La ingeniería de prompts construyó una pequeña industria a base de trucos, y la mayoría de esos trucos ya están muertos. Ofrecerle una propina al modelo, amenazarlo, empezar con «actúa como un experto de talla mundial», susurrarle «respira hondo»: esa generación de consejos estaba afinada para los modelos de la era 2023, y la generación actual los ignora en gran medida. Modelos como Claude Opus, GPT-5.6 y Gemini 3.1 Pro siguen instrucciones claras y bien organizadas sin necesidad de ceremonias.
Eso no significa que los prompts hayan dejado de importar. Significa que murió la mitad equivocada. La mitad del conjuro (la redacción ingeniosa, las palabras mágicas) desapareció. La mitad del briefing vale más que nunca, porque los modelos ya son lo bastante capaces como para usar de verdad cada restricción, ejemplo y pieza de contexto que les entregas. La distancia entre una petición vaga y una específica sigue siendo la distancia entre un resultado genérico y uno que puedes publicar tal cual.
Esta es la versión 2026 del oficio: qué dejar de hacer, qué sigue funcionando y por qué, y prompts de antes y después que puedes copiar.
Los trucos de prompts que murieron sin hacer ruido
El teatro de roles es la baja más evidente. «Actúa como un experto en marketing de talla mundial con 20 años de experiencia» no aporta nada que un modelo actual no dé ya por supuesto cuando le haces una pregunta de marketing. Los roles siguen ayudando cuando llevan información: «escribe esto para asesores fiscales que odian la jerga» cambia el resultado porque es un dato sobre el lector, no un halago al modelo. Los roles con información viven; los roles aduladores murieron.
Las propinas y las amenazas tuvieron su momento a finales de 2023, cuando unos experimentos informales sugirieron que prometerle 200 dólares a un modelo mejoraba un poco la calidad de las respuestas en los modelos de la época. Aquellos efectos ya entonces eran pequeños e inestables, los modelos en los que se midieron han sido retirados, y no hay pruebas de que el ritual sirva de nada ahora. Una regla decente: si el origen de una técnica es una captura de pantalla viral, deja de usarla.
Las frases mágicas son el caso interesante, porque algunas funcionaron de verdad. En 2023 los investigadores descubrieron que «respira hondo y resuelve este problema paso a paso» mejoraba de forma medible la precisión en matemáticas de los modelos de aquella época, y «piensa paso a paso» fue una técnica legítima durante años. Los modelos de frontera actuales hacen esa planificación internamente antes de responder, así que añadir la frase es casi siempre redundante, aunque sigue ganándose su sitio en los modelos locales pequeños, a los que llegaremos.
Fíjate en lo que tienen en común todos los trucos muertos: intentaban cambiar la actitud del modelo. Todo lo que sobrevive cambia la información del modelo.
Un buen prompt en 2026 se lee menos como un hechizo y más como el briefing que le entregarías a un freelance competente.
El contexto y las restricciones ganan a la redacción ingeniosa
Compara estos dos prompts para la misma tarea.
Act as an expert email marketer. Write the best possible launch email
for our new feature. Make it engaging and professional.Write a launch email for our invoicing app's new auto-reminder feature.
Audience: existing free-plan customers, mostly freelance designers.
Goal: get them to turn the feature on. This is not an upsell email.
Length: under 150 words, one CTA ("Turn on reminders").
Tone: plain and direct. No hype, no "exciting news," no emoji.
Do not mention pricing anywhere.El segundo prompt gana por una razón aburrida: toma decisiones. Público, objetivo, extensión, tono, una exclusión explícita. Nada de eso es ingenioso, y todo ello es información que el modelo no puede conocer en tu lugar. Deja esas decisiones fuera y el modelo las rellenará con promedios, que es exactamente como acabas con el correo intercambiable y con sonido a IA que ahora todo el mundo reconoce a simple vista.
Las restricciones son también donde el contexto largo rinde. Un modelo como Claude Opus anuncia una ventana de 1M de tokens, lo que significa que la guía de estilo, los tres correos que funcionaron bien en el pasado y la documentación del producto pueden ir todos en el prompt como materia prima. Una advertencia de la práctica: los modelos no ponderan cada token por igual, y un vertido de doce documentos «para dar contexto» a menudo aporta menos que dos relevantes más una frase que explique por qué están ahí. Etiqueta lo que pegas y di qué hacer con ello.
Muestra, no cuentes: pon ejemplos en el prompt
Los adjetivos son una forma con pérdidas de describir un estilo. «Corto y útil» significa para ti algo distinto que para el modelo. Dos o tres ejemplos reales definen un formato mejor que cualquier párrafo de descripción. Esto es el few-shot prompting (prompting con pocos ejemplos), y ha sobrevivido a todas las generaciones de modelos desde GPT-3.
Contando:
Summarize these customer reviews. Keep the summaries short and useful.Mostrando:
Summarize each review in exactly this style:
Review: "App keeps crashing when I export to PDF. Support hasn't
replied in 3 days."
Summary: BUG - PDF export crash. Support unresponsive 3 days. Churn risk.
Review: "Love the new dashboard, but I wish I could filter by client."
Summary: PRAISE - new dashboard. FEATURE REQUEST - filter by client.
Now summarize the reviews below:
[paste reviews]Los ejemplos fijan la extensión, las etiquetas, el tono telegráfico y la regla de que una reseña puede producir dos etiquetas, nada de lo cual comunica la versión de «contar». Esto funciona igual en una ventana de chat que en una llamada de API, así que es igual de útil en ChatGPT o Claude que en un pipeline.
La advertencia: los ejemplos anclan con fuerza. El modelo copia sus defectos con la misma fidelidad que sus virtudes, así que un ejemplo descuidado produce resultados descuidados a escala. Mantén los ejemplos limpios, mantenlos representativos e incluye un caso límite si los datos reales los tienen.
Pide estructura, y di qué hacer con los huecos
La prosa libre es la salida por defecto, y para cualquier cosa que necesites comparar, archivar o introducir en otro sistema, es la equivocada. Pide la forma exacta que quieres.
Compare the three vendors described in the pasted documents.
Return a table with columns:
Vendor | Monthly cost | Contract terms | Data residency | Biggest risk
If a fact isn't stated in the documents, write "not stated" - do not guess.Dos cosas de ese prompt hacen el trabajo. Las columnas con nombre obligan al modelo a comprometerse con un valor para cada celda, lo que saca a la luz los huecos en lugar de taparlos con prosa. Y la última línea gestiona esos huecos de forma explícita.
Los desarrolladores obtienen versiones más estrictas de esto mediante los modos de salida restringidos por esquema en las principales API de modelos. Familias orientadas a la empresa como Cohere Command Models se apoyan justo en este tipo de fiabilidad para automatizar flujos de trabajo. En una interfaz de chat, nombrar las columnas te da casi todo el beneficio sin nada de la configuración.
Trata la iteración como una conversación, no como una tragaperras
Una cantidad sorprendente de prompting malo es en realidad mala edición. La primera salida es un borrador. El movimiento productivo es dar feedback dirigido, como corregirías el trabajo de un colega: «quita el segundo párrafo», «demasiado formal — ajústate a la muestra que te di», «mantén la estructura, reduce a la mitad la extensión». Los reintentos vagos («hazlo mejor») seleccionan un borrador distinto al azar. El feedback específico converge.
Sabe cuándo dejar de añadir, eso sí. Después de cinco rondas de correcciones, el propio hilo se convierte en ruido: el modelo ahora está equilibrando tu petición original con cada parche que le has ido apilando encima, y la salida empieza a desviarse de formas que se sienten embrujadas.
Los prompts que sobreviven a este proceso son pequeños activos. Guárdalos (como instrucciones personalizadas, prompts de proyecto o un simple archivo de texto) en lugar de reconstruirlos de memoria cada vez. Un prompt probado para una tarea recurrente es lo más parecido al interés compuesto que tiene la ingeniería de prompts.
Cuándo necesitas otra herramienta, no un prompt mejor
Algunas batallas no se ganan con la redacción, y reconocerlas ahorra más tiempo que cualquier técnica de esta guía. Los síntomas son consistentes.
| El síntoma | Lo que realmente necesitas |
|---|---|
| La aritmética o el cálculo de fechas vuelve ligeramente mal, reintento tras reintento | Ejecución de código o una hoja de cálculo, no otro prompt |
| Las respuestas sobre tus propios documentos contienen detalles inventados | Los documentos dentro del prompt, o un sistema de recuperación |
| Un cambio de código abarca decenas de archivos y el chat pierde el hilo | Un agente de programación, no una ventana de chat |
| Estás pegando el mismo prompt sobre 500 filas a mano | Un script de API |
| Cualquier cosa con «último» o «actual» dentro | Un modelo con búsqueda web en directo |
La fila de la programación es donde la mayoría de los profesionales chocan primero con este muro. El chat va bien para una función. Para cambios a lo largo de una base de código, un agente como Claude Code o Cursor lee el repositorio, edita archivos y ejecuta comandos por sí mismo. Ningún prompt en una caja de chat replica eso. Los agentes vienen con su propio impuesto: queman tokens rápido y sus diffs siguen necesitando revisión, igual que las sugerencias de GitHub Copilot siempre la han necesitado. Para la fila de la información en directo, un asistente con búsqueda web integrada como Grok supera a hacer que un modelo estático especule. Hay una página completa de directorio de herramientas para generar código por si el techo de la ventana de chat es el que sigues golpeando.
El hábito general: cuando has reescrito un prompt tres veces y el modo de fallo no ha cambiado, el problema es la categoría de herramienta. ToolPotion rastrea más de 13 000 herramientas de IA, y navegar por el listado actual de modelos de IA durante diez minutos suele ser mejor inversión que una cuarta reescritura.
Los modelos pequeños son donde la ingeniería de prompts aún rinde más
Todo lo anterior asume un modelo de frontera que perdona la dejadez. Baja a modelos pequeños o locales y las viejas técnicas vuelven a funcionar. Un modelo de 30B pensado para hardware de consumo, como Muse Glimmer, o una familia abierta ligera como Gemma 4, no inferirá los pasos que te saltaste: las instrucciones explícitas paso a paso, los ejemplos few-shot y los formatos de salida estrictos dejan de ser opcionales y pasan a ser la diferencia entre utilizable e inútil.
Los especialistas afinados son el caso extremo. Algo como FFMPerative-7B (un fine-tune de Llama 2 que convierte comandos en lenguaje natural en operaciones de edición de vídeo) hace un solo trabajo y debería recibir prompts en el vocabulario propio de su nicho. No esperes nada de él fuera de ese nicho. El listado de LLM abiertos está lleno de estas compensaciones: menos capacidad general, más sensibilidad a cómo preguntas.
Ese es el resumen honesto de la ingeniería de prompts en 2026. Los trucos caducaron; la comunicación no. Decide qué quieres realmente, muestra un ejemplo de ello, nombra la forma de la salida, edita como un colega y cambia de herramienta cuando la herramienta sea el problema. Nada de eso es un hechizo, que es exactamente por lo que sigue funcionando.
Preguntas frecuentes
¿Sigue mereciendo la pena aprender ingeniería de prompts en 2026?
Sí, pero la habilidad ha cambiado de forma. Memorizar frases mágicas hoy no vale nada. Especificar contexto, restricciones, ejemplos y estructura de salida es más valioso que nunca, porque los modelos actuales lo respetan todo. La habilidad transferible más cercana es escribir un buen briefing para un contratista.
¿Siguen funcionando los prompts de rol «actúa como un experto»?
Solo cuando el rol lleva información real. «Eres un escritor de talla mundial» no cambia nada en un modelo actual, mientras que «escribe para un público de enfermeras de primer año» cambia el vocabulario, la profundidad y los ejemplos. Conserva los roles que describen al público o la perspectiva. Descarta los que adulan al modelo.
¿Dar propina o amenazar a un modelo de IA mejora sus respuestas?
No hay pruebas fiables de que ayude en los modelos actuales. Los efectos virales de 2023 eran pequeños, inconsistentes y medidos en modelos que desde entonces han sido retirados. Cuesta tokens y añade ruido a un prompt guardado, así que déjalo fuera.
¿Debería escribir un único prompt largo y perfecto o iterar entre mensajes?
Itera, pero itera con criterio. Empieza con un prompt específico que cubra lo que ya sabes (público, formato, extensión), luego da feedback dirigido sobre el borrador. Cuando las correcciones se acumulan más allá de cuatro o cinco turnos, incorpora lo que has aprendido de vuelta al prompt original y vuelve a ejecutarlo desde cero.
¿Por qué el mismo prompt se comporta de forma distinta según el modelo?
Los modelos difieren en datos de entrenamiento, ajuste de instrucciones y en cuánta planificación implícita hacen, así que un prompt afinado en uno no es portable por defecto. Los modelos de frontera toleran prompts sueltos. Los modelos más pequeños y abiertos necesitan más estructura y ejemplos explícitos. Cuando cambies de modelo, vuelve a ejecutar tus prompts guardados y espera tener que afinarlos.