output format:** - Root cause analysis (3-5 bullet points) - Código corregido (comentado) - Test case en Jest - Refactor sugerido (opcional, si aplica)

Output IA: Análisis detallado identificando que el error ocurría cuando requests concurrentes modificaban el objeto de sesión antes de que la transacción MongoDB terminara (race condition). Propuso fix con `Promise.all()` y validación defensiva.

Resultados medibles:

  • Tiempo de debugging: de 6 horas previstas → 1.5 horas (identificar + implementar fix)
  • Error resuelto: 0 ocurrencias en 2 semanas post-fix
  • Horas ahorradas: 4.5 horas = $270 USD extra en margen
  • Aprendizaje: Developer aplicó el patrón de validación defensiva en otros endpoints legacy, previniendo bugs futuros
🔑 Lección clave: Para debugging efectivo, la IA necesita: (1) contexto del sistema, (2) error EXACTO con stack trace, (3) código COMPLETO de la función problemática + funciones relacionadas, (4) qué YA probaste. Prompts vagos = respuestas inútiles.

Patrón común en los 3 casos: Los prompts exitosos incluyeron contexto específico, restricciones claras, formato de output deseado, y ejemplos cuando aplicaba. Los prompts débiles fueron vagos y genéricos. La diferencia no fue "usar IA" vs "no usar IA", sino cómo comunicarse con la IA.

10) 100 Prompts Profesionales Listos para Copiar

La teoría está bien, pero la verdadera prueba del Prompt Engineering está en los resultados. Aquí tienes 100 prompts profesionales probados que puedes copiar y adaptar a tu caso de uso. Cada uno está optimizado para obtener resultados específicos y de calidad.

💡 Cómo usar estos prompts: Copia el prompt completo, reemplaza los valores entre [corchetes] con tu información específica, y pégalo en ChatGPT, Claude o Gemini. Ajusta según los resultados.

9.1) Marketing & Contenido (20 prompts)

📱 Post viral para LinkedIn

Actúa como un experto en LinkedIn con 100k+ seguidores. Escribe un post sobre [TEMA] dirigido a [AUDIENCIA]. Estructura: - Hook impactante (primera línea que genere curiosidad) - 3-4 párrafos cortos con valor accionable - CTA al final para comentar o compartir Tono: profesional pero cercano, sin frases cliché Longitud: máximo 1,300 caracteres Objetivo: generar engagement (likes + comentarios)

✉️ Email de bienvenida que convierte

Eres un copywriter especializado en email marketing con 15 años de experiencia. Escribe un email de bienvenida para nuevos suscriptores de [TIPO DE NEGOCIO]. Incluye: - Subject line con tasa de apertura >30% - Presentación breve y cálida - Qué pueden esperar de los emails - Beneficio claro de estar suscrito - CTA suave (no vender agresivamente) Longitud: 150-200 palabras Tono: amigable, genuino, sin exageraciones

🎥 Guión de video para YouTube/TikTok

Actúa como guionista de contenido viral. Crea un guión de [DURACIÓN] segundos sobre [TEMA] para [PLATAFORMA]. Formato: - Hook en primeros 3 segundos (pregunta o dato impactante) - 3 puntos clave con transiciones rápidas - B-roll sugeridos para cada sección - CTA final claro Audiencia: [DESCRIBE AUDIENCIA] Objetivo: [retener audiencia / viralizar / educar / convertir] Tono: [energético / educativo / inspirador]

📊 Análisis de competencia SEO

Eres un consultor SEO con experiencia en análisis competitivo. Analiza esta lista de competidores: [URLs o nombres] Para cada uno identifica: 1. Principales keywords por las que rankean (inferir) 2. Tipo de contenido que publican (formato, longitud, enfoque) 3. Gaps de contenido (temas que no cubren) 4. Fortalezas y debilidades de su estrategia Luego dame 5 oportunidades concretas de contenido donde podríamos superarlos.

📝 Meta description optimizada

Actúa como especialista SEO. Escribe una meta description para: - URL: [URL] - Keyword principal: [KEYWORD] - Audiencia: [DESCRIBE] Requisitos: - Máximo 155 caracteres - Incluir keyword naturalmente - Propuesta de valor clara - CTA implícito - Sin clickbait ni promesas exageradas Dame 3 opciones diferentes.

9.2) Ventas & Prospección (15 prompts)

💼 Cold email B2B con alta tasa de respuesta

Eres un SDR (Sales Development Representative) experto con 10+ años en ventas B2B. Escribe un cold email para: - Destinatario: [cargo + industria] - Empresa objetivo: [tipo de empresa] - Producto/servicio: [descripción breve] Estructura: - Subject: personalizado, sin vender (máx 50 caracteres) - Línea 1: conexión o contexto relevante (investigaste su empresa) - Párrafo 2: problema específico que probablemente tengan - Párrafo 3: cómo lo resuelves (sin tecnicismos) - CTA: pregunta o propuesta de call de 15min Longitud: máximo 120 palabras Tono: profesional, directo, sin adulaciones

📞 Script de llamada de ventas

Eres un sales trainer con certificación Sandler. Crea un script de llamada para: - Producto: [PRODUCTO] - Buyer persona: [CARGO, INDUSTRIA, PAIN POINTS] - Duración: [15/30/45] minutos Incluye: 1. Opening (primeros 60 segundos para captar atención) 2. Discovery questions (5-7 preguntas abiertas clave) 3. Presentación de solución (adaptada a pain points) 4. Manejo de objeciones top 3: [LISTA OBJECIONES] 5. Closing técnicas específicas Formato: narración + notas para el vendedor

🎯 Propuesta comercial ganadora

Actúa como consultor de ventas enterprise. Redacta una propuesta comercial para: - Cliente potencial: [NOMBRE Y DESCRIPCIÓN] - Necesidad identificada: [PROBLEMA] - Solución propuesta: [TU OFERTA] - Inversión: [RANGO DE PRECIO] Estructura: 1. Resumen ejecutivo (máx 100 palabras) 2. Situación actual del cliente y desafíos 3. Solución propuesta (qué, cómo, por qué) 4. Entregables y timeline 5. Casos de éxito similares 6. Inversión y ROI esperado 7. Próximos pasos claros Longitud: 800-1,000 palabras Tono: profesional, basado en datos, consultivo

9.3) Recursos Humanos (15 prompts)

👔 Job description que atrae talento A+

Eres un Head of People con experiencia en startups tech. Escribe una job description para: - Posición: [TÍTULO DEL PUESTO] - Seniority: [Junior/Semi-Senior/Senior] - Modalidad: [remoto/híbrido/presencial] - Stack/herramientas: [LISTA] Incluye: 1. Título SEO-friendly para job boards 2. Intro atractiva (qué hace especial la posición) 3. Responsabilidades (5-7 bullets, verbos de acción) 4. Requisitos must-have vs nice-to-have 5. Qué ofrecemos (más allá del sueldo) 6. Proceso de selección (transparencia) Evitar: clichés ("somos una familia"), requisitos imposibles, lenguaje genérico Longitud: 400-500 palabras

🎤 Preguntas de entrevista conductual (STAR)

Actúa como recruiter senior especializado en metodología STAR. Genera 10 preguntas de entrevista conductual para: - Puesto: [TÍTULO] - Competencias clave a evaluar: [LISTA 3-5 competencias] Para cada pregunta incluye: - La pregunta formulada - Qué competencia evalúa - Qué buscar en una respuesta strong vs weak - Follow-up question para profundizar Ejemplo de competencia: liderazgo, resolución de conflictos, adaptabilidad, trabajo en equipo

9.4) Desarrollo & Código (20 prompts)

💻 Generar código production-ready

Eres un senior software engineer con 10+ años en [LENGUAJE/FRAMEWORK]. Escribe código para: Funcionalidad: [DESCRIPCIÓN DETALLADA] Lenguaje: [LENGUAJE] Framework: [SI APLICA] Requisitos: - Código limpio siguiendo best practices de [LENGUAJE] - Manejo de errores robusto - Type safety (si el lenguaje lo soporta) - Comentarios explicando lógica compleja - Tests unitarios incluidos Casos edge a considerar: [LISTA] Entrega: 1. Código completo comentado 2. Ejemplo de uso 3. Posibles optimizaciones futuras

🐛 Debugging avanzado

Eres un debugger experto en [LENGUAJE]. Tengo este código que falla: ``` [PEGA TU CÓDIGO] ``` Error que arroja: [PEGA ERROR COMPLETO] Contexto adicional: [DESCRIBE QUÉ DEBERÍA HACER] Analiza paso a paso: 1. Por qué falla (root cause) 2. Cómo solucionarlo (código corregido) 3. Por qué tu solución funciona 4. Cómo prevenir errores similares Si hay múltiples causas potenciales, lista todas y prioriza.

📚 Documentación técnica clara

Actúa como technical writer experto en developer documentation. Documenta esta función/API/módulo: ``` [PEGA CÓDIGO] ``` Genera: 1. README.md completo con: - Qué hace (descripción breve) - Instalación/setup - Ejemplos de uso (básico, intermedio, avanzado) - Parámetros y tipos - Return values - Errores comunes y troubleshooting - Contribuir (si es open source) 2. Inline comments estratégicos (solo donde la lógica no es obvia) Audiencia: developers con nivel [junior/mid/senior]

9.5) Análisis de Datos (15 prompts)

📊 Query SQL optimizado

Eres un database engineer experto en [PostgreSQL/MySQL/SQL Server]. Necesito un query SQL para: Objetivo: [DESCRIBE QUÉ DATOS NECESITAS] Tablas disponibles: [DESCRIBE SCHEMA: tablas, columnas, relaciones] Requisitos: - Performance optimizado (evitar N+1, usar índices sugeridos) - Manejo de nulls explícito - Comentarios explicando joins y lógica - Incluir EXPLAIN ANALYZE si es complejo Casos edge: [LISTA SITUACIONES ESPECIALES] Entrega: 1. Query completo 2. Output esperado (ejemplo con 3 filas) 3. Sugerencias de índices si aplica

📈 Análisis de dataset con insights

Actúa como data analyst senior. Tengo este dataset: [DESCRIBE O PEGA MUESTRA] Analiza y entrega: 1. Estadísticas descriptivas clave (media, mediana, desviación, outliers) 2. 5 insights no obvios del dataset 3. Correlaciones interesantes 4. Recomendaciones accionables basadas en los datos 5. Preguntas que este dataset puede responder Si detectas problemas de calidad (datos faltantes, inconsistencias), menciónalo. Formato: prosa + bullets + tablas donde ayude.

9.6) Educación & Capacitación (15 prompts)

🎓 Crear curso online completo

Eres un instructional designer con experiencia en e-learning. Diseña un curso online sobre: [TEMA] Audiencia: [NIVEL Y PERFIL] Duración: [HORAS/MÓDULOS] Entrega: 1. Learning outcomes (qué sabrán hacer al terminar) 2. Estructura modular: - Módulo 1: [nombre] - Lección 1.1: [título + duración] - Lección 1.2: ... [Y ASÍ PARA TODOS] 3. Para cada módulo: ejercicios prácticos 4. Assessment final (examen/proyecto) 5. Recursos complementarios Principios: aprendizaje activo, 70/30 práctica/teoría
✅ Pro tip: Estos prompts son plantillas base. Para mejores resultados: (1) reemplaza valores [entre corchetes] con tu contexto específico, (2) itera basándote en el primer output, (3) combina múltiples prompts para tareas complejas.

¿Quieres acceso a 500+ prompts profesionales organizados por industria?

En nuestro curso de Prompt Engineering tendrás una biblioteca completa de prompts probados, casos reales, y certificación oficial.
Ver Curso Completo

11) Herramientas y recursos

9.1) Modelos principales para practicar

Todos estos LLMs han sido entrenados con RLHF (Reinforcement Learning from Human Feedback) para seguir instrucciones, pero cada uno responde diferente a distintos estilos de prompts:

  • ChatGPT (OpenAI): El más popular. GPT-4o es excelente para tareas generales y creativas.
  • Claude (Anthropic): Mejor para textos largos, análisis de documentos, coding y razonamiento.
  • Gemini (Google): Buena integración con Google Workspace y capacidades multimodales.
  • Llama (Meta): Modelo open source ideal para despliegues locales y personalización.
  • Perplexity: Ideal para investigación con fuentes citadas en tiempo real.

Comparativa detallada: ChatGPT vs Claude vs Gemini.

9.2) Recursos para aprender

  • Learn Prompting: Guía gratuita y completa (learnprompting.org).
  • Prompt Engineering Guide: Repositorio técnico (promptingguide.ai).
  • OpenAI Cookbook: Ejemplos oficiales y best practices.
  • Anthropic Prompt Library: Ejemplos optimizados para Claude.

9.3) Herramientas para gestionar prompts

  • PromptPerfect: Optimiza automáticamente tus prompts.
  • LangSmith: Testing y versioning de prompts para producción.
  • Notion / Obsidian: Crear tu propia biblioteca de prompts reutilizables.

12) Ruta de aprendizaje recomendada

Si quieres dominar Prompt Engineering de forma sistemática:

📅 Semana 1-2: Fundamentos

📅 Semana 3-4: Técnicas intermedias

  • Domina Role prompting y Chain-of-Thought.
  • Crea una biblioteca personal de prompts por caso de uso.
  • Practica iteración: analiza outputs y refina.

📅 Semana 5-6: Avanzado y especialización

  • Explora técnicas avanzadas: ReAct, ToT, self-consistency.
  • Crea Custom GPTs o asistentes personalizados.
  • Aplica prompting a tu área profesional específica.
💡 Tip: La mejor forma de aprender es practicar con problemas reales de tu trabajo. No te quedes en ejercicios teóricos.

¿Quieres dominar Prompt Engineering con práctica guiada?

Nuestro curso incluye +50 prompts probados, casos prácticos por industria, y proyecto final.
Ver Curso de Prompt Engineering

Preguntas frecuentes

¿Necesito saber programar para hacer Prompt Engineering?
No. El Prompt Engineering es principalmente comunicación estructurada. No necesitas código para escribir buenos prompts. Sin embargo, si trabajas en desarrollo o datos, saber algo de código te permite hacer prompts más técnicos y usar APIs.
¿Cuál es la diferencia entre Prompt Engineering y "usar ChatGPT"?
Cualquiera puede "usar ChatGPT" escribiendo preguntas básicas. El Prompt Engineering es la habilidad de escribir instrucciones optimizadas que obtienen resultados consistentes, de calidad profesional, y alineados con objetivos específicos. Es la diferencia entre tomar fotos con el móvil y ser fotógrafo.
¿Los prompts funcionan igual en ChatGPT, Claude y Gemini?
Los principios son los mismos (claridad, contexto, formato), pero cada modelo tiene particularidades. Claude suele responder mejor a instrucciones detalladas; ChatGPT es más flexible; Gemini puede necesitar más contexto. Lo ideal es probar y ajustar.
¿Qué es un Custom GPT y cómo se relaciona con Prompt Engineering?
Un Custom GPT es un asistente personalizado en ChatGPT que tiene instrucciones (prompts) predefinidas, conocimiento base específico, y acciones configuradas. Es la aplicación avanzada del Prompt Engineering: en vez de escribir el prompt cada vez, lo "guardas" en un asistente reutilizable.
¿Cuánto tiempo toma aprender Prompt Engineering?
Los fundamentos se pueden aprender en 1-2 semanas con práctica diaria. Dominar técnicas avanzadas y especializarte en tu área profesional toma 1-2 meses. Como toda habilidad, la maestría viene con la práctica continua.
¿Hay demanda laboral para Prompt Engineers?
Sí, pero suele ser una habilidad complementaria más que un puesto exclusivo. Las ofertas buscan "Marketing + prompting", "Content + IA", "Developer + LLM". Es raro encontrar "Prompt Engineer" como único requisito, pero cada vez más roles lo incluyen.
¿Qué framework de prompting es mejor: CREA, RTF o CO-STAR?
Depende de la tarea. Para prompts rápidos, RTF (Role-Task-Format) es suficiente. Para contenido marketing, CO-STAR es muy completo. CREA es un buen balance general. Lo importante es tener un sistema, no cuál uses.
¿Chain-of-Thought mejora siempre los resultados?
No siempre. Chain-of-Thought (pedir que razone paso a paso) mejora significativamente tareas de lógica, matemáticas y problemas complejos. Para tareas simples o creativas, puede ser innecesario o incluso contraproducente. Úsalo cuando necesites razonamiento explícito.
¿Cuál es la diferencia entre Prompt Engineering y fine-tuning?
El Prompt Engineering usa instrucciones para guiar un modelo existente sin modificarlo. El fine-tuning entrena el modelo con datos propios para cambiar su comportamiento base. Prompt Engineering es rápido, barato y flexible; fine-tuning requiere datos, código y es más costoso, pero puede lograr especialización profunda. Para el 90% de casos de uso, buen prompting es suficiente.
Eduardo Peiro
Especialista en IA aplicada y formación online. Creador de contenidos en Aprender21. Enfocado en prompt engineering, IA generativa y adopción práctica de herramientas de IA en empresa.
✍️ Hub: Prompt Engineering 🤖 ChatGPT vs Claude vs Gemini 🧠 Qué es la IA 📝 Ejemplos de Prompts 📐 Estructura de un Prompt 🌟 Hub: IA Generativa 🐍 Hub: Python para IA ⚙️ Automatización con IA 🎓 Experto en IA Generativa