La mayoría de las explicaciones sobre el funcionamiento de la IA oscilan entre «es como una persona» —una idea errónea que puede causarte problemas— y «predice la siguiente palabra» —técnicamente correcto, pero demasiado impreciso—. Este artículo ofrece un punto intermedio: un modelo mental práctico que puedes asimilar en diez minutos y que cambiará de inmediato tu forma de escribir prompts.
No necesitas matemáticas. No necesitas saber qué es un transformer. Solo necesitas una idea y cuatro consecuencias.
La idea principal
Cuando envías un mensaje a ChatGPT, Claude o cualquier asistente de IA moderno, está haciendo algo así:
Dados los patrones aprendidos durante el entrenamiento y la conversación que acabo de recibir, ¿cuál es la continuación más plausible?
Después genera la frase en unidades muy pequeñas —unos caracteres o una palabra— y vuelve a incorporar cada unidad para predecir la siguiente. Continúa hasta que la respuesta alcanza una condición de parada.
Ese es el ciclo principal. No existe una búsqueda interna de «la respuesta», ni se consulta una base de datos salvo que haya una herramienta conectada, ni hay un módulo de razonamiento en sentido humano. Existe un enorme sistema estadístico de reconocimiento de patrones que produce una continuación parecida a lo que escribiría una persona informada en esa situación.
Parece inteligente porque los patrones aprendidos durante el entrenamiento proceden de textos escritos por personas: gramática, datos, chistes, código, contratos, recetas, argumentos, disculpas y diferencias entre una respuesta educada y otra sarcástica. Por eso, cuando le preguntas algo, la continuación más plausible suele ser la respuesta correcta. A menudo, pero no siempre.
Ahora, de esta idea surgen cuatro consecuencias. Cada una hace obvio un conjunto completo de consejos sobre “ingeniería de prompts”.
Consecuencia 1: No verifica lo que es cierto
El modelo no está optimizado para acertar, sino para producir texto plausible. Ambos objetivos coinciden muchas veces porque los datos de entrenamiento contienen información correcta sobre temas habituales. Sin embargo, cuando preguntas por algo sobre lo que el modelo no ha visto información fiable —un caso jurídico especializado, un acontecimiento reciente o una cita poco conocida—, no se detiene: genera igualmente una respuesta plausible.
Por eso ocurren alucinaciones. No porque el modelo esté roto, sino porque está haciendo exactamente lo que fue construido para hacer: producir una continuación plausible. La plausibilidad y la verdad están correlacionadas, pero no son idénticas. (El modo de falla más grave y el flujo de trabajo de verificación que lo detecta se cubren en por qué la IA da respuestas equivocadas con confianza — este artículo se mantiene en el mecanismo.)
La consecuencia es que cualquier afirmación concreta de un modelo de IA —un nombre, una fecha, una cifra o una cita— requiere verificación. El modelo puede expresar incertidumbre, pero no debes tratarla como un mecanismo de seguridad. Integra la comprobación en tu flujo de trabajo.
Consecuencia 2: El contexto es todo
Si el modelo predice la siguiente frase más plausible a partir de tu petición, el prompt es la entrada que determina el resultado. Añade contexto pertinente —quién eres, qué has intentado y qué quieres— y el modelo dispondrá de patrones más ricos con los que trabajar.
Por eso “más contexto” es la forma más confiable de mejorar cualquier respuesta.
“Escribe un correo electrónico” produce el tipo de correo electrónico genérico que alguien sin información escribiría.
“Escribe un correo electrónico a un cliente a largo plazo con el que no cumplimos un plazo, en un tono directo pero cálido, bajo 100 palabras, terminando con un siguiente paso claro” produce algo cercano a lo que realmente quieres.
El modelo no se ha vuelto más inteligente entre ambas peticiones. Ha recibido un prompt más completo, que reduce el espacio de «continuaciones plausibles» a una zona mucho más útil.
Cuando usuarios experimentados dicen que diseñar prompts consiste en «ser más específico», se refieren a esto. No es un truco: el modelo realiza su tarea con mayor precisión porque le has proporcionado más información.
Consecuencia 3: La conversación forma parte del contexto
Los asistentes de IA actuales mantienen la conversación en su memoria de trabajo, denominada ventana de contexto. Cuando respondes «acorta el segundo párrafo», el modelo no empieza desde cero. Produce la siguiente respuesta plausible teniendo en cuenta todo lo ocurrido hasta ese momento: el correo original, su borrador, tu crítica y la nueva petición.
Por eso, el segundo borrador suele ser mejor que el primero. El modelo tiene más con lo que trabajar: el prompt original, su propio intento y tu reacción.
También tiene implicaciones:
- Las conversaciones largas y útiles son una función, no un error. Mantente en el mismo hilo en lugar de empezar de nuevo.
- Añadir tu crítica suele funcionar mejor que reescribir el prompt. El modelo ya dispone del contexto anterior.
- Cuando la conversación se alarga demasiado, el modelo empieza a perder las partes iniciales. Algunos productos destacados de 2026 ofrecen ventanas de contexto enormes —un millón de tokens o más en ciertos casos—, pero el plan que utilizas puede tener un límite mucho menor y la calidad disminuye a medida que la ventana se llena. En proyectos realmente largos, resume el estado y empieza un hilo nuevo de vez en cuando.
Consecuencia 4: Cómo planteas la pregunta moldea lo que sale
Porque el modelo produce una continuación plausible, el tipo de continuación que produce depende en gran medida del tono y la forma de tu prompt.
Haz una pregunta de manera casual y vaga, y obtendrás una respuesta casual y vaga. Haz la misma pregunta de manera estructurada y específica, y obtendrás algo más riguroso.
Pide al modelo que descomponga el problema antes de dar la respuesta final y generará un análisis intermedio que a menudo mejora el resultado. No es magia: orientas la respuesta hacia la descomposición, las comprobaciones y las comparaciones previas a la conclusión, lo que puede aumentar la fiabilidad en problemas difíciles.
Pídele que adopte un papel concreto —«eres un asesor fiscal sénior en Estonia»— y utilizará patrones propios de las respuestas de ese perfil. El modelo no se convierte en asesor fiscal: reproduce el estilo y la densidad de contenido de sus textos.
Pídele al modelo que argumente contra tu idea, y producirá el argumento más plausible en contra. Pídele que juegue al cliente escéptico, y producirá escepticismo. Pídele que sea breve, y comprimirá.
Todos los patrones de «ingeniería de prompts» son variaciones de esta consecuencia. Los roles, ejemplos resueltos, prompts de crítica e instrucciones como «argumenta en contra», «sé conciso» o «imita este tono» funcionan porque orientan la predicción hacia otro tipo de continuación plausible.
Para tareas de trabajo, el prompt más seguro rara vez es la redacción más ingeniosa. Es un paquete claro de contexto, restricciones, material de origen, formato de salida y manejo explícito de la incertidumbre.
Poniéndolo todo junto
Mantén en mente esas cuatro consecuencias la próxima vez que envíes un prompt:
- El modelo no verifica lo que es cierto; produce lo que es plausible.
- Más contexto estrecha el espacio de respuestas plausibles hacia lo que realmente quieres.
- La conversación completa es el contexto, así que usa el intercambio.
- La forma y el tono de tu prompt moldean la forma y el tono de la respuesta.
Las cuatro se reducen a una misma observación: el prompt es el puente entre los patrones aprendidos por el modelo y el resultado que necesitas. Cuanto más directo sea ese puente —sin perder información—, mejor.
El paquete de prompt práctico
Para trabajo real, un buen prompt suele contener seis partes:
| Parte | Lo que le da al modelo |
|---|---|
| Rol o perspectiva | El tipo de patrón de respuesta a usar |
| Contexto | La situación, el público y las restricciones |
| Material de origen | El texto, los datos o los ejemplos con los que trabajar |
| Tarea | El trabajo específico a realizar |
| Formato de salida | La forma de la respuesta |
| Regla de incertidumbre | Lo que debe marcar, verificar o rechazar |
Por eso los prompts vagos producen respuestas vagas. Dejan demasiadas continuaciones plausibles abiertas. El ejercicio complementario vinculado a este artículo te ayuda a convertir un prompt débil en este paquete de seis partes.
Una pequeña prueba
Elige un prompt reciente que haya producido una respuesta mediocre. Examínalo y pregúntate:
- ¿Le di a la IA suficiente contexto sobre quién soy y qué quiero?
- ¿Incluí restricciones de longitud, tono o formato?
- ¿Mostré un ejemplo de cómo debe ser un buen resultado?
- ¿Pedí que descompusiera el problema, planteara objeciones o señalara la incertidumbre?
Casi siempre faltará al menos uno de esos elementos. Añádelo y vuelve a enviar el prompt. La respuesta suele mejorar porque has reducido el espacio de continuaciones plausibles y lo has orientado hacia la tarea que realmente necesitas.
