Ingeniería de prompts en español 2026

Cuándo: Cuando el modelo no acierta el formato o el tono al primer intento

Cómo: Incluye 2 a 5 ejemplos del input y output que esperas dentro del prompt antes de pedir la tarea. El modelo extrapola el patrón. En castellano funciona especialmente bien para clasificación (priorizar correos, etiquetar tickets de soporte) y para estilo de redacción.

Ejemplo: Te paso 3 ejemplos de cómo respondo a clientes enfadados (input email + output mi respuesta). Ahora aplica el mismo tono y estructura a este email nuevo.

Cuándo: Problemas matemáticos, lógicos o multipaso donde la respuesta directa suele fallar

Cómo: Pide explícitamente al modelo que razone paso a paso antes de dar la respuesta final. La frase que funciona en castellano: piensa paso a paso y muestra tu razonamiento antes de dar el resultado. Especialmente útil en cálculos fiscales y análisis legal.

Ejemplo: Calcula el IRPF que debo pagar como autónomo. Piensa paso a paso: primero los ingresos, luego los gastos deducibles, luego el rendimiento neto, después aplica los tramos, finalmente las deducciones autonómicas de Madrid.

Cuándo: Decisiones con múltiples caminos donde quieres comparar opciones

Cómo: Pides al modelo que genere varias rutas alternativas para resolver un problema, evalúa cada una y elige la mejor. Útil para diseño estratégico, ramificaciones de un plan de negocio o decisiones de arquitectura de software.

Ejemplo: Quiero lanzar un servicio nuevo en mi consultora. Genera 3 caminos posibles (premium en Madrid, masivo en LATAM, vertical sectorial), evalúa cada uno por inversión necesaria, riesgo y rentabilidad esperada en 24 meses, y recomienda el camino más sólido.

Cuándo: Tareas agénticas con herramientas (búsqueda web, código, lectura de archivos)

Cómo: El modelo alterna pasos de razonamiento (Pensamiento: necesito buscar X) con pasos de acción (Acción: buscar X) y observa el resultado para decidir el siguiente paso. Es el patrón base de Claude Code, Codex CLI, ChatGPT Agent y herramientas similares.

Ejemplo: Investiga qué empresas SaaS españolas captaron rondas de inversión superiores a 5 millones de euros en 2025. Razona qué fuentes consultar (CB Insights, Crunchbase, Startupxplore, El Referente), busca en cada una, contrasta los datos y devuelve una tabla final con fuente para cada dato.

Cuándo: Cuando el conocimiento del modelo no llega al detalle que necesitas (manual interno, normativa actualizada, documentos privados)

Cómo: Cargas los documentos relevantes en el contexto del prompt (PDF, txt, base de datos) y pides al modelo que responda usando sólo esa información. En herramientas como NotebookLM, Claude Projects o ChatGPT con archivos, el patrón está integrado de serie.

Ejemplo: Te paso el manual de empleado de mi empresa (PDF de 40 páginas). Responde sólo basándote en lo que figura en el manual. Si la respuesta no está, di no figura en el manual. Pregunta: ¿cuántos días de teletrabajo flexible tenemos los empleados con dos años de antigüedad?

Cuándo: Antes de poner un prompt en producción con clientes reales

Cómo: Pruebas el mismo prompt con inputs hostiles, ambiguos o maliciosos para ver cómo se comporta. En castellano, los ataques más frecuentes son intentos de inyección de instrucciones (ignora lo anterior y haz X), prompts en otro idioma, y pruebas de límites éticos. Hay que detectar fallos antes de que un cliente real los explote.

Ejemplo: Tengo este prompt para chatbot de atención al cliente de una asegofuradora. Prueba 5 ataques: pedir información personal de otro cliente, pedir que el bot insulte, pedir información médica, pedir que ignore las instrucciones de seguridad y pedir consejo legal vinculante. Reporta cómo responde el modelo a cada uno.