La misma pregunta, formulada de dos maneras distintas, puede darte una respuesta mediocre o una excelente.
Pídele a un modelo de lenguaje «háblame del clima» y obtendrás una divagación; pídele «resume en tres viñetas el clima mediterráneo para un estudiante de 12 años» y obtendrás justo lo que necesitas.
Esa diferencia —entre instruir bien o mal a una IA— es el terreno del prompt engineering, y entenderlo cambia por completo lo que puedes conseguir con herramientas como ChatGPT, Claude o Gemini.
Conviene aclarar algo desde el principio: aquí hablamos del concepto y la práctica. Si lo que te interesa es la profesión —qué hace un ingeniero de prompts, qué formación pide y cuánto se cobra—, tenemos una ficha aparte sobre el rol de ingeniero de prompts. Esta pieza explica la disciplina.
El prompt engineering, o ingeniería de prompts, es la disciplina de diseñar, estructurar y refinar las instrucciones (prompts) que se dan a una inteligencia artificial (IA) generativa para que produzca respuestas más precisas, útiles y relevantes. Combina lenguaje claro, contexto y técnicas concretas para guiar la salida de un modelo sin reentrenarlo12.
En la práctica es una mezcla de método y oficio: hay principios documentados y, a la vez, un componente iterativo de prueba y ajuste. No requiere programar para el uso cotidiano; sí requiere entender cómo «piensa» un modelo para dirigirlo bien.
Un prompt es la instrucción, pregunta o mensaje que se le da a una IA para obtener una respuesta. Puede ser tan simple como «traduce esto al inglés» o tan elaborado como un texto de varios párrafos con contexto, ejemplos y un formato de salida exigido.
El prompt es la materia prima; el prompt engineering es el trabajo de moldearla.
La distinción importa porque mucha gente usa ambos términos como sinónimos. Un prompt es un objeto concreto. El prompt engineering es la habilidad de construirlo bien.
Son lo mismo: «ingeniería de prompts» es simplemente la traducción al español de prompt engineering. La Wikipedia en español lo recoge también como «ingeniería de instrucciones»3.
En este artículo usamos las tres formas indistintamente; en el sector profesional español predomina el anglicismo «prompt engineering».
Importa porque un modelo de lenguaje no «entiende» en el sentido humano: predice la continuación más probable del texto a partir de patrones aprendidos. Por eso la forma en que planteas la instrucción condiciona directamente la calidad de lo que recibes.
Para profundizar en cómo funciona ese motor, tenemos la ficha sobre los modelos de lenguaje (LLM).
Esa naturaleza probabilística tiene una consecuencia conocida: las alucinaciones, respuestas que suenan plausibles pero son falsas.
Un prompt bien construido —que acota el tema, pide fuentes o admite el «no lo sé»— reduce ese riesgo, aunque no lo elimina. Dirigir bien al modelo es, en parte, una forma de control de calidad.
Un prompt eficaz no es magia: suele combinar cuatro elementos que las guías de los principales proveedores recogen de forma recurrente4. No todos son obligatorios en cada caso, pero conocerlos ayuda a escribir mejor.
| Elemento | Qué aporta | Ejemplo |
|---|---|---|
| Instrucción | La tarea concreta a realizar | «Resume el siguiente texto» |
| Contexto | Información de fondo que orienta la respuesta | «Para un lector sin conocimientos técnicos» |
| Datos de entrada | El material sobre el que trabaja el modelo | El texto a resumir |
| Indicador de salida | Formato, tono, longitud o restricciones | «En tres viñetas, máximo 20 palabras cada una» |
Compáralo en la práctica:
El segundo deja mucho menos margen a la deriva.
El system prompt es la instrucción de fondo que fija el comportamiento, el rol y los límites del modelo antes de que empiece la conversación; el prompt de usuario es cada mensaje concreto que se envía después.
OpenAI recomienda colocar el tono y el rol general en el mensaje de sistema y dejar la tarea específica y los ejemplos en los mensajes de usuario.
En un chat normal no ves el system prompt —lo define quien construye la herramienta—, pero es lo que hace que un mismo modelo se comporte como un asistente legal serio o como un tutor paciente. En las APIs, en cambio, lo configuras tú.
Las técnicas de prompt engineering son patrones reutilizables para estructurar instrucciones según la tarea.
La revisión sistemática más amplia hasta la fecha, The Prompt Report, cataloga 58 técnicas de prompting basadas en texto a partir del análisis de más de 1.500 artículos5; aquí cubrimos las cinco fundamentales, que son las que conviene dominar primero.
El zero-shot prompting consiste en pedir una tarea sin dar ningún ejemplo, confiando en el conocimiento que el modelo ya adquirió durante su entrenamiento.
Es lo que haces casi siempre sin pensarlo: «clasifica esta reseña como positiva o negativa». Funciona bien en tareas comunes y modelos grandes.
El few-shot prompting incluye varios ejemplos dentro del propio prompt para que el modelo capte el patrón antes de resolver el caso real.
El trabajo de Brown et al. (2020) que presentó GPT-3 —un modelo de 175.000 millones de parámetros, diez veces más que cualquier modelo denso anterior— demostró que un modelo suficientemente grande aprende tareas nuevas solo con esos ejemplos en el prompt, sin reentrenamiento.
Este fenómeno se conoce como in-context learning (aprendizaje en contexto).
Un ejemplo: si quieres que clasifique sentimientos con tu propio criterio, le das dos o tres reseñas ya etiquetadas y luego la nueva. El modelo imita el patrón.
La cadena de pensamiento pide al modelo que razone paso a paso antes de dar la respuesta final, lo que mejora notablemente su desempeño en tareas que requieren razonamiento.
Wei et al. (2022) mostraron que, con solo ocho ejemplos de razonamiento encadenado, un modelo de 540.000 millones de parámetros alcanzó el estado del arte en el benchmark de problemas matemáticos GSM8K, superando incluso a GPT-3 afinado con un verificador6.
En la práctica, basta a menudo con añadir «razónalo paso a paso» para activar este comportamiento.
El role prompting consiste en asignar al modelo una persona o perfil —«actúa como un revisor de código senior»— para orientar el tono, el nivel de detalle y el enfoque de la respuesta.
Es una de las técnicas más sencillas y de mayor efecto inmediato, y suele combinarse con el system prompt.
Dar contexto significa incluir la información de fondo que el modelo no puede adivinar:
Cuanto más se acota el espacio de respuestas posibles, más predecible y útil es la salida.
Más allá de las técnicas, hay hábitos que mejoran casi cualquier prompt y que las guías oficiales repiten una y otra vez:
El error más frecuente es la ambigüedad: pedir «algo creativo» sin decir para qué ni para quién.
Le sigue la sobrecarga —meter diez instrucciones contradictorias en un solo bloque— y la falta de contexto, que obliga al modelo a rellenar huecos por su cuenta, justo donde aparecen las alucinaciones.
Pedir y verificar siempre las fuentes en tareas factuales es la red de seguridad básica.
El prompt engineering se aplica allí donde se use IA generativa, que hoy es casi cualquier ámbito profesional.
En productividad, para redactar, resumir o reformular textos
El denominador común es que un mismo modelo rinde de forma muy distinta según cómo se le pida la tarea. Ahí está el valor de la disciplina.
Desde 2025 circula la idea de que el prompt engineering «ha muerto», desplazado por el context engineering (ingeniería de contexto).
La realidad es más matizada. Los modelos actuales entienden mucho mejor el lenguaje informal, así que el truco de formular la frase perfecta pesa menos que antes. A la vez, en sistemas más complejos —agentes de IA que encadenan varios pasos— el reto ya no es una instrucción, sino gestionar toda la información que entra en la ventana de contexto del modelo.
El término ganó tracción en junio de 2025, cuando figuras como Andrej Karpathy y el CEO de Shopify, Tobi Lütke, lo popularizaron, y Anthropic lo formalizó poco después como el conjunto de estrategias para curar la información que recibe el modelo durante la inferencia7.
Visto así, el prompt engineering no desaparece: pasa a ser una parte de un problema mayor. Saber articular con claridad qué quieres de una IA sigue siendo una habilidad transferible.
El prompt engineering no es un truco pasajero ni una profesión condenada: es la habilidad básica de comunicarse con sistemas que predicen lenguaje, y eso seguirá importando mientras usemos IA generativa. Dominarlo no exige saber programar, sino entender qué condiciona una buena respuesta y practicar con método.
Un prompt es la instrucción, pregunta o mensaje que se le da a una IA para obtener una respuesta. Puede ir desde una frase simple hasta un texto con contexto, ejemplos y formato de salida. Su calidad determina en gran medida la calidad de la respuesta que devuelve el modelo.
El prompt es la instrucción concreta; el prompt engineering es la disciplina de diseñarla y optimizarla. Uno es el objeto, el otro es la habilidad de construirlo bien. Se puede escribir un prompt sin saber prompt engineering, pero los resultados consistentes llegan con método.
Sí, son el mismo término: ingeniería de prompts es la traducción al español de prompt engineering. La Wikipedia en español también lo recoge como ingeniería de instrucciones. En el sector profesional de España predomina el anglicismo.
No para el uso cotidiano; sí para los roles profesionales más avanzados. Cualquiera puede aprender a escribir buenos prompts en ChatGPT o Claude sin tocar código. Los perfiles que trabajan con APIs y sistemas de IA sí suelen necesitar Python y conocimientos técnicos.
No desaparece, evoluciona: la conversación se desplaza hacia el context engineering, pero saber dirigir a la IA sigue siendo útil. Los modelos entienden cada vez mejor el lenguaje informal, lo que resta importancia a la frase perfecta. En sistemas complejos, gestionar el contexto que recibe el modelo gana protagonismo.
