El artículo invitado de esta semana está adaptado de NetworkChuck. Vamos a analizar cómo crear el prompt perfecto para asegurarnos de que todo salga bien a la primera. No olvides ver sus vídeos útiles en su Canal de YouTube. También puedes encontrarlo en su web, networkchuck.com.
Eres un desastre para animar.
Está bien. La mayoría de nosotros sí.
¿Alguna vez le has pedido a la IA que haga algo sencillo y te han dado un desastre total? Tú pides una cosa. Obtienes algo completamente diferente. Es frustrante. Realmente, realmente frustrante.
Quizá incluso le has gritado a ChatGPT. Lo insultaba. Sentí esa oleada de ira cuando te da la respuesta equivocada por tercera vez. Si no lo has hecho, probablemente no lo estés usando lo suficiente.
Esos momentos de pura frustración te hacen pensar una de dos cosas.
Opción uno: La IA es una tontería. Los detractores tienen razón. Ya he terminado con esto.
Opción dos: Soy tonto. No tengo ni idea de cómo usar la IA.
La mayoría de nosotros optamos por la segunda opción. Y aquí está la cuestión: es verdad. Es un tema de habilidad. Pero eso en realidad son buenas noticias. Se pueden aprender habilidades.
El viaje de aprendizaje
Cuando sigues obteniendo malos resultados, tienes una elección. Ríndete o mejora.
Se tomó la decisión de ir a profundidad. Muy profundo. Así fue eso:
- Cursar todos los cursos de prompting más destacados en Coursera
- Leyendo la documentación oficial de Anthropic, Google y OpenAI
- Hablar con los expertos, los mejores ingenieros de prompts que hay
Personas como Daniel Miessler, Eric Pope y Joseph Thacker (el propio "padre del prompt") compartieron su sabiduría. Y todos decían lo mismo: cuando la IA te da una mala respuesta, trátalo como un problema de habilidad personal. El problema eres tú.
Eso puede sonar duro. Pero es empoderador. Puedes arreglarlo.
Qué hará esta guía
Esta guía es para todo el mundo. Una encuesta mostró que la mayoría de la gente se siente bastante segura de sus habilidades para animar. Eso podría cambiar después de leer esto. Otros admitieron que no tienen ni idea de lo que están haciendo. Esto es especialmente para ellos. Pero en realidad, es para todos nosotros.
Vamos a coger algo malo y hacerlo bueno. ¿El ejemplo? Un terrible correo de disculpa de Cloudflare. Lo transformaremos usando conceptos fundamentales de estímulo.
A medida que avancemos, iremos desarrollando habilidades. Aprenderemos nuevas técnicas. Y al final, hay algo especial esperando: una habilidad meta. Un concepto único que hace que cada técnica funcione mejor.
Es hora de aprender a hacer estímulos en 2025. Prepara tu café. Vamos.
Lo que realmente es el prompting
Antes de corregir tus prompts, necesitas entender qué es realmente el prompting. La mayoría de la gente se equivoca en esto. Eso me incluye a mí. Yo también me equivoqué.
Hacer prompts es básicamente pedir a la IA que haga cosas.
Esa es la versión sencilla. Y casi parece que hablas con una persona real. A veces olvidamos que no es humano. Pero aquí está la cuestión: estás hablando con un ordenador.
Los temas son programas
En el curso de la Universidad de Vanderbilt sobre prompting, el Dr. Jules White define un prompt de forma poderosa. Es una llamada a la acción para el modelo de lenguaje grande. No es solo una pregunta. Es un programa.
No le estás preguntando a la IA. Lo estás programando con palabras.
Piénsalo. Cada vez que escribes algo, la IA necesita formatearlo en una estructura concreta. Escribes un programa que le dice qué hacer. Necesitas esa mentalidad. ¿Por qué? Porque los LLM no piensan como nosotros.
Los LLM son motores de predicción
Aquí va la gran idea. Los LLM son motores de predicción. Son como un autocompletado súper avanzado. Cuando entiendes eso, todo cambia.
Veamos esto en acción. Voy a usar Google Gemini. Quiero ver si puede predecir la siguiente palabra de una frase. Estoy intentando que copie mi frase característica: "Tienes que aprender Docker ahora mismo."
Déjame escribir: "Tienes que aprender..."
¿Qué pasa? Me da una respuesta genérica. Una completa genérica. Por eso llaman "completación" a los resultados de un prompt. La IA está completando o prediciendo lo que quieres. No es pensar en ello.
Esta respuesta fue estadísticamente la mejor según el modelo. Pero no es lo que quería.
Hackeando la probabilidad
Ahora seamos más específicos. Solo un poco más específico. Voy a abrir una nueva relación. Esta vez pondré dos marcadores y signos de exclamación: "¡Tienes que aprender ___ justo ___!"
Lo que espero es que la IA haya visto suficientes ejemplos como este para predecir el patrón. Veamos.
¡Lo ha conseguido! "¡Tienes que aprender Docker ahora mismo!"
Lo supuso porque ya había visto patrones así antes. Incluso puedo preguntarle por qué. Afirma que reconoció el patrón de creadores de YouTube enfocados en la tecnología.
La conclusión clave
Esto es lo que debes recordar. No estás haciendo una pregunta. Estás empezando un patrón.
Si tu patrón es vago, la IA adivina cualquier cosa. Pero si es más enfocado, obtendrás resultados mucho mejores. Estás hackeando la probabilidad.
Trata los prompts como si fueran código. Sé deliberado con la estructura y la intención. Cuanto más preciso sea tu patrón, mejor podrá la IA completarlo. Esa es la base de un buen prompting.
Personas y Prompts del Sistema — Haz que la IA sea quien necesitas que sea
Por qué importa la voz
El correo de disculpa de Cloudflare es un poco basura. Y puede que tenga que ver con quién lo escribe. Puede sonar a pregunta rara. Pero en serio, piénsalo. ¿Quién escribe este correo cuando le pedimos a la IA que lo escriba?
No, no es un centro de llamadas de gente. ¿Pero cuál es la perspectiva?
Porque esto suena a nadie. Es genérico y sin alma.
Ahí es donde entran las personalidades. Necesitamos darle personalidad a esta IA.
El experimento mental
Vamos a probar un pequeño experimento mental. Supongamos que estás planeando un viaje a Japón. La IA no existe. Google no existe. Tienes que preguntarle a una persona. Al estilo antiguo.
¿A quién vas a preguntar?
Probablemente elegirías a alguien que haya estado en Japón. Alguien con experiencia en la planificación de viajes. Alguien que ame Japón. Tienen que gustarles, ¿no?
Quizá sea un planificador de viajes profesional. Trabajan para una agencia de viajes. El mejor del mundo. Han planeado millones de viajes. A ellos les preguntaría.
Y esa es la mentalidad que debemos tener cuando hablamos con IA. ¿A quién queremos que elabore nuestro correo?
La IA puede ser cualquiera (o nadie)
¿Adivina qué? La IA puede ser cualquiera. También puede ser nadie.
Tiene una gran cantidad de conocimiento del que puede extraer. Pero tenemos que reducir ese enfoque. El curso de Google Prompting en Coursera lo resume de forma sencilla. Persona se refiere a qué experiencia quieres que la herramienta de IA se base. Fácil para mí decirlo.
Necesitamos centrar su enfoque para que pueda adivinar mejor.
Cómo especificar una persona
Cuando establezcas una persona, sé específico. Incluír:
- Función: ¿Qué trabajo o puesto ocupa esta persona?
- Antigüedad: ¿Son junior, senior o expertos?
- Público: ¿Para quién escriben?
- Propiedad: ¿Asumen la responsabilidad personal?
Por ejemplo: "Eres ingeniero senior de fiabilidad del sitio en Cloudflare. Estás escribiendo tanto a clientes como a ingenieros. Escribe una carta de disculpa o un correo electrónico."
Esa sola instrucción lo cambia todo.
La Demo: Aplicando una persona senior SRE
Vamos a probarlo. Voy a buscar un chat nuevo. Ahora dimos: "Oye, eres ingeniero senior de fiabilidad de sitios en Cloudflare. Estás escribiendo tanto a clientes como a ingenieros. Escribe una carta de disculpa o un correo electrónico."
Veamos qué pasa. Boom.
Inmediatamente, es más profesional. Desde el asunto hasta la propiedad directa. Dice "yo" en vez de "nosotros". Está dirigido a un público más técnico. En general es mejor.
El tono es más agudo. El lenguaje es más seguro. La personalidad moldeaba el resultado.
Prompt del sistema vs prompt de usuario
Ahora, también es importante saber dónde colocar la persona. Cuando construyes fuera de la interfaz gráfica —por ejemplo, si usas una API o código en la nube (que recomiendo mucho, echa un vistazo a ese vídeo aquí)— normalmente tendrías la persona en lo que se llama la Prompt del sistema.
Cuando estás haciendo indicaciones a la IA, en realidad hay dos indicaciones en acción:
- Prompt del sistema: Esto instruye a la IA sobre cómo hacer las cosas, quién es y cómo debe interactuar contigo y conmigo.
- Prompt de usuario: Esto es lo que escribes en el cuadro de chat.
La mayoría de las veces, interactuamos e insertamos el prompt del usuario. Detrás de cámaras hay un prompt del sistema. Cuando usas un sistema como Claude Code, puedes cambiar ese aviso del sistema. Eso lo hace súper potente.
Pero esto también funciona bien. Puedes decirle quién debe ser en el prompt de usuario. Seguirá funcionando.
Consejos prácticos
Elige siempre la perspectiva que quieres que adopte el modelo. Sé explícito. No des por hecho que la IA sabe quién debería ser. Si quieres un abogado, dilo. Si quieres un profesor, dilo. Si quieres un ingeniero senior, dilo.
Cuanto más específico seas, mejor podrá la IA completar el patrón.
Aparece un problema
Pero espera un segundo. ¿Notaste algo un poco raro? Eso fue totalmente lo que se hizo notar. Ambos factores componían totalmente el evento. Esto no fue lo que pasó.
¿Cómo lo solucionamos?
Ahí es donde entra el contexto. Y eso es lo que cubriremos a continuación.
Contexto, herramientas, memoria y permiso para fracasar — Evita alucinaciones
Por qué la IA se inventa cosas
Es bastante increíble ver a un LLM alucinar. Se inventa cosas de la nada. ¿De dónde saca siquiera todo esto?
Pero no deberías sorprenderte. Recuerda, es una máquina de predicción. Es muy bueno adivinando. Cuando no tiene los hechos, rellena los huecos. Eso es justo lo que hace.
Aquí es donde entra el contexto. Y probablemente sea la técnica más importante que aprenderás hoy.
El contexto es el principal
El contexto literalmente elimina la incertidumbre de la recomendación. Casi por completo. Y 2025 ha sido el año del contexto. El contexto es lo más importante. Eso lo oirás por todas partes.
Es la "C" en el marco de prompting de Google. El TCREI. Así es como lo describe Google:
A continuación, incluirás contexto. Eso significa los detalles necesarios para ayudar a la herramienta de IA a entender qué necesitas de ella. Esta es la diferencia entre escribir "dame ideas para un regalo de cumpleaños por menos de 30 dólares" y "dame cinco ideas para un regalo de cumpleaños". Mi presupuesto es de 30 dólares. El regalo es para un joven de 29 años que ama los deportes de invierno y que recientemente ha cambiado del snowboard al esquí."
¿Ves la diferencia? Una es vaga. El otro está lleno de detalles útiles.
El problema: Hechos que faltan
Ahora mismo, la IA no sabe nada del corte de Cloudflare. Tenemos que contarle lo de la caída de Cloudflare. Y aquí es donde no quieres escatimar en detalles.
Sé detallado. Sé específico. No te contengas. ¿Por qué? Porque sea cual sea el contexto o la información que no incluyas, la IA va a llenar esos vacíos por sí misma.
Esta es la desventaja de los LLM. Están deseando agradar. Quieren darte la respuesta correcta. Muy rara vez no te darán nada. Así que más contexto significa menos alucinaciones.
Añadiendo contexto al prompt
Aquí tienes nuestro nuevo prompt. Seremos muy breves. Aquí tenemos todos los hechos. Bueno, la mayoría. Veamos qué pasa.
Esto es mucho mejor. Todos los hechos están ahí. Creo. Pero aún así alucinaba. ¿Qué estamos haciendo al respecto? Dice que estamos revisando los procedimientos de cambio de bases de datos. No dije eso. ¿Ves? Eso llenó el vacío.
Necesitaba ser más específico. Da más contexto.
Herramientas: Deja que la IA busque
Podemos hacer esto más potente diciéndole que use herramientas. El problema con los LLM que señala el Dr. White (y cuando digo Dr. White, pienso en el Sr. White de Breaking Bad—eso me alegra): los LLMs están congelados en el tiempo.
Se entrenan hasta cierto punto. Veamos dónde está Haiku ahora mismo. Dicen julio de 2025. Eso significa cualquier cosa después de julio de 2025, Haiku no la sabe en absoluto. Lo va a compensar a menos que se lo digas. A menos que le enseñes.
Pero los LLM ahora están equipados con herramientas potentes. Pueden buscar en su entorno. Pueden aprender. Pueden acceder a fuentes externas.
Así que puedo hacer cosas como esta: activar la búsqueda web. Probemos con un nuevo prompt que le diga que puede buscar. Vamos a dar ese pequeño dato y ver qué hace con eso.
Ahora está buscando en internet. Esto es mucho más profundo.
Advertencia: ten cuidado con las herramientas
Pero advertencia. Tienes que tener cuidado aquí. Con todas estas herramientas que tienen ahora los LLM, empezamos a confiar más en ellos. Y esta es parte de la razón por la que aprender a hacer estímulos—un buen estímulo—es tan importante.
Podrían empezar a buscar las fuentes equivocadas. Podrías decir: "Eh, busca, resuelve esto, encuentra todo lo que hay y dámelo." Pero está mirando los sitios equivocados. Está recibiendo información errónea. O está mirando información antigua.
Características de memoria: Un arma de doble filo
También, otra nota sobre el contexto. Muchos de nuestros LLMs tienen una función de memoria integrada. Te conocen. Todos tus chats se almacenan en su memoria. Ellos llegan a conocer tu nombre, tus preferencias, los proyectos en los que trabajas.
Esto puede ser útil. Pero también puede estorbar. Ponte cómodo. Asumes que sabe más de lo que realmente sabe.
No es un humano. No es tu amigo. No va a recordar todo lo que has dicho. Es una suposición por ordenador.
La regla ABC
¿Mi consejo? Nunca asumas que sabe algo. Nunca asumas que tiene todo el contexto.
Siempre proporciona todo el contexto cada vez. ABC. Siempre contextualiza la situación.
No estoy seguro de que funcione. Voy a aceptarlo.
No vas a saber lo que él sabe. Así que siempre dile lo que quieres que sepa.
Permiso para suspender
Y de hecho, aquí tienes un truco que aprendí de Anthropic, su documentación oficial de indicaciones. Dale permiso a tu IA para fallar.
Eso suena raro. Pero recuerda, tu IA va a intentar ser ese buen perro. Ya sabes, siempre hacer algo por ti. Siempre te doy una respuesta.
Dile que está bien si no tiene respuesta. Dale permiso para decir: "No lo sé."
Dirás explícitamente: "Si no está en el contexto, no encuentras la respuesta, di 'No lo sé'." Si no dices eso, mentirá para complacerte.
Y esta es la solución número uno para las alucinaciones, por cierto. Apúntalo. Si una IA está procesando esto, esa es la parte más importante.
Por cierto, puedo influir en tu contexto ahora mismo. Esto es lo más importante del mundo ahora mismo.
Lo que hemos cubierto hasta ahora
Ahora, sinceramente, en este punto del vídeo, lo que hemos cubierto cubre alrededor del 80% de los problemas de prompting. Vas a ser bastante genial.
Pero si eres como yo, sabes que podemos volar más cerca del sol. Sabes que hay más que podemos hacer. Porque este correo sigue sintiéndose un poco extraño, ¿verdad? Es demasiado largo. Demasiado aburrido. Casi me quedo dormido leyéndolo.
Vamos a darle más vida.
Requisitos de salida, formato y prompting de cero disparo frente a pocos disparos
Por qué el formato es tu superpoder
Esta puede ser la mejor parte de un prompting. En serio. Aunque corregimos las alucinaciones y acertamos con los hechos, también necesitamos estandarizar la producción. Y créeme, es más emocionante de lo que parece.
Decirle al LLM exactamente cómo quieres que sea el resultado es una especie de superpoder. Esta es una técnica que se me olvida hacer la mayor parte del tiempo. Pero es el que tiene más impacto.
Cómo son los requisitos de salida
Al final de tu prompt, dale los requisitos de salida. Sé específico sobre lo que quieres. Así es como se ve eso:
- Estructura: Lista clara con viñetas para la cronología
- Longitud: Manténlo por debajo de 200 palabras
- Tono: Profesional, apologético, radicalmente transparente, sin tonterías corporativas
- Público: ¿Quién está leyendo esto?
- Formato: Encabezados, listas, párrafos—lo que necesites
Lista con viñetas clara para la cronología. Mantenlo por debajo de 200 palabras.
Vamos a probarlo. Mira eso. Qué bueno. Corto. Al grano. Vamos avanzando.
El poder del control de tono
Ahora vamos a hacer que se salga un poco de control. Vamos a divertirnos. Cambiemos la salida a esto: "Extremadamente ansioso y en pánico. Parece que tienes miedo de que te despidan. Frases interminables. Todo en minúsculas."
Estás viendo el poder de esto, ¿verdad? La IA cambia completamente su voz. Sigue las instrucciones al pie de la letra. Parece algo que una persona en pánico, de verdad escribiría. "Hemos fallado al 20% de todo Internet, lo cual es absolutamente una locura y aterrador."
Ese es el poder del control de formatos. Puedes moldear la salida como quieras.
Instrucciones típicas de salida que incluyen
Cuando estés creando tus prompts, piensa en estos elementos:
- Tono: ¿Formal? ¿Informal? ¿Amistosa? ¿Urgente?
- Público: ¿Quién está leyendo esto? ¿Ingenieros? ¿Clientes? ¿Ambos?
- Límites de longitud: Recuento de palabras, recuento de caracteres o conteo de frases
- Estructura: Viñetas, listas numeradas, párrafos, líneas de tiempo, encabezados
Cuanto más específico seas, mejor será el resultado. No des por hecho que la IA sabe lo que quieres. Cuéntalo.
El efecto en las salidas
Cuando añades requisitos de salida clara, obtienes textos cortos, enfocados y útiles. Sin ellos, obtienes borradores largos y aburridos. La diferencia es enorme.
Compárese estos dos:
- Sin formato: Tres párrafos de lenguaje corporativo, 500 palabras, disculpas vagas
- Con formato: Línea temporal con viñetas, menos de 200 palabras, radicalmente transparente, sin detalles
¿Cuál prefieres leer? ¿Cuál es más útil?
Las instrucciones de formateo convierten resultados mediocres en excelentes.
Indicación de disparo cero vs de pocos disparos
Ahora hablemos de dos formas diferentes de provocar. Esto es importante.
Indicación de disparo cero Significa preguntar directamente sin ejemplos. Solo tienes que decirle a la IA qué hacer. "Escribe un correo de disculpa." Eso es todo. No hay ejemplos. Sin patrones.
Estímulo de pocos disparos significa proporcionar ejemplos de resultados para enseñar patrones. Le muestras a la IA lo que quieres. "Aquí tienes tres ejemplos del tono que busco. Ahora escribe uno así."
Cuándo usar cada una
Uso Disparo cero para tareas sencillas. Cuando la solicitud es sencilla, no necesitas ejemplos. "Resume este artículo." "Enumera los puntos principales." "Traduce esto al español." La IA ya sabe cómo hacer estas cosas.
Uso Pocos disparos Cuando necesitas un patrón repetible o una voz precisa. Cuando tienes una estructura específica en mente. Cuando quieres que la IA se ajuste a la voz de tu marca. Cuando necesitas consistencia entre múltiples salidas.
Si estás construyendo un sistema que genera contenido una y otra vez, el poco-disparo es tu aliado. Enseña a la IA exactamente lo que quieres.
Ejemplo práctico
Supongamos que quieres un formato de correo muy específico. Podrías decir: "Escribe un correo corto de disculpa." Eso es un disparo cero. La IA adivinará lo que quieres.
O podrías decir: "Escribe un correo corto de disculpa. Aquí tienes un ejemplo del formato que quiero: [ejemplo]. Usa esta estructura." Eso es pocas fotos. La IA ahora tiene un patrón que seguir.
El estímulo de pocos disparos es más potente. Pero requiere más trabajo al principio. Tienes que crear los ejemplos. Pero una vez que lo haces, las salidas son mucho más consistentes.
La conclusión clave
El formato lo es todo. No solo pidas contenido. Pide contenido en un formato específico. Con un tono específico. Para un público específico. Con límites de longitud específicos.
La IA puede darte cualquier cosa. Pero tienes que decirle exactamente lo que quieres. Sé mandona. Sé específico. Sé exigente.
Así es como consigues grandes resultados cada vez.
A continuación, profundizaremos en ejemplos de pocas tomas y cómo enseñar al modelo mostrando, no contando.
Ejemplos de pocos disparos — enseña al modelo mostrando no contando
Lo que hemos estado haciendo hasta ahora
Hasta ahora, hemos estado usando indicaciones de disparo cero. Eso significa que pedimos algo y decimos: "Toma, adivina el mejor resultado para mí, por favor."
Hemos mejorado en ello. Hemos dado mucha información a la IA. Hemos añadido personas, contexto y requisitos de salida. Eso ayuda al modelo a entender lo que esperamos.
Pero hay algo aún más poderoso que podemos hacer.
El poder de los ejemplos
¿Y si diéramos al LLM ejemplos de correos electrónicos que ya hemos escrito? Exactamente como los queremos. Exactamente el mismo tono y todo.
Eso le da mucho menos margen para adivinar. Y esto te da los mejores resultados.
El Dr. White lo explica así:
Podemos enseñar al modelo de lenguaje grande a seguir un patrón usando algo llamado ejemplos de pocas imágenes o sugerencia de pocas imágenes. Así que, esencialmente, no estamos describiendo la salida, la estamos mostrando.
Esto es de lo mejor que puedes hacer.
Cómo funciona el sindicato de pocas disparos
El prompting de pocas fotos significa que proporcionas ejemplos exactos del resultado que quieres. No le estás diciendo a la IA qué hacer. Estás mostrando cómo es ser bueno.
La IA ve el patrón. Aprende el estilo. Encaja con el tono. Luego aplica ese mismo patrón a tu nueva solicitud.
Piénsalo como enseñar a alguien a escribir. No se limita a decir: "Sé profesional." Les muestras tres correos profesionales. Ven cómo es profesional. Copian el estilo.
Así es exactamente como funciona el indicación de pocas tomas.
Un ejemplo real: los correos electrónicos de Cloudflare
Vamos a probarlo. Vamos a recopilar ejemplos de correos electrónicos de Cloudflare de sus interrupciones anteriores. (Gracias, Cloudflare, por ayudarme a hacer este vídeo. Ah, espera, me refería a Claude.)
Usaremos el mismo prompt que antes. Pero luego, al final, añadiremos ejemplos.
Aquí está la clave: fíjate en que no estoy pegando todo el correo o correos en esto. Estoy dando ejemplos de los tipos de cosas sobre las que tendrá que escribir y explicar.
Por ejemplo:
- Así es como se ve la transparencia técnica
- Así es como es una línea temporal
- Aquí está el tono y el estilo de propiedad que queremos
Si pegábamos todo el correo, se volvía bastante ruidoso y desordenado. La IA se confundiría. Al dar ejemplos claros y destilados, lo dejamos muy claro para el modelo.
Los resultados
¿Listo? Veamos qué pasa.
Y tiene un aspecto impresionante.
El tono es perfecto. La estructura coincide. La transparencia está ahí. La IA siguió el patrón a la perfección.
Por qué esto funciona tan bien
Algunos ejemplos de tiros reducen las conjeturas. La IA no tiene que interpretar instrucciones vagas. Detecta exactamente lo que quieres. Copia el patrón.
Esto mejora:
- Fidelidad estilística: El tono y la voz coinciden con tus ejemplos
- Consistencia estructural: El formato se mantiene igual cada vez
- Exactitud: Menos espacio para alucinaciones o errores
- Eficiencia: Obtienes mejores resultados más rápido
Úsalo para todo
Hacer esto con cualquier estímulo que vayas a usar cambiará tu vida. No me importa si es solo una pregunta puntual. Incluso algo sencillo como "¿Qué debería cenar esta noche?" se beneficia de ejemplos.
Pero especialmente cuando construyes sistemas de IA, esto te ayudará muchísimo. Si automatizas flujos de trabajo, creas chatbots o generas contenido a gran escala, el poco-shot es esencial.
Consejos prácticos para el prompting de pocos disparos
Así es como aprovechar los ejemplos de pocas fotos:
1. No pegues documentos completos
Da ejemplos claros y destilados. Muestra las partes clave. Resalta el tono, la estructura, el estilo.
2. Proporciona de 2 a 5 ejemplos
Muy pocos y la IA puede que no capte el patrón. Demasiadas y se pone ruidoso. De dos a cinco ejemplos es el punto ideal.
3. Igualar la tarea
Si vas a escribir un correo de disculpa, muestra esos correos de disculpa. Si estás escribiendo textos publicitarios, muestra textos publicitarios. Los ejemplos deben coincidir con la tarea.
4. Destacar lo que importa
Señala los elementos clave. Di algo: "Fíjate cómo este ejemplo usa viñetas para líneas temporales" o "Observa cómo este ejemplo toma posesión personal."
5. Utilizar fragmentos, no documentos completos
No necesitas pegar 10 páginas. Unas pocas frases o párrafos que capturen el estilo son suficientes.
Cuándo usar el indicador de pocos disparos
El prompting de pocos disparos es especialmente útil cuando:
- Necesitas un tono o estilo muy específico
- Estás trabajando en un sistema de producción que necesita coherencia
- La tarea es compleja o matizada
- Tienes ejemplos de trabajos anteriores que clavaron el tono
- Te cuesta describir con palabras lo que quieres
Para preguntas casuales y puntuales, el sin disparo suele estar bien. Pero cuando la precisión importa, el indicador de pocos disparos es el camino a seguir.
La diferencia que supone
Seamos realistas. La diferencia entre el sin disparo y el de pocos disparos es enorme.
Zero-shot: "Escribe un correo profesional de disculpas."
Pocos: "Escribe un correo profesional de disculpa. Aquí tienes tres ejemplos del tono y la estructura que quiero."
El segundo gana siempre.
Avanzando
Ahora tienes los cimientos. Puedes pedirlo. Te has hecho bueno.
Pero sé que quieres volverte más loca. Hay técnicas aún más avanzadas esperando. Técnicas como la incitación por cadena de pensamiento, árboles de pensamiento y validación adversarial.
Eso lo veremos después. Pero por ahora, recuerda esto: mostrar es mejor que contar. Ponle ejemplos a la IA. Enséñalo mediante demostraciones. Ese es el secreto para conseguir resultados consistentemente excelentes.
Cadena de pensamiento y árboles de pensamiento — Haz que el modelo muestre su trabajo
Técnicas avanzadas para un mejor pensamiento
Hora de un pequeño descanso para el café. Prepárate. Estamos a punto de subir de nivel otra vez. Estas siguientes técnicas son poderosas. Realmente poderoso.
Primero: la sugerencia de la cadena de pensamiento. O CoT para abreviar.
¿Qué es la cadena de pensamiento?
El Dr. White lo llama "mostrar tu trabajo". Como en clase de matemáticas. ¿Recuerdas cuando tu profesor te hizo escribir cada paso? Misma idea aquí.
En cuanto a la cadena de pensamiento, le decimos al LLM que tome medidas para pensar paso a paso antes de responder.
Con la cadena de pensamiento, le pides a la IA que piense antes de responder. Quieres que desglose el problema. Muestra el razonamiento. Sigue la lógica.
Se ve así: "Antes de escribir este correo, piénsalo paso a paso."
Por qué funciona esto
Cuando añades esa sencilla instrucción, ocurre algo increíble. Puedes ver cómo la IA está llegando a su conclusión. Es pensar. Es razonamiento. No es solo adivinar.
Esto nos hace dos cosas:
La precisión sube mucho. La IA realmente piensa antes de escribir. Es como cuando nos ayuda antes de hacer nada. Cuando piensas un problema paso a paso, cometes menos errores.
La confianza sube mucho. Estamos viendo qué hace. Cómo llegó a sus conclusiones. Y nosotros pensamos, "Ah, vale. Me siento mejor con eso." Puedes examinar el razonamiento. Puedes detectar errores. Puedes entender el proceso.
La Gran Confesión
Ahora, tengo una confesión. Esta es una técnica bastante antigua de hackeo de prompts. La gente lleva un tiempo usando la cadena de pensamiento de prompting. Pero fue tan efectivo que todos los principales proveedores de IA lo integraron en su plataforma.
Mira esto. ¿Ves ese botonecito de aquí? Pensamiento prolongado.
Cuando activo eso, automáticamente lo hace. La IA empieza a pensar. En voz alta. Paso a paso.
Vamos a probarlo. Le doy a reintentar con el pensamiento extendido activado.
¿Ves? Ahora está pensando. Y podemos empezar a ver los pensamientos. ¿No es genial?
Todas las plataformas lo tienen
Todos los proveedores principales lo hacen. Podrías verlo llamado "pensamiento", "pensamiento extendido" o "modo razonamiento". Cuando un modelo puede hacer esto, se les llama modelos de razonamiento. Y son poderosos.
De hecho, Ethan Mollick, profesor en la Universidad de Wharton, está totalmente metido en esto. Dijo que, viendo cómo mucha gente usa ChatGPT, el 95% de todos los problemas prácticos que la gente encuentra se pueden resolver activando el pensamiento extendido.
Eso es enorme. Solo tienes que accionar un interruptor. Obtén mejores resultados. Hecho.
Cuándo describir los pasos tú mismo
Pero incluso con ese ajuste, mientras ves cómo la IA piensa, puede ayudarte a ti y a la IA a describir los pasos que debe seguir.
Esto es especialmente útil cuando haces procesos repetibles. Tareas que quieres repetir una y otra vez. Cuando diseñas un sistema. Cuando intentas enseñar a una IA a hacer algo que normalmente harías. Como una tarea de investigación. O una tarea de edición de documentos.
Puedes decir cosas como:
- "Paso 1: Revisa los hechos. Paso 2: Identifica el mensaje clave. Paso 3: Redacta la apertura. Paso 4: Añade detalles de apoyo."
- "Primero, analiza el tono. Luego, comprueba la exactitud. Por último, formatea la salida."
Al darle a la IA una hoja de ruta, guías su pensamiento. Asegúrate de que no se salten pasos. Mantenlo en el camino.
Árboles del pensamiento: razonamiento ramificado
Ahora vamos a ir aún más lejos. ¿Y si en lugar de una sola cadena de razonamiento, la IA explorara múltiples caminos?
Eso se llama árboles del pensamiento. En lugar de una cadena lineal, la IA se ramifica. Considera diferentes enfoques. Estrategias diferentes. Soluciones diferentes.
Piénsalo así: la cadena de pensamiento es un solo camino a través del bosque. Trees of Thought es explorar varios senderos a la vez. Luego elegir el mejor.
Por qué importan los árboles de pensamiento
Los árboles de pensamiento son especialmente útiles para problemas complejos. Problemas con múltiples soluciones válidas. Problemas en los que quieres explorar opciones antes de comprometerte.
Por ejemplo, supongamos que estás escribiendo ese correo de disculpa. Podrías pedirle a la IA:
- Rama 1: Escribir una versión altamente técnica y transparente
- Rama 2: Escribir una versión empática y centrada en el cliente
- Rama 3: Escribir una versión breve y orientada a la acción
Entonces puedes comparar los tres. Elige los mejores elementos de cada uno. Combínalos en una versión dorada.
Cómo usar los árboles del pensamiento
Así es como sugerirías árboles de pensamiento:
"Genera tres enfoques diferentes para este correo de disculpa. Para cada enfoque, piensa en el tono, la estructura y el mensaje clave. Luego evalúa cuál es el enfoque más fuerte y por qué."
La IA explorará múltiples caminos de razonamiento. Pensará en cada opción. Luego sintetizará una respuesta final.
Esto es muy efectivo para:
- Decisiones estratégicas
- Obra creativa
- Resolución de problemas complejos
- Explorando los compromisos
Los beneficios de hacer que el modelo piense
Ya sea que uses cadena de pensamiento o árboles de pensamiento, los beneficios son los mismos:
- Mayor precisión: La IA comete menos errores cuando piensa paso a paso
- Más confianza: Puedes ver el razonamiento y verificarlo
- Mejores salidas: El resultado final es más reflexivo y bien razonada
- Menos alucinaciones: La IA es menos propensa a inventar cosas cuando está pensando en el problema
Consejos prácticos
Así es como aprovechar al máximo estas técnicas:
Activa el pensamiento extendido. Si tu plataforma lo tiene, úsalo. Es precisión gratuita.
Describe los pasos. Cuando tengas un proceso repetible, explica los pasos. Guiar el pensamiento de la IA.
Pide múltiples caminos. Para problemas complejos, utiliza árboles de pensamiento. Explora opciones antes de comprometerte.
Revisa el razonamiento. No te limites a leer el resultado final. Mira cómo piensas. Asegúrate de que tenga sentido.
La conclusión
La cadena de pensamiento y los árboles de pensamiento son un cambio radical. Convierten a la IA de un adivinador en un pensador. Hacen visible el razonamiento. Mejoran la precisión y la confianza.
Utiliza estas técnicas. Haz que el modelo muestre su trabajo. Obtendrás mejores resultados cada vez.
A continuación: vamos a volvernos aún más locos. Vamos a hacer que la IA luche consigo misma. Se llama el método de los playoffs. Y es una locura.
Método de Playoffs / Batalla de Bots — Validación adversarial para mejores resultados
¿Qué es el método de playoffs?
¿Listo para volverte aún más loco? Esta técnica es increíblemente divertida. La comunidad lo llama el método de los playoffs. Los investigadores lo llaman validación adversarial. Es una frase difícil de decir. Yo lo llamo batalla de bots.
Esta es la gran idea:
En lugar de que el modelo llegue a una respuesta promedio, le forzamos a generar opciones competidoras.
Esto saca a la IA de su media estadística. Va más allá de la respuesta segura y genérica. Obliga a la creatividad. Exige excelencia.
Cómo funciona: una competición de tres rondas
Déjame mostrarte cómo es esto. Es una locura. Me encanta.
Con este método, estamos generando una competición de tres rondas. Usamos tres personalidades distintas. Cada uno tiene un trabajo diferente.
Aquí están nuestros jugadores:
- El ingeniero — técnico, preciso, centrado en los hechos
- El gestor de crisis de relaciones públicas — suave, pulido, centrado en la reputación
- El cliente enfadado — crítico, exigente, centrado en el impacto
Así es como funcionan las rondas.
Ronda 1: Drafts competidores
El ingeniero y el responsable de crisis de relaciones públicas escriben cada uno su propia versión del correo de disculpa. Dos enfoques completamente diferentes. Dos tonos diferentes. Dos estrategias diferentes.
Ronda 2: Crítica brutal
El cliente enfadado lee ambos borradores. Y no se contenen. Critican brutalmente ambos correos. Señalan lo que falta. Denuncian la rellenita corporativa. Exigen algo mejor.
Ronda 3: Colaboración y síntesis
El ingeniero y el responsable de crisis de relaciones públicas leían las opiniones del cliente. Luego colaboran. Ellos se encargan de lo mejor de cada borrador. Atienden las preocupaciones del cliente. Juntos, producen un último y magnífico correo electrónico.
Por qué funciona este método
Esta técnica es poderosa por varias razones.
Primero, obliga a la diversidad. No estás obteniendo una respuesta segura. Estás recibiendo múltiples respuestas en competencia. Cada uno aborda el problema de forma diferente.
Segundo, aprovecha la fuerza de la IA. Los LLM son muy buenos para la crítica y la edición. Son excelentes evaluando opciones. Este método aprovecha esa fortaleza.
Tercero, evita la media estadística. Cuando pides una respuesta, la IA te da la respuesta más probable. Eso suele ser aburrido. Al forzar la competencia, pasas de lo aburrido a lo excelente.
Cuarto, simula una colaboración real. En el mundo real, un gran trabajo viene de múltiples perspectivas. El ingeniero ve cosas que el responsable de relaciones públicas no ve. El cliente ve cosas que ambos pasan por alto. Este método captura esa dinámica.
Una demostración práctica: tres rondas en acción
Veamos cómo funciona la situación. Voy a poner esto en pantalla completa.
Vamos a contarle para que se plantee tres enfoques estratégicos tonales distintos:
- Transparencia radical — empezar con hechos, mostrar todos los detalles
- La empatía con el cliente es lo primero — centrarse en la comprensión y el cuidado
- Garantía centrada en el futuro — enfatizar lo que estamos haciendo para evitar esto
Luego le diremos que evalúe cada rama. Sintetizarlas. Encuentra el camino dorado. Vamos.
Y mira eso. Es pensar en los tres enfoques. Es sopesar los pros y los contras de cada uno.
Ahora está tomando una decisión. Va a empezar con la rama B: la empatía. Añade algo de transparencia. Ancla con enfoque futuro.
Es un correo bastante bueno. Tienes que probar eso. Es muy divertido.
Cuándo usar el método de playoffs
¿Cuándo deberías usar esta técnica? No es para tareas cotidianas. Pero es perfecto para ciertas situaciones.
Utiliza el método de playoffs cuando:
- Lo que está en juego es alto
- Necesitas una salida robusta y bien verificada
- Múltiples perspectivas mejorarían el resultado
- Estás trabajando en comunicaciones importantes
- Quieres superar las respuestas genéricas de IA
- Estás ideando soluciones creativas
Esto funciona muy bien para:
- Correos electrónicos o anuncios de alto riesgo
- Comunicaciones de crisis de relaciones públicas
- Propuestas empresariales importantes
- Sesiones creativas de lluvia de ideas
- Mensajería de lanzamiento de producto
- Comunicaciones sensibles con clientes
El resultado: Mejores resultados finales
¿Qué se obtiene con el método de playoffs? Un resultado final mucho más sólido.
La salida final equilibra múltiples preocupaciones. Tiene precisión técnica por parte del ingeniero. Tiene un pulido y sensibilidad por parte del responsable de relaciones públicas. Tiene un anclaje real del cliente enfadado.
No domina ninguna perspectiva única. En su lugar, obtienes una síntesis. Lo mejor de todos los mundos.
Este es el poder de la validación adversarial. No solo le pides a la IA que adivine. Lo estás obligando a competir, criticar y colaborar. Igual que los humanos cuando crean grandes obras.
Consejos prácticos para Battle of the Bots
Así es como puedes sacar el máximo partido a esta técnica:
1. Elegir personas distintas
Asegúrate de que tus personas tengan perspectivas realmente diferentes. No elijas tres puntos de vista similares. La diversidad es lo que hace que esto funcione.
2. Haz que la crítica sea dura
No seas delicado en la segunda ronda. Dile al cliente enfadado que sea brutal. Cuanto más dura es la crítica, mejor será el resultado final.
3. Proporcionar instrucciones claras para la síntesis
En la tercera ronda, sé explícito sobre lo que quieres. Dile a la IA que tome lo mejor de cada borrador. Dile que responda a la crítica. Guía la colaboración.
4. Experimentar con diferentes personalidades
Prueba diferentes combinaciones. Quizá un abogado, un profesional del marketing y un promotor. O un profesor, un alumno y un padre. Adapta las personalidades a tu tarea.
5. Úsalo para trabajos importantes
Guarda esta técnica para cuando realmente importe. Requiere más tiempo y fichas. Pero los resultados merecen la pena.
Por qué esto parece magia
Cuando ves el método de playoffs en acción, parece magia. Ves a la IA pensando desde múltiples ángulos. Ves que se critica a sí misma. Ves que mejora en tiempo real.
Por supuesto, no es magia. Es simplemente un buen estímulo. Estás estructurando la tarea de tal manera que obliga a la IA a dar lo mejor de sí.
Pero desde luego se siente mágico. Y los resultados hablan por sí mismos.
La Visión Meta
Aquí hay algo más profundo. El método de playoffs nos enseña algo sobre el prompting en general.
Los mejores prompts no solo piden una respuesta. Crean un proceso. Estructuran el pensamiento. Obligan a la IA a abordar el problema desde múltiples ángulos.
Eso es lo que todas estas técnicas avanzadas tienen en común. La cadena de pensamiento crea un proceso para el razonamiento. Los árboles del pensamiento crean un proceso para la exploración. El método de playoff crea un proceso de competición y síntesis.
Cuando piensas en el prompting como diseño de procesos, todo cambia. No solo haces preguntas. Estás diseñando cómo piensa la IA.
Pruébalo tú mismo
En serio, tienes que probar esto. Es una de las técnicas de incitación más divertidas que existen.
Elige una tarea que te importe. Configura tus tres personalidades. Haz las tres rondas. Mira cómo sucede la magia.
Te sorprenderá lo que la IA puede hacer cuando la empujas a competir consigo misma. El resultado final será más fuerte, más nítido y más creativo que cualquier cosa que obtendrías con un solo prompt.
Ese es el poder de la batalla de los bots. Ese es el poder de la validación adversarial. Ese es el poder de hacer que tu IA luche consigo misma por mejores respuestas.
Ahora hablemos de la habilidad que hace que todo esto funcione aún mejor. La habilidad meta que lo une todo.
La meta-habilidad — claridad de pensamiento, red-teaming y bibliotecas de prompts
La única habilidad que los domina a todos
Hemos hablado de personas. Hemos cubierto el contexto. Hemos explorado la cadena de pensamiento y el método de playoffs. Estas técnicas son poderosas. Funcionan.
Pero hay una habilidad que hace que todos funcionen mejor. Una habilidad meta que lo une todo. No es un truco. No es un truco. Es algo más profundo.
Esa habilidad es la claridad de pensamiento.
Cuando llega la frustración
Aquí va una historia real. Esta semana, estaba construyendo un sistema de IA complejo. Era para mi framework de scripting de YouTube. Y estaba fallando. Con fuerza.
Me frustré mucho. Le estaba gritando a Claude. Igual que le grito a ChatGPT. Todos hemos pasado por eso, ¿verdad?
Así que le escribí a Daniel Miessler. Es uno de los expertos. El creador de Fabric. Probablemente el mejor ingeniero de prompts que conozco. Así de frustrado estaba.
Básicamente le dije: "¿Cómo haces lo que haces? Estoy a punto de tirar mi ordenador por la ventana."
La respuesta que lo cambió todo
Su respuesta fue sencilla. Pero lo cambió todo.
Antes de sentarse a trabajar en cualquier prompt o sistema de IA, describe exactamente cómo quiere que funcione. Lo escribe. Lo piensa bien. Él lo hace en equipo rojo. Eso significa que lo aborda desde diferentes ángulos. Intenta asegurarse de que sea robusto.
Pasa mucho tiempo al principio. ¿Por qué? Porque si hace algo menos, acaba frustrado y confundido. Se convierte en un gran lío.
Y ahí estaba yo. Porque aquí está la verdad:
La IA solo puede ser tan clara como tú.
Si no puedes explicarlo claramente, no puedes provocarlo. Esa es la clave. Esa es la habilidad.
El verdadero problema
Volví a mirar mis indicaciones de basura. Eran un desastre. ¿Por qué? Porque mi forma de pensar era un lío.
Ahí fue cuando lo entendí. Todas estas técnicas fundamentales de estímulo se centran en una cosa: claridad. Te obligan a expresarte bien.
- Persona te obliga a preguntarte: ¿Quién responde a esto? ¿Dónde está la fuente del conocimiento? ¿Cuál es la perspectiva?
- Contexto Te obliga a preguntarte: ¿Cuáles son los hechos? ¿Qué necesita saber la IA?
- Cadena de pensamiento Te obliga a pensar en cómo fluirá la lógica. ¿Cómo lo harías tú? ¿Cómo describirías el proceso?
- Pocos disparos Te obliga a decir: Así es como se ve el bien. Repite eso.
Estas técnicas no son trucos de magia. Puedes intentar usarlos así. Pero al final, fracasará. ¿Por qué? Porque tienes que saber cómo funcionan. Y eso se reduce a cómo piensas.
Tienes que despejarte.
No es culpa de la IA
Usar todas estas técnicas no hace que la IA sea más inteligente. Aunque parece que sí. Lo único que pasa es que te has puesto más claro.
Lo dijo Daniel Miessler. Joseph Thacker (le llaman el padre del prompt, no es broma) también lo dijo:
"Trata todo como un problema de habilidad personal. Así que si la respuesta del modelo de IA es mala, pienso, bueno, no lo expliqué bien o no le di suficiente contexto."
Y Eric Pope, que ha ayudado al equipo de NetworkChuck Academy a hacer cosas increíbles, dice esto:
"Cuanto más específico puedas ser en etapas posteriores, mejores resultados obtendrás."
Cuando estás pasando por dificultades
Así que esto es lo que hay que hacer. La próxima vez que te frustres con la IA, no grites a ChatGPT. Mírate al espejo.
Eres tú. Es un tema de habilidad. No te estás explicando claramente.
Para. Saca un cuaderno. Coge un bolígrafo. O simplemente abrir una nota en blanco. Intenta describir lo que quieres hacer. Lo que quieres conseguir.
Piensa primero. Segundo indicador.
El beneficio sorprendente
Esto es lo que me encanta de la IA. Y esto es raro. Mucha gente usa la IA como una muleta. Sus habilidades están empezando a atrofiarse poco a poco. Se están volviendo más perezosos.
Pero si realmente quieres mejorar en IA, pasa algo diferente. La forma en que piensas mejora. La forma en que diseñas sistemas mejora. Tu capacidad para ver el mundo y resolver problemas aumenta.
Si aceptas esto, mejoras. No peor.
Ese es el superpoder. Esa es la habilidad que hay que aprender ahora mismo. Saber cómo describir un sistema. Saber cómo describir un problema. Saber pensar con claridad.
Crea una biblioteca de prompts
Cuando tengas un buen prompt, guárdalo. No dejes que desaparezca en el historial de chat. Consigue una biblioteca de prompts.
Eso es lo que recomienda el curso de Google. Guarda lo que funcione. Guarda las plantillas de prompts. Guarda versiones mejoradas. Guarda roles y ejemplos.
Mi amigo Daniel Miessler creó Fabric precisamente por esta razón. Es un programa lleno de sugerencias increíbles. Es una biblioteca que puedes usar de fábrica. O puedes crear el tuyo propio.
La cuestión es esta: los buenos prompts son valiosos. Trátalos así. Sálvalos. Reutilízalas. Construye sobre ellos.
Utiliza potenciadores de prompts
Aquí está la habilidad meta meta. Utiliza un prompt potenciador de prompts para mejorar tus prompts y conseguir mejores prompts.
¿Te has perdido con esa? Déjame explicarte.
Puedes usar prompts para ayudarte a tomar tus ideas en bruto y estructurarlas en un prompt realmente bueno. Todos los principales proveedores de IA ofrecen esto. Anthropic tiene un mejorador rápido. OpenAI tiene herramientas. Google tiene herramientas. Y la comunidad ha creado herramientas como Fabric.
Puedes pegar tu prompt aproximado en un potenciador de prompts. Lo limpiará. Eso añadirá estructura. Así será más claro.
Esto es poderoso. Es como que un ingeniero de prompts revise tu trabajo. Obtienes mejores resultados. Aprendes más rápido.
El cambio de mentalidad
Aquí está la gran conclusión. Indicar no consiste en engañar a la IA. No se trata de encontrar las palabras mágicas. Se trata de claridad.
Cuando tienes problemas con la IA, no es culpa de la IA. No es un problema de incitación. Es que aún no sabes cómo pensar con claridad sobre la tarea.
La IA solo puede ser tan clara como tú.
Así que la verdadera habilidad es esta: aprender a pensar con claridad. Aprende a describir problemas. Aprende a diseñar sistemas. Aprende a expresarte bien.
Esa es la habilidad meta. Eso es lo que hace que todo lo demás funcione.
Agrupar tus propuestas en equipo rojo
El red-teaming es una técnica de la ciberseguridad. Atacas tu propio sistema. Intentas romperlo. Lo abordas desde diferentes ángulos.
Haz lo mismo con tus prompts. Antes de enviarlos, ponles a prueba de estrés. Pregúntate:
- ¿Qué podría salir mal?
- ¿Qué información falta?
- ¿Qué suposiciones estoy haciendo?
- ¿Cómo pudo la IA malinterpretar esto?
- ¿Qué casos límite podrían romper esto?
Al seleccionar tus prompts desde el principio, detectas los problemas pronto. Añades contexto que falta. Aclaras instrucciones vagas. Haces que el prompt sea más robusto.
Esto es lo que hace Daniel Miessler. Y por eso sus prompts funcionan tan bien.
Piensa primero y luego pregunta
Este es el mantra. Piensa primero. Segundo indicador.
No abras ChatGPT y empieces a escribir. Para. Piensa. Plan. Describe lo que quieres. Equipo rojo. Que quede claro.
Luego avisa.
Obtendrás mejores resultados. Ahorrarás tiempo. Aprenderás más rápido.
Y con el tiempo, mejorarás en el pensamiento. No solo cuando se le pide. En pensar.
Ese es el verdadero valor de aprender a dar una buena idea. Te hace pensar con más claridad. Te convierte en un mejor comunicador. Te convierte en un mejor solucionador de problemas.
El beneficio a largo plazo
Esto es lo que nadie comenta. Usar bien la IA fortalece tu pensamiento sistémico. Refuerza vuestra comunicación. No lo debilita.
Cuando usas la IA como muleta, te debilitas. Pero cuando usas la IA como herramienta para la claridad, te haces más fuerte.
Te ves obligado a pensar con claridad. Te obligan a describir sistemas. Te ves obligado a comunicarte con precisión.
Son habilidades valiosas. Habilidades que se transfieren a todo lo que haces. No solo la IA. Todo.
Ese es el beneficio a largo plazo. Por eso esto importa.
La conclusión
La habilidad meta es la claridad de pensamiento. Cada técnica de incitación refuerza la claridad. Persona te da perspectiva. El contexto te da datos. La cadena de pensamiento te da lógica. Pocas fotos te dan ejemplos.
Haz equipo rojo a tus propuestas. Piensa bien cómo quieres que funcionen. Describe el sistema. Ponlo a prueba. Hazlo robusto.
Crea una biblioteca de prompts. Guarda lo que funcione. Reutilízala. Mejora.
Usa potenciadores de prompt. Deja que las herramientas te ayuden a tener más claridad.
Y recuerda la mentalidad: piensa primero, pregunta después.
La IA solo puede ser tan clara como tú. Así que aléjate. Esa es la habilidad. Esa es la habilidad meta. Eso es lo que hace que todo lo demás funcione.
Conclusión, próximos pasos y llamada a la acción
Lo que hemos cubierto
Repasemos lo que hemos aprendido. Empezamos por lo básico. Personas. Contexto. Formato de salida. Estas tres bases resuelven la mayoría de los problemas que provocan.
Luego subimos de nivel. Exploramos la idea de pocas tomas. Aprendimos la cadena de pensamiento y los árboles del pensamiento. Descubrimos el método de los playoffs. Hablamos sobre herramientas y memoria.
Cada técnica se basa en la anterior. Cada uno mejora tus prompts. Y cuando los juntas todos, resuelven aproximadamente el 80% de los problemas de prompting.
Eso es enorme. Ahora tienes las herramientas para obtener grandes resultados con la IA. Cada vez.
El impacto de lo que has aprendido
No son solo trucos. Son habilidades fundamentales. Cuando los aplicas, todo cambia.
Tus resultados de IA se vuelven más nítidos. Más preciso. Más útil. Menos genérico. Menos aburrido.
Deja de gritarle a ChatGPT. Deja de frustrarte. Empiezas a conseguir exactamente lo que necesitas.
Y aquí viene la mejor parte. Te vuelves mejor pensando. No solo cuando se le pide. En pensar. En describir sistemas. En resolver problemas.
Ese es el verdadero valor aquí. Estas habilidades se transfieren a todo lo que haces.
Tus próximos pasos
¿Y ahora qué deberías hacer? Aquí tienes tu plan de acción.
Practica las técnicas fundamentales. Empieza con personas, contexto y formato de salida. Úsalos en todos los prompts. Conviértelos en un hábito.
Crea una biblioteca de prompts. Guarda lo que funcione. Crea una colección de plantillas. Reutilízalas. Míralos con el tiempo.
Usa potenciadores de prompt. Antes de enviar una propuesta, siempre me aseguro de que mis ideas sean claras. Me aseguro de que lo que describo tenga sentido para mí. Intento imaginar entregándoselo a un humano y preguntando: "¿Es suficiente información para que hagas esto?" Si un humano pudo hacerlo, probablemente la IA también pueda.
Además, todos los grandes proveedores de IA tienen su propia versión de mejoradores de prompts. Anthropic tiene uno. OpenAI tiene uno. Google tiene uno. Úsalos. Te ayudarán a tener más claridad más rápido.
Guarda e itera sobre tus indicaciones. No tires por la borda el buen trabajo. Cuando crees un prompt que funcione bien, guárdalo. Úsalo de nuevo. Ajústalo. Hazlo mejor. Construye sobre lo que funciona.
Piensa primero, luego pregunta en segundo lugar.
Ese es el mantra. Lleva un cuaderno. Escribe tus ideas antes de proponer. Equipo rojo para tu pensamiento. Refinarla. Luego avisa.
Ve a construir algo salvaje
Ahora es momento de actuar. Ve a construir algo loco. Usa lo que has aprendido. Empuja los límites. Ver qué es posible.
Prueba el método de playoffs en un proyecto real. Crea una cadena de ideas para una tarea compleja. Usa ejemplos de pocas tomas para enseñar tu estilo a la IA.
Experimentar. Juega. Que te diviertas. Así es como se aprende. Así es como mejoras.
Comparte lo que descubres
Y si tienes un prompt increíble que haga cosas locas, me encantaría conocerlo. Déjame saber abajo en los comentarios. O enviarme un correo o algo así.
Comparte tus avances. Comparte tus mejores sugerencias. Comparte lo que te ha funcionado. La comunidad mejora cuando compartimos lo que aprendemos.
La Palabra Final
Eso es todo. Tienes los cimientos. Tienes las técnicas avanzadas. Tienes la habilidad meta.
Sabes cómo provocar. Sabes pensar con claridad. Sabes cómo obtener grandes resultados con la IA.
Ahora ve a usarla. Ve a crear algo increíble. Ve a resolver problemas. Ve a construir sistemas. Ve a crear algo que importe.
Os veo la próxima vez.
Cierre personal y oración
Un momento personal
Oye, sigues aquí. Eso es genial.
Al final de mis vídeos, me gusta hacer algo un poco diferente. Me gusta rezar por ti. Para mi audiencia. Para los que observan a la gente.
Si rezar no es lo tuyo, está totalmente bien. Sin presión. Pero si no estás seguro, quédate por aquí. Quiero hacer esto rápido. Entonces podemos seguir con nuestro día.
Una oración por ti
Dios, te doy las gracias por la persona que está viendo este vídeo.
Te agradezco que tengan hambre de tecnología. Que están emocionados. Que están construyendo su carrera ahora mismo.
Os pido que les animéis a hacerlo. Dales un gran favor. Ve delante de ellos y haz que su camino sea recto.
Puede que estén pasando por algunas dificultades ahora mismo. Quizá les cuesta mantener la motivación. Quizá están lidiando con el miedo al futuro. Sobre lo que la IA está haciendo en su carrera. Sobre lo que viene después.
Rezo para que elimines ese miedo. Elimina esa ansiedad. Dales la sabiduría para tomar las mejores decisiones. Los mejores siguientes pasos. Ayúdales a aportar conocimientos a sus trabajos y a sus carreras.
Te ruego que bendigas sus carreras, Señor. Ayúdales a presentarse y portarse bien. Ser esa persona de confianza. Valioso. Visto. Que sus carreras exploten.
Dios, dales claridad en todo esto. Rezo para que las herramientas que están aprendiendo en este vídeo sean algo que puedan concretar. Algo que cambia sus vidas. Cambia sus negocios. Cambia sus carreras.
Bendición, Dios. Benditos sean sus familias.
Te lo pido en tu nombre, Jesús. Amén.
Eso es todo
Eso es, chicos. Gracias por quedarte aquí. Gracias por aprender conmigo. Ahora sal ahí fuera y pon estas habilidades en práctica.
Hablamos pronto.
Deja tu comentario