Hoy quiero compartir con ustedes algunos consejos para mejorar la forma en que interactuamos con los modelos de lenguaje. Si utilizas la interfaz web de cualquier proveedor de LLM, estos principios pueden ayudarte desde ahora mismo. Y si en algún momento decides crear una aplicación que dependa de un LLM, verás que estos mismos consejos son igualmente aplicables. A la hora de redactar un prompt debemos ser detallados y específicos, guiar al modelo a reflexionar paso a paso, además de experimentar e iterar (volver a intentarlo).

Pero qué quiere decir ser detallado y específico. Siguiendo una analogía sencilla, es como asegurarte de que un compañero de equipo recién integrado tenga suficiente información para completar una tarea. Por ejemplo, imagina que necesitas redactar un mensaje en el que solicitas participar en un proyecto de análisis de datos ambientales. Y escribes: “ayúdame a escribir un mensaje solicitando unirme al proyecto”. Este comando o instrucción no le aporta mucho al modelo, lo que hará que el LLM no sepa qué destacar, ni qué antecedentes tienes, ni qué tono usar.

En cambio, si proporcionas más contexto, por ejemplo: “He trabajado en dos estudios sobre calidad del aire, tengo experiencia analizando series temporales y quiero integrarme en el nuevo proyecto de monitoreo ambiental que dirige el departamento”, entonces el LLM tendrá una base mucho más sólida para ayudarte. Y la respuesta será mucho mejor si precisas: “Escribe un párrafo que resalte cómo mi experiencia previa en análisis de contaminación del aire me convierte en una candidata sólida para este proyecto”.

Este tipo de comando indica claramente qué necesitas y cuál es el resultado esperado.

El segundo consejo es guiar al modelo para que reflexione sobre su respuesta. Por ejemplo, supongamos que quieres generar ideas para un nuevo taller educativo. Podrías pedir simplemente: “Dame cinco propuestas de talleres”. Eso funcionará, pero el resultado será genérico, demasiado general. Si en cambio tienes un proceso en mente, puedes estructurar tu instrucción: “Primero, enumera tres problemas comunes que enfrentan los estudiantes adultos al aprender programación; luego, genera un título de taller para cada problema; y finalmente añade una breve frase que resuma su objetivo pedagógico”.
Al darle pasos claros, el modelo tiende a producir resultados más coherentes y alineados con tu intención, siguiendo tu cadena de razonamiento.

El tercer consejo es experimentar y volver a intentarlo hasta que consigas el resultado esperado es decir la iteración. En redes sociales abundan listas del tipo “20 prompts imprescindibles” o “15 trucos definitivos”, pero en realidad no existe una fórmula universal. Lo más útil es desarrollar un proceso propio para afinar tus mensajes. Por ejemplo, si estoy revisando un texto, podría pedir: “Reescribe este párrafo para hacerlo más claro”. Si el resultado no me convence, puedo añadir: “Corrige errores gramaticales y mantén un tono académico”. Y si aún necesita ajustes, puedo precisar más: “Reescríbelo en un registro formal adecuado para un informe institucional”.
La clave es ajustar el mensaje según la salida que recibes, hasta lograr la versión que deseas.

Piensa la interacción con los LLM como un ciclo: partes de una idea aproximada, la expresas en un mensaje y observas la respuesta. Si la respuesta cumple tu objetivo, perfecto. Si no, esa primera salida te ayuda a clarificar lo que realmente buscas, y así reformulas el mensaje una o varias veces hasta alcanzar el resultado adecuado. En la práctica, para ahorrar tiempo, muchas veces comienzo con un mensaje relativamente breve y luego lo voy afinando sobre la marcha. Si el resultado no es el deseado, me pregunto qué faltó en la instrucción y ajusto la indicación. Ese refinamiento progresivo es parte natural del proceso.

Un consejo adicional: he visto a algunas personas dedicar demasiado tiempo a intentar formular el “prompt perfecto” desde el principio. Por lo general, es mejor escribir algo inicial, aunque no sea perfecto, probarlo y luego ir mejorando. No vas a causar ningún daño redactando una pregunta imperfecta. Empieza, observa, corrige.

Eso sí, tres advertencias importantes. Primero, si trabajas con información altamente confidencial, asegúrate de comprender la política de privacidad y el manejo de datos del proveedor antes de ingresar contenido sensible. Segundo, es fundamental verificar la exactitud de los resultados antes de utilizarlos en decisiones críticas. No todos los errores son evidentes, y siempre vale la pena comprobar. Tercero, ten presente que el output o la salida es siempre un Cero Falso Demandante que recaba del humano interpretación, lo aparentemente correcto puede que no lo sea.