Un buen prompt explica qué necesitas, aporta el contexto necesario, delimita las condiciones del trabajo y deja claro cómo quieres recibir el resultado. No hace falta aprender una colección de fórmulas mágicas. Para la mayoría de tareas profesionales funciona mejor explicar bien el encargo, proporcionar los materiales adecuados y revisar después la respuesta.
ChatGPT y otros modelos actuales entienden instrucciones bastante más complejas que las primeras herramientas de IA generativa. Eso cambia también nuestra forma de utilizarlos. Un prompt kilométrico no es necesariamente mejor que uno corto. Lo que cuenta es que contenga la información que realmente modifica el resultado. Para situar estas herramientas y sus límites, puedes consultar nuestra guía sobre qué es la inteligencia artificial y cómo funciona.
Plantilla de prompts para ChatGPT en Excel
En esta guía vamos a trabajar con tareas de marketing, análisis, redacción y trabajo profesional. Si antes quieres revisar el concepto básico, puedes consultar nuestra explicación sobre qué es un prompt en inteligencia artificial.
Cómo utilizar prompts en ChatGPT
Un prompt es la instrucción y el contexto que proporcionamos al modelo para pedirle un trabajo. Puede ser una pregunta de una línea, un encargo con varias condiciones, un documento adjunto acompañado de instrucciones o una conversación que se va refinando durante varios turnos.
La documentación actual de OpenAI sobre prompt engineering distingue varios elementos útiles: instrucciones, contexto, ejemplos y propósito del asistente. No todos son necesarios en cada consulta. Una pregunta sencilla como «¿Cuál es la capital de Portugal?» no necesita una plantilla de veinte líneas.
Para un trabajo profesional cambia la situación. «Prepárame una campaña de email» deja demasiadas decisiones abiertas: producto, público, objetivo, momento, oferta, tono, longitud o siguiente paso. Si esos datos existen, merece la pena aportarlos.
Qué tiene un buen prompt
Yo lo resumiría en seis piezas. No son una fórmula obligatoria. Son seis preguntas que ayudan a detectar qué le falta a una instrucción cuando la respuesta sale demasiado genérica.
| Elemento | Qué debemos explicar | Ejemplo |
|---|---|---|
| Tarea | Qué queremos que haga. | Compara estas tres campañas. |
| Contexto | Para qué, para quién y en qué situación. | Somos un SaaS B2B que vende a pymes españolas. |
| Materiales | Qué datos, documentos o referencias debe utilizar. | Usa exclusivamente el CSV adjunto y las notas de ventas. |
| Restricciones | Qué límites debe respetar. | No inventes datos y separa hechos de hipótesis. |
| Criterio | Qué caracteriza una buena respuesta. | Prioriza las acciones por impacto y esfuerzo. |
| Formato | Cómo queremos recibir el resultado. | Devuelve una tabla con problema, evidencia y acción. |
En tareas más complejas añadiría una séptima pieza: cómo comprobar el trabajo. Por ejemplo: «Antes de cerrar, verifica que todas las cifras de la recomendación aparecen en el archivo y señala los datos que faltan».
1. Explica la tarea y añade el contexto que cambia la respuesta
El consejo más antiguo del artículo sigue siendo válido. Si la instrucción es ambigua, el modelo tiene que completar los huecos. A veces lo hará bien; otras elegirá una interpretación distinta de la que teníamos en la cabeza.
Comparemos dos peticiones:
| Prompt demasiado abierto | Prompt útil |
|---|---|
| Escribe un email para vender nuestro software. | Escribe un email de 120-150 palabras para responsables de operaciones de consultoras de 10 a 50 empleados. Vendemos un software para controlar proyectos, horas y rentabilidad. El objetivo del email es conseguir una demostración. El principal freno detectado por ventas es el miedo a una implantación larga. No inventes prestaciones que no aparezcan en la ficha de producto adjunta. |
La segunda versión no utiliza ninguna técnica sofisticada. Simplemente aporta información que modifica la decisión: público, producto, objetivo, objeción, extensión y fuente.
También ayuda separar el contexto de la instrucción principal cuando estamos trabajando con mucho material. Podemos indicar primero qué queremos conseguir y añadir después documentos, datos o antecedentes.
2. Define una función profesional, no una personalidad ficticia
Uno de los consejos históricos de prompting consistía en escribir «actúa como un experto». Puede seguir siendo útil si esa función cambia el criterio con el que debe trabajar el modelo, pero pedir una personalidad ficticia no convierte automáticamente una respuesta mediocre en experta.
En lugar de:
«Actúa como el mejor director de marketing del mundo».
prefiero algo parecido a:
«Revisa esta propuesta como responsable de marketing B2B. Evalúa adquisición, conversión, coste, capacidad del equipo y medición. La decisión que necesito tomar es si merece la pena lanzar el piloto durante el próximo trimestre».
La diferencia está en el trabajo que estamos definiendo. Hemos señalado una función, varios criterios y una decisión concreta.
Lo mismo ocurre con el tono. Si queremos una pieza para un consejo de administración, una newsletter para clientes o instrucciones para un equipo técnico, podemos explicarlo. Eso aporta bastante más que pedirle al modelo que «sea divertido», «sea creativo» o «sea un genio» sin precisar qué significa en el resultado.
3. Pide entregables y fases, no el razonamiento interno del modelo
Para un trabajo complejo puede ser útil dividir el encargo. Lo que no necesitamos es pedir una transcripción del razonamiento interno de la IA.
Los modelos de razonamiento actuales funcionan bien cuando reciben un objetivo claro, restricciones y un formato de salida. OpenAI recomienda definir qué resultado esperamos y cómo debe verificarse, sin prescribir necesariamente todos los pasos internos que debe seguir el modelo.
Si quieres entender una respuesta, pide información que puedas comprobar:
- los datos utilizados;
- las fuentes;
- los supuestos adoptados;
- los cálculos;
- las alternativas consideradas;
- las limitaciones de la conclusión.
Por ejemplo:
«Analiza si merece la pena mantener esta campaña. Devuelve: 1) datos relevantes, 2) hipótesis que no podemos comprobar todavía, 3) recomendación, 4) riesgo de equivocarnos y 5) qué dato adicional cambiaría la decisión».
Eso produce un resultado auditable. Pedir «muéstrame exactamente cómo has pensado» no aporta la misma garantía.
4. Divide las tareas grandes cuando cada parte necesita una decisión distinta
El consejo de dividir trabajos complejos también sobrevive a la actualización. Lo aplicaría con algo más de criterio que en 2023.
Supongamos que estamos preparando el lanzamiento de un nuevo producto. Podríamos escribir:
«Crea el plan completo de lanzamiento de este producto».
Probablemente obtendremos un documento razonable y bastante genérico.
Otra opción es trabajar por entregables:
- Analiza el producto, el público y las alternativas a partir de la documentación.
- Localiza las preguntas y objeciones que todavía no están resueltas.
- Propón tres mensajes y explica qué evidencia sostiene cada uno.
- Asigna una función a los canales disponibles.
- Construye las acciones del primer mes.
- Define qué mediríamos para decidir si continuar, modificar o detener el lanzamiento.
Hay una ventaja adicional: podemos revisar cada entrega antes de utilizarla como entrada de la siguiente. Si el análisis inicial está mal, corregimos ahí. No esperamos a descubrir el problema dentro de una estrategia de veinte páginas.
Para trabajos largos también podemos pedir al modelo que mantenga una lista de decisiones ya aprobadas y que no las cambie salvo que encuentre una contradicción. Es una forma sencilla de evitar que una conversación extensa vaya desplazando requisitos importantes.
5. Dale documentos, datos y buenos ejemplos
Un modelo puede trabajar mucho mejor cuando dispone del material real sobre el que debe responder. Copiar una descripción de producto, adjuntar un briefing o subir una hoja de cálculo suele aportar más que añadir adjetivos al prompt.
ChatGPT puede trabajar actualmente con documentos, hojas de cálculo, presentaciones y otros archivos compatibles. También puede analizar datos estructurados y, según la configuración disponible, utilizar fuentes conectadas.
En lugar de:
«Analiza por qué están cayendo nuestras ventas».
podemos plantear:
«Analiza el XLSX adjunto. Compara los últimos tres meses con los tres anteriores por producto, canal y país. Separa caída de volumen, caída de conversión y caída de ticket medio. No atribuyas causas que no estén respaldadas por los datos. Termina con las tres preguntas que deberíamos investigar fuera del archivo».
Aquí el prompt no intenta sustituir a los datos. Explica cómo utilizarlos.
Los ejemplos sirven para mostrar, no para decorar
Si necesitamos un formato, estilo o clasificación muy concreto, incluir uno o dos buenos ejemplos puede ahorrar muchas instrucciones.
Supongamos que queremos clasificar comentarios de clientes. Podemos definir las categorías por escrito. Si además aportamos ejemplos representativos de «problema de producto», «problema de precio» y «problema de soporte», el modelo ve cómo aplicamos nosotros esas etiquetas.
Los ejemplos deben parecerse al trabajo real. Un ejemplo artificialmente perfecto puede enseñar justo el caso que menos dudas presenta.
6. Define restricciones y formato de salida
Buena parte de los prompts mejoran al explicar qué no debe hacer la respuesta y, sobre todo, qué forma debe tener el resultado.
Las restricciones pueden afectar a longitud, fuentes, público, fechas, territorio, tono, datos permitidos o acciones que el sistema no debe ejecutar.
Un encargo de redacción podría quedar así:
«Reescribe este texto para un público profesional español. Conserva todos los datos, nombres propios y enlaces. Reduce aproximadamente un 15 % eliminando repetición. No añadas cifras nuevas. Mantén los ejemplos técnicos. Devuelve un único bloque HTML con H2, H3, párrafos y enlaces».
Para un análisis:
«Utiliza solo los registros entre enero y junio. No completes valores ausentes. Si una conclusión depende de menos de 30 observaciones, indícalo. Devuelve una tabla con hallazgo, evidencia, impacto y siguiente comprobación».
Una condición concreta suele ser más útil que «hazlo muy bien».
7. Verifica la respuesta antes de reutilizarla
Un prompt mejor puede reducir errores, pero no convierte una respuesta en una fuente primaria ni garantiza que todo lo generado sea cierto.
Cuando la tarea contiene hechos, cifras o información que puede haber cambiado, pide fuentes comprobables o utiliza búsqueda web. ChatGPT puede buscar actualmente información reciente y acompañar la respuesta con enlaces a las fuentes.
Ya no tiene sentido mantener la vieja advertencia de que «la versión gratuita solo conoce información hasta 2021». Las capacidades y los modelos cambian, y ChatGPT puede utilizar búsqueda web cuando necesita información actual. Lo que sí debemos hacer es especificar cuándo la actualidad importa.
Por ejemplo:
«Comprueba en fuentes oficiales la normativa vigente a fecha de hoy. No utilices blogs como prueba si existe una fuente primaria. Incluye el enlace y la fecha de cada fuente».
Para revisar una respuesta generada, estas peticiones suelen ser más útiles:
- «Separa hechos, hipótesis y recomendaciones».
- «Indica qué afirmaciones necesitan fuente».
- «Comprueba de nuevo los cálculos».
- «Busca contradicciones entre el documento A y el documento B».
- «Dime qué información falta para responder con seguridad».
- «Cita la fuente que sostiene cada cifra».
Preguntar «¿en qué te basas?» puede producir una explicación útil, pero esa explicación debe comprobarse igual que cualquier otra respuesta del modelo. No es una ventana al razonamiento interno ni una garantía de que la afirmación inicial fuera correcta.
Ejemplos de prompts antes y después
Los siguientes ejemplos muestran el mismo patrón aplicado a trabajos diferentes. El prompt mejorado no siempre es mucho más largo; simplemente contiene menos huecos relevantes.
| Trabajo | Prompt genérico | Prompt mejorado |
|---|---|---|
| Marketing | Crea una campaña para LinkedIn. | Propón una campaña de LinkedIn para conseguir solicitudes de demostración de nuestro SaaS B2B. Público: directores de operaciones de consultoras españolas de 10-50 empleados. Presupuesto: 3.000 € durante cuatro semanas. Usa la ficha de producto adjunta. Devuelve mensaje, oferta, piezas necesarias, hipótesis y KPIs. |
| Análisis | Analiza este Excel. | Analiza el Excel adjunto y busca qué productos explican la caída de margen del último trimestre. Compara unidades, precio medio y coste por producto. No infieras causas externas. Devuelve los cinco hallazgos con mayor impacto y el cálculo que sostiene cada uno. |
| Redacción | Mejora este artículo. | Edita el artículo adjunto para un público profesional en España. Conserva datos, estructura útil y enlaces. Elimina repeticiones y lenguaje promocional genérico. No añadas información no verificada. Devuelve el HTML completo y señala solo los huecos que requieren investigación. |
| Trabajo profesional | Resume esta reunión. | A partir de la transcripción, extrae únicamente decisiones, responsables, fechas, bloqueos y asuntos pendientes. No conviertas propuestas en decisiones. Si no consta responsable o fecha, escribe «no definido». Devuelve primero una tabla de acciones y después un resumen de máximo 150 palabras. |
Una plantilla de prompt que puedes reutilizar
No hace falta completar todos los campos siempre. Utilízala como comprobación cuando una tarea empieza a necesitar demasiadas aclaraciones.
TAREA
Qué necesito que hagas.
CONTEXTO
Para qué lo necesito, quién lo utilizará y qué situación debes conocer.
MATERIALES
Documentos, datos, enlaces, ejemplos o información que debes utilizar.
RESTRICCIONES
Qué debes respetar y qué no debes inventar, modificar o hacer.
CRITERIOS
Cómo reconoceremos una buena respuesta.
FORMATO DE SALIDA
Estructura, extensión y nivel de detalle que necesito.
VERIFICACIÓN
Qué debes comprobar antes de entregar el resultado.Un ejemplo completo podría ser:
Analiza las entrevistas de clientes adjuntas para identificar las cinco objeciones que más afectan a la compra. Trabajamos con empresas B2B de 20 a 200 empleados y utilizaremos el resultado para revisar nuestra página comercial. Agrupa frases similares, pero no inventes categorías que no tengan evidencia. Para cada objeción indica frecuencia, dos ejemplos representativos y la respuesta que actualmente ofrece nuestra documentación. Si la documentación no responde, escribe «sin respuesta». Devuelve una tabla y termina con los tres huecos prioritarios que debería trabajar marketing.
La estructura es simple porque la tarea está bien definida. No necesitamos añadir «sé extremadamente inteligente», «piensa como un genio» ni una colección de técnicas con nombre propio.
Errores frecuentes al escribir prompts
Pedir algo genérico y esperar una respuesta específica. Si no indicamos producto, público o finalidad, el modelo tendrá que decidirlos o responder de forma amplia.
Confundir longitud con calidad. Algunos prompts copiados de internet tienen cientos de líneas porque intentan prever cualquier situación posible. Las instrucciones innecesarias también introducen ruido. Los modelos actuales suelen responder bien a objetivos y restricciones claros.
Asignar una personalidad en lugar de un trabajo. «Eres el mejor experto mundial» aporta menos que definir qué debe revisar, con qué criterios y para qué decisión.
Pedir datos actuales sin pedir búsqueda o fuentes. Una respuesta con apariencia precisa puede estar desactualizada. Si la fecha importa, dilo.
Entregar veinte páginas de contexto sin jerarquía. Un documento largo puede ser útil, pero necesitamos explicar qué parte tiene autoridad, qué pregunta queremos resolver y qué información puede ignorarse.
Aceptar la primera respuesta como final. En trabajo profesional suele merecer la pena revisar, corregir supuestos y pedir una segunda versión con los problemas detectados.
Pedir certeza cuando faltan datos. Podemos solicitar que el modelo identifique la información ausente. Obligarle a escoger una respuesta cuando la evidencia no permite hacerlo solo aumenta la apariencia de seguridad.
Cómo mantener una conversación larga sin perder el encargo
Una conversación permite añadir contexto poco a poco. También puede acumular decisiones antiguas, pruebas y cambios de dirección. Cuando un trabajo crece, suelo convertir lo acordado en un pequeño briefing actualizado.
Por ejemplo:
Antes de continuar, resume las decisiones aprobadas hasta ahora en: objetivo, público, restricciones, fuentes válidas, entregables y asuntos pendientes. No incluyas ideas descartadas. Utilizaremos ese resumen como brief para la siguiente fase.
Después conviene revisar el resumen. Si está bien, pasa a ser una referencia más limpia que obligar al modelo a reconstruir veinte turnos de conversación cada vez.
Para trabajos repetitivos podemos guardar una plantilla con las reglas estables y cambiar únicamente tarea, datos y contexto. Eso suele producir resultados más consistentes y hace mucho más fácil detectar qué modificación del prompt ha cambiado el resultado.
Cuándo un prompt deja de ser suficiente
Hay trabajos que no mejoran escribiendo otra página de instrucciones. Necesitan información o una capacidad adicional.
| Necesidad | Qué conviene utilizar |
|---|---|
| Información actual que no tenemos en la conversación. | Búsqueda web y fuentes verificables. |
| Analizar un contrato, estudio, presentación o informe propio. | Adjuntar el archivo y explicar qué debe extraerse o compararse. |
| Trabajar con un XLSX, CSV o conjunto de datos. | Herramientas de análisis de datos, cálculos y visualización. |
| Consultar información almacenada en otra aplicación. | Una aplicación conectada o plugin disponible y autorizado. |
| Realizar una tarea repetitiva con varias decisiones y acciones. | Un workflow, automatización o agente con permisos, límites y verificaciones definidos. |
Las capacidades concretas dependen de la versión, el plan y las herramientas disponibles. ChatGPT puede actualmente buscar en la web, trabajar con archivos, analizar datos y utilizar aplicaciones conectadas en los entornos donde estén habilitadas. Eso sustituye la vieja idea de 2023 de que había que instalar un plugin simplemente para conseguir información posterior a una determinada fecha.
La distinción práctica es sencilla. Si el modelo necesita mejores instrucciones, mejora el prompt. Si necesita datos, dale los datos. Si necesita información actual, utiliza búsqueda. Si necesita calcular, usa una herramienta de análisis. Y si debe actuar sobre otro sistema, necesita una integración con los permisos correspondientes.
Cómo mejorar un prompt que no está funcionando
No rehagas todo a la primera. Mira primero qué tipo de fallo tienes.
| Problema | Qué cambiar |
|---|---|
| Respuesta demasiado genérica. | Añade público, contexto, finalidad o datos concretos. |
| Respuesta demasiado larga. | Define extensión y estructura de salida. |
| Inventa información. | Delimita las fuentes permitidas y obliga a marcar lo que no consta. |
| No respeta el estilo. | Aporta uno o dos ejemplos representativos del resultado deseado. |
| Se pierde en una tarea grande. | Divide el trabajo en entregables revisables. |
| Da datos antiguos. | Pide búsqueda actual y fuentes con fecha. |
| Cambia criterios durante una conversación. | Resume y fija de nuevo las decisiones aprobadas. |
Este procedimiento también sirve para construir una pequeña biblioteca de prompts de trabajo. Conserva las instrucciones que funcionan, los ejemplos aprobados y los criterios de revisión. Cuando el resultado empeore, sabrás qué cambió y podrás corregirlo sin empezar desde cero.
De escribir prompts a diseñar una forma de trabajar con IA
Aprender prompting sigue siendo útil. Lo que ha cambiado es el tamaño del problema. En 2023 gran parte de la conversación consistía en encontrar la frase adecuada para obtener una buena respuesta de un chatbot. Hoy trabajamos también con documentos, búsquedas, datos, aplicaciones y sistemas capaces de ejecutar varias tareas.
Eso hace que un buen profesional de IA tenga que dominar algo más amplio: definir bien un problema, seleccionar las fuentes correctas, diseñar instrucciones, establecer límites, revisar la salida y decidir qué partes merece la pena automatizar.
Cómo empezar a aplicar lo aprendido
Elige una tarea que repitas cada semana y prueba la plantilla de esta guía. Puedes copiarla directamente y completar los campos que necesites: el encargo, el contexto, los materiales disponibles y las condiciones que debe cumplir la respuesta.
Revisa el resultado antes de darlo por bueno. ¿Resuelve lo que habías pedido? ¿Utiliza correctamente tus datos? ¿Puedes comprobar sus afirmaciones? Si falla, identifica qué instrucción falta o resulta ambigua y ajusta esa parte. Guarda la versión que funcione junto con un ejemplo de respuesta aprobada para reutilizarla en encargos similares.
La calidad de un prompt se comprueba en el trabajo que permite obtener. Una instrucción útil te acerca al resultado que necesitas y facilita su revisión, aunque sigas teniendo que corregir errores o aportar información adicional.
Si quieres seguir practicando con tareas profesionales, puedes profundizar en el diseño de instrucciones con el Curso de Prompting avanzado para IA Generativa de IEBS.