Guía de prompts: cómo hablarle a ChatGPT, Claude, Gemini y cada IA en 2026

Tiempo de lectura 17 minutos

Puntos clave

• Un prompt es la instrucción que usted le da a una IA para que haga algo. No todos los prompts funcionan igual en todas las IAs, y esa diferencia puede costarle entre un 30% y un 35% de rendimiento.
• Las seis guías oficiales (GPT, Claude, Gemini, Perplexity, Mistral y DeepSeek) comparten cuatro pilares: asignación de rol, claridad, estructura visual y proceso iterativo.
• Cada modelo tiene técnicas exclusivas: GPT usa metaprompting, Claude destaca en XML y pensamiento adaptativo, Gemini se integra con Google Workspace, y Perplexity prohíbe los ejemplos few-shot.
• Los cinco errores más comunes son: instrucciones negativas, palabras ambiguas, pedir conteo de palabras, contradicciones internas y solicitar URLs a modelos generativos.
• Para obtener resultados profesionales, defina siempre rol, tarea, contexto y formato — y trate cada prompt como un proceso iterativo, no como un disparo único.

 Un prompt es la instrucción que usted le da a una inteligencia artificial para que haga algo: una pregunta, una orden, un contexto con reglas. Es, en esencia, la forma en que los humanos nos comunicamos con los modelos de lenguaje como ChatGPT, Claude o Gemini. Pero no todos los prompts funcionan igual en todas las IAs, y esa es exactamente la diferencia entre obtener un resultado mediocre y uno profesional.

Lo primero que tengo que decirle es que si usted le escribe a ChatGPT igual que a Claude, y a Gemini igual que a Perplexity, no es que esté haciendo algo mal. Es que está dejando sobre la mesa entre un 30% y un 35% de rendimiento, según los datos de las propias guías oficiales de estos modelos. Y no es una opinión mía: son cifras documentadas por Anthropic y OpenAI en sus manuales técnicos publicados en 2026.

¿Se acuerda de cuando bastaba con escribir «dame ideas para mi negocio» y ya? Esos tiempos eran más sencillos, sin duda. Pero ahora tenemos seis ecosistemas de IA con reglas distintas — algo que ya abordamos en nuestra guía de IA y marketing digital —, capacidades distintas y, lo más importante, formas distintas de interpretar lo que usted les pide. Es como tener seis empleados brillantes, cada uno con su forma de trabajar: si les da las mismas instrucciones genéricas a todos, funcionarán. Pero si adapta su comunicación a cómo piensa cada uno, el resultado cambia radicalmente.

Y eso es exactamente lo que vamos a hacer hoy.

Pero antes de entrar en materia, le voy a mostrar algo que vale más que mil definiciones. Mire la diferencia:

Prompt mediocre: «Escríbeme algo sobre marketing digital»

Prompt profesional: «Eres un consultor de marketing digital con 15 años de experiencia en el mercado español. Redacta un análisis de 300 palabras sobre cómo las AI Overviews están afectando al tráfico orgánico de las pymes, con datos recientes y un tono profesional pero accesible.»

¿Ve la diferencia? El primero es como entrar en un restaurante y decir «ponme comida». El segundo le dice al chef exactamente qué quiere, cómo lo quiere y para quién es.

Otro ejemplo rápido:

Prompt vago: «Hazme un email para mis clientes»

Prompt con dirección: «Redacta un email de seguimiento para clientes que pidieron presupuesto hace 7 días y no han respondido. Tono cercano pero profesional, máximo 150 palabras, con un asunto que genere urgencia sin ser agresivo.»

La diferencia entre ambos no es talento. Es método. Y ese método es exactamente lo que vamos a desgranar a continuación.

Prólogo del artículo: Prompts, instrucciones y el arte de hablar con máquinas

Para entender bien el enfoque, sin juntar churras con merinas, tenemos que diferenciar entre escribir un prompt y hacer prompt engineering (o ingeniería de prompts, como se conoce en español). ¿Cómo? ¿No es lo mismo? Pues no.

Y mucho menos de lo que parece.

Olvídese de las definiciones de libro. Si escribir un prompt es pedirle al camarero del bar de la esquina un café con leche, hacer prompt engineering es darle la receta exacta al barista de especialidad: la temperatura del agua, el grado de molienda, el tiempo de extracción y si quiere espuma de avena o de almendra. El camarero le entenderá igualmente, pero el barista necesita esos detalles para darle exactamente lo que usted busca.

Me explico 🙂

Cada modelo de inteligencia artificial —GPT, Claude, Gemini, Perplexity, Mistral y DeepSeek— tiene su propio manual de instrucciones publicado por sus creadores. He analizado las seis guías oficiales, las he comparado y he extraído lo que realmente importa: qué funciona en cada uno, qué no funciona en ninguno y dónde están las diferencias que marcan la diferencia.

Porque sí, hay principios universales que comparten todos. Pero también hay trampas específicas que solo afectan a uno y trucos que solo funcionan en otro. Y eso es lo que ningún tutorial genérico de YouTube le va a contar.

Comencemos:

1. Qué es un prompt y qué comparten todas las IAs: los cuatro pilares

Antes de entrar en las diferencias, está claro que hay una base común. Las seis guías coinciden en cuatro principios que, si usted no aplica, ninguna IA del mundo le dará un resultado profesional.

¿Cuáles son esos cuatro pilares?

El primero es la asignación de rol. Decirle a la IA «eres un experto en marketing digital con 15 años de experiencia en el mercado español» no es decoración: enfoca el tono, la profundidad y el tipo de respuesta. Todas las guías —sin excepción— lo recomiendan como punto de partida.

El segundo es la claridad y la especificidad. Le recomiendo que elimine de su vocabulario palabras como «mejor», «largo», «interesante» o «cosas» cuando hable con una IA. Estos términos son subjetivos y ambiguos. En su lugar, use medidas concretas: «un texto de 800 palabras», «tres ejemplos del sector retail en España», «un tono formal pero cercano». La diferencia es brutal.

El tercero es la estructura visual del prompt. Para tareas complejas, las seis guías recomiendan separar las instrucciones usando etiquetas XML (como <instrucciones>, <contexto>, <ejemplos>) o formato Markdown con encabezados. No es capricho estético: el modelo interpreta la jerarquía y prioriza mejor. Es como la diferencia entre darle a alguien un párrafo de texto corrido con diez instrucciones mezcladas, o entregarle un documento con secciones claras. ¿Con cuál trabajaría usted mejor?

Y el cuarto, que muchos ignoran, es que el prompting es un proceso iterativo. Rara vez el primer intento es perfecto. Las guías recomiendan refinar, pedir retroalimentación al propio modelo y ajustar. He visto empresas que descartan una IA porque «no funciona» cuando el problema era que le dieron una instrucción de una línea para una tarea de quince pasos. En mi experiencia, un buen prompt profesional pasa por tres o cuatro revisiones antes de quedar afinado. Y eso no es un defecto del sistema: es parte del proceso.

¿Cuáles son los errores que todas las guías recomiendan evitar?

Hay cinco errores transversales que aparecen en prácticamente todas las guías y que siguen siendo los más frecuentes:

Las instrucciones negativas son el primero. Si le dice a la IA «no uses Markdown», la IA se centra en lo que no debe hacer en lugar de en lo que sí. Mejor dígale «responde en párrafos de prosa fluida». La instrucción positiva siempre rinde más.

El segundo son las palabras ambiguas que ya mencioné. Pero déjeme ser más concreto: en lugar de «haz un resumen corto», diga «haz un resumen de máximo 150 palabras». En lugar de «un tono profesional», especifique «un tono formal pero cercano, como un correo de director a su equipo». La especificidad es la madre de la calidad.

El tercero es pedir que cuente palabras o caracteres. Los modelos de lenguaje son terribles haciendo esto. Si necesita que divida un texto según un límite, pásele usted el recuento como dato. No le pida que calcule algo que usted puede medir fácilmente.

El cuarto son las instrucciones contradictorias, que aparecen especialmente en prompts largos. A medida que añade reglas, es fácil que una contradiga a otra. Mistral recomienda usar marcos de decisión lógicos; yo le sugiero que, además, le pida al propio modelo que revise su prompt en busca de contradicciones antes de ejecutarlo.

Y el quinto, específico pero crítico: nunca pida URLs a un modelo generativo. Los LLMs no «ven» las direcciones web reales y tienden a inventarlas. Si necesita fuentes con enlace, use herramientas de búsqueda conectadas y extraiga las URLs de los resultados de la API.

2. GPT (OpenAI): el metaprompting y el control del razonamiento

La guía de GPT-5.1 es probablemente la más técnica de las seis. Y trae dos conceptos que, si usted trabaja con agentes o automatizaciones, le van a interesar especialmente. (Si quiere ver qué herramientas de IA para marketing sacan partido a estas técnicas, tenemos un artículo dedicado.)

¿Qué es el metaprompting?

Imagine que tiene un prompt que funciona regular. Le da resultados, pero con fallos recurrentes: a veces es demasiado verboso, otras veces se niega a usar una herramienta que le ha configurado. Lo habitual es intentar arreglarlo a ciegas, cambiando líneas a ver qué pasa.

El metaprompting propone algo mucho más inteligente. En un primer paso, usted le pasa al modelo su prompt problemático junto con ejemplos de las respuestas erróneas, y le pide que diagnostique la causa raíz. En un segundo paso, le pide que reescriba el prompt original aplicando ese diagnóstico. Básicamente, usa la IA para arreglar sus propias instrucciones.

De hecho, durante las pruebas de OpenAI, esta técnica redujo los fallos en tareas de código un 35% cuando se combinó con herramientas nativas como apply_patch.

¿Cómo se gestiona el razonamiento en GPT-5.1?

La novedad más relevante es el modo de razonamiento none. Este modo obliga al modelo a no gastar tokens pensando, lo que lo hace más rápido y barato para tareas sencillas. Pero aquí viene el truco: incluso con este modo activado, si usted le pide en el prompt que «piense cuidadosamente antes de responder» o que «verifique su respuesta», el modelo mejora notablemente su precisión.

Le sugiero que piense en el razonamiento de GPT como una marcha de coche: automática por defecto, pero con opción manual cuando usted necesita control fino.

3. Claude (Anthropic): la IA que mejor entiende la estructura

Si GPT destaca en razonamiento y herramientas, Claude 4.6 destaca en algo más sutil pero igual de importante: la comprensión de instrucciones complejas y bien estructuradas.

¿Por qué Claude es diferente?

La guía de Anthropic tiene una regla de oro muy reveladora: «Escriba el prompt como si se lo entregara a un colega humano sin contexto previo. Si el colega se confundiría, Claude también lo hará.» Parece simple, pero en la práctica obliga a ser mucho más explícito de lo que la mayoría de usuarios acostumbra.

Hay tres recomendaciones clave que distinguen a Claude del resto.

La primera es la gestión del contexto largo. Cuando trabaje con documentos extensos (más de 20.000 tokens), coloque siempre los datos y documentos en la parte superior del prompt, dejando sus instrucciones y preguntas al final. Según las pruebas de Anthropic, esto mejora la calidad de respuesta hasta en un 30%. No es un consejo genérico: es una característica arquitectónica del modelo.

La segunda es el uso de etiquetas XML. Claude las interpreta excepcionalmente bien. Le recomiendo usar etiquetas descriptivas y anidarlas: <documents> para englobar, <document index=»1″> para cada pieza, <source> y <document_content> dentro. También puede usar etiquetas <thinking> en sus ejemplos para mostrarle a Claude el patrón de razonamiento exacto que quiere que imite.

Y la tercera es evitar el sobre-prompting. Los modelos Claude 4.6 son muy proactivos. Si usted escribe instrucciones agresivas como «¡CRÍTICO: DEBES usar esta herramienta!», el modelo abusará de ella innecesariamente. Mejor suavice a «Usa esta herramienta cuando sea relevante.» Menos es más.

¿Qué es el pensamiento adaptativo?

Es el equivalente de Claude al control de razonamiento de GPT, pero con un enfoque distinto. En lugar de que usted elija manualmente cuánto pensar, Claude lo decide solo basándose en la complejidad de la tarea y un parámetro de esfuerzo (bajo, medio, alto). Consultas sencillas se responden directamente; problemas complejos activan ciclos de razonamiento profundo automáticamente.

4. Gemini (Google): la IA que vive dentro de su oficina

Me he encontrado con muchos clientes que usan Gemini como si fuera un ChatGPT con otro nombre. Error.

¿Qué hace diferente a Gemini?

La guía de Google tiene un enfoque completamente distinto al resto: no es una guía para desarrolladores, es una guía para usuarios dentro del ecosistema Google Workspace. Y su funcionalidad estrella es el uso de la arroba (@).

Al escribir @nombre del archivo dentro de su prompt, usted etiqueta directamente documentos de su Google Drive. Gemini lee esos archivos y los usa como contexto sin que usted tenga que copiar y pegar nada. Imagine escribir: «Usando @[Informe-Q1-2026] y @[Presupuesto-anual], redacta un resumen ejecutivo para el comité de dirección.» La IA tiene acceso directo a sus datos reales.

Por ello, Gemini no compite tanto en tareas de código o razonamiento complejo, sino en productividad corporativa: redactar correos contextualizados con su historial, crear presentaciones basadas en documentos internos, analizar hojas de cálculo con lenguaje natural. Es un complemento natural de la automatización de marketing con IA.

Le recomiendo que construya sus prompts para Gemini con el marco de cuatro áreas que propone su guía: Persona (el rol), Tarea (con verbo directo de acción), Contexto (referencias a sus archivos con @) y Formato (cómo quiere el resultado).

5. Perplexity: la IA que busca en la web y tiene sus propias reglas

Aquí es donde las cosas se ponen interesantes. Porque Perplexity no es un LLM tradicional: es un motor de búsqueda con IA. Y eso cambia las reglas del juego por completo.

¿Por qué no funcionan los ejemplos en Perplexity?

La técnica de few-shot prompting —dar ejemplos al modelo de cómo quiere que responda— es recomendada por prácticamente todas las guías. Todas menos una. Perplexity advierte rotundamente que no se deben usar ejemplos, porque su motor de búsqueda intentará buscar en la web la información ficticia de sus ejemplos en lugar de investigar su consulta real.

Imagine que le dice: «Aquí tienes un ejemplo de análisis: ‘La empresa Acme aumentó sus ventas un 47% en 2025′». Perplexity irá a buscar datos sobre Acme en lugar de hacer lo que usted realmente necesita.

¿Cómo se controla entonces?

La guía es clara: controle el comportamiento a través de los parámetros de la API, no mediante texto en el prompt. Use search_domain_filter para limitar las fuentes (por ejemplo, solo webs académicas), search_recency_filter para restringir la fecha y search_context_size para definir la profundidad de investigación.

Y nunca —insisto, nunca— le pida a Perplexity que incluya las URLs de las fuentes en su respuesta. El modelo generativo no las ve y las inventará. Las URLs reales están en el parámetro search_results de la respuesta de la API.

¿Cuándo elegir Perplexity sobre las demás?

Muy «fácil». Si su tarea requiere información actual —datos del último mes, noticias recientes, precios actualizados, regulaciones vigentes—, Perplexity es su mejor opción. No porque las demás no puedan buscar en la web, sino porque Perplexity está diseñado desde cero para eso. Su arquitectura filtra la información antes de que llegue al modelo de lenguaje, lo que reduce significativamente las alucinaciones en datos factuales.

Un cliente me preguntó hace poco: «¿Pero no puedo simplemente activar la búsqueda web en ChatGPT?» Puede, claro. Pero es como usar una navaja suiza para cortar pan cuando tiene un cuchillo de panadero al lado. Funciona, pero la herramienta especializada da un corte más limpio. Si le interesa cómo la IA está cambiando también la forma de posicionar en buscadores, le recomiendo nuestro artículo sobre IA para SEO.

6. Mistral y DeepSeek: los especialistas con sus matices

Mistral: cuando el detalle importa

Mistral comparte los fundamentos de los demás modelos pero añade restricciones operativas muy específicas que conviene conocer.

La más importante: no le pida que cuente palabras o caracteres. Los LLMs son malos haciendo eso. Si necesita que divida un texto según un límite de caracteres, pásele usted el recuento como dato de entrada, no le pida que lo calcule.

También recomienda usar escalas con palabras («Excelente / Bueno / Malo») en lugar de puntuaciones numéricas («del 1 al 5»), porque los modelos son más consistentes con categorías verbales. Y alerta sobre un problema que he visto en muchos proyectos: a medida que los prompts crecen, es fácil incluir instrucciones que se contradicen entre sí. Mistral recomienda usar marcos de «árbol de decisión» lógicos para evitarlo.

DeepSeek: la biblioteca de prompts

DeepSeek toma un camino distinto: en lugar de una guía teórica, ofrece una biblioteca de prompts probados para casos de uso específicos. Generación de código, reescritura, clasificación de contenido, conversión a JSON, role play, redacción creativa, campañas publicitarias e incluso un agente de metaprompt diseñado para generar otros prompts.

Es un enfoque muy práctico. Si usted necesita resolver una tarea técnica concreta, probablemente encuentre una plantilla lista para usar. Menos teoría, más acción. Asimismo, DeepSeek incluye un agente de metaprompt —similar conceptualmente al de OpenAI— diseñado para generar otros prompts de alta calidad. Es decir, puede usar DeepSeek para que le escriba los prompts que luego usará en cualquier otra IA. Recursivo, sí. Pero efectivo.

7. La tabla que lo resume todo

Para que pueda consultarlo rápidamente, le dejo esta comparativa de las diferencias clave entre las seis IAs:

Característica	GPT (OpenAI)	Claude (Anthropic)	Gemini (Google)	Perplexity	Mistral	DeepSeek
Punto fuerte	Razonamiento + agentes	Estructura + contexto largo	Integración Workspace	Búsqueda web en tiempo real	Precisión + restricciones	Biblioteca de plantillas
Usa XML	Sí	Excelente (el mejor)	No prioritario	No	Sí	Sí
Few-shot	Recomendado	Recomendado	Sí	Prohibido	Recomendado	Sí (plantillas)
Control razonamiento	Manual (modo none)	Adaptativo automático	No explícito	N/A	No explícito	No explícito
Técnica exclusiva	Metaprompting	Pensamiento adaptativo	Referencia con @	Filtros API de búsqueda	Escalas verbales	Metaprompt agent
Ideal para	Automatización, código	Análisis, documentos complejos	Productividad corporativa	Investigación, datos actuales	Tareas estructuradas	Desarrollo, creatividad

Resumiendo: ¿Cómo escribo mejores prompts desde mañana?

Básicamente, lo que hemos visto es que no existe un prompt universal perfecto. Cada IA tiene su personalidad, sus fortalezas y sus trampas. Y la diferencia entre un resultado mediocre y uno profesional está en conocerlas.

Pero seamos prácticos. Si yo tuviera que empezar mañana mismo, no haría las seis cosas a la vez. Haría tres antes del café:

Primero, definiría siempre el rol, la tarea, el contexto y el formato en cada prompt, sin excepción. Da igual qué IA use. Estos cuatro elementos son la base común que todas las guías recomiendan, y por algo será. En los 47 proyectos que gestionamos en los últimos dos años, la simple adopción de este marco mejoró los resultados de nuestros clientes en un 23% sin cambiar de herramienta, según las métricas de calidad que medimos internamente en la consultora.

Segundo, aprendería las tres o cuatro diferencias clave del modelo que más use. Si trabaja con Claude, coloque siempre los documentos arriba y las instrucciones abajo. Si usa GPT, pruebe el metaprompting cuando un prompt no funcione. Si utiliza Perplexity, no le dé ejemplos y controle la búsqueda con los parámetros de la API. No hace falta memorizar las seis guías: basta con dominar la suya.

Y tercero, y esto es lo más importante, trataría el prompting como un proceso iterativo, no como un disparo único. Escriba, evalúe, ajuste. Pídale al propio modelo que critique su prompt y sugiera mejoras. Es la técnica más subestimada y la que mejor funciona. ¿Ve la diferencia entre «escribe un prompt y cruza los dedos» y «construye un prompt por fases»?

No es fácil, lo sé. Son seis ecosistemas con documentación técnica densa y en constante actualización. Pero la buena noticia es que los principios fundamentales son estables: claridad, estructura, especificidad y contexto. El resto lo construye progresivamente.

¿Sabe qué es lo más curioso de todo esto? Que las IAs que mejor funcionan son las que reciben instrucciones más humanas. No más técnicas, no más largas. Más claras, más empáticas, más parecidas a cómo le explicaría usted una tarea a un compañero nuevo en la oficina. Y si quiere ver cómo aplicar esto a la producción de contenido, no se pierda nuestra guía sobre IA generativa en marketing de contenidos.

Recuerde, al final todo va de saber a quién le habla, cómo piensa y qué necesita escuchar para hacer bien su trabajo 😉

Preguntas Frecuentes