¿Qué es un prompt y qué puede controlar?

Qué aprenderás

• Qué llamamos prompt en una interacción con un modelo.
• Qué puede influir una instrucción y qué queda fuera de su control.
• Por qué una respuesta clara no queda automáticamente verificada.

Una definición útil

Un prompt es la entrada que se prepara para pedirle una tarea a un modelo. En una charla puede ser el mensaje que escribís; en una aplicación puede componerse también de instrucciones de la aplicación, mensajes previos, ejemplos y datos adjuntos. La palabra se usa con distintos alcances: conviene aclarar si hablamos del mensaje del usuario o de toda la entrada efectiva.

Una instrucción dice qué hacer. El contexto aporta información para hacerlo. Un prompt puede contener ambas cosas, pero no son sinónimos. En Módulo 2, unidad 8 vimos que la aplicación puede sumar información que no aparece en el cuadro de texto.

Las aplicaciones pueden añadir reglas generales o instrucciones propias, separadas conceptualmente del mensaje de usuario. Algunas APIs expresan esos mensajes con roles y prioridades; sus nombres y funcionamiento concreto varían por proveedor y producto. La persona usuaria no necesariamente ve ni controla todas esas capas.

Qué puede influir un prompt

Una instrucción clara y datos apropiados pueden mejorar:

• claridad: reduce las interpretaciones posibles;
• relevancia: orienta la respuesta hacia la necesidad concreta;
• formato: indica si necesitás una tabla, un texto breve o campos estructurados;
• consistencia: mantiene criterios explícitos entre casos similares;
• adecuación: adapta vocabulario, profundidad y audiencia.

Esto es influencia, no garantía. El resultado también depende del modelo, de la entrada completa, de sus capacidades, de herramientas disponibles y de cómo se evalúe la respuesta.

Lo que un prompt no garantiza

buen prompt ≠ respuesta necesariamente correcta

Un prompt por sí solo no garantiza:

• que cada afirmación sea verdadera;
• que la información esté actualizada;
• que el modelo acceda a archivos, bases o sistemas que no recibió ni puede consultar;
• que desaparezcan las respuestas inventadas o los errores;
• que aparezcan capacidades que el modelo o la aplicación no tienen.

Si necesitás un dato vigente, aportá una fuente actual o usá una herramienta confiable y verificá el resultado. Si falta un archivo, adjuntalo o habilitá un mecanismo de búsqueda autorizado. Repetir «asegurate de tener razón» no crea acceso ni evidencia.

Rol y cortesía: claridad antes que solemnidad

Un rol puede fijar perspectiva, audiencia, vocabulario o tipo de revisión: «respondé como tutor para una persona que recién empieza» aclara cómo explicar. No convierte al modelo en profesional acreditado ni reemplaza contexto o fuentes. «Actuá como el mejor experto mundial» no es una fórmula mágica.

Tampoco necesitás una cortesía artificialmente extensa. «Por favor, si no es mucha molestia, ¿podrías…?» puede ser amable, pero «Objetivo: resumir el informe en cinco puntos para el equipo de soporte» comunica mejor qué resultado necesitás. La cortesía es compatible con instrucciones directas; la solemnidad no agrega precisión.

Ejercicio: separar influencia y garantía

Para cada pedido, identificá qué intenta controlar y qué deberías comprobar fuera del prompt:

1. «Resumí el reclamo en una oración y asigná una categoría». El prompt delimita tarea y salida; hay que revisar si la categoría refleja el reclamo.
2. «Decime cuál es el precio de hoy». Sin acceso a una fuente actual no garantiza vigencia; hace falta una consulta verificable.
3. «Explicá el error para una persona no técnica». Define audiencia y estilo, pero no asegura que el diagnóstico sea cierto.

Autoevaluación

¿Qué puede mejorar un buen prompt y qué no puede asegurar? Puede orientar claridad, relevancia, formato y adecuación; no prueba verdad, vigencia, acceso ni capacidades inexistentes. La respuesta debe contrastarse con evidencia cuando importa.

Fuentes

• OpenAI, Prompt engineering — instrucciones, entrada, contexto y ejemplos; consulta: 2026-10-03.
• Anthropic, Prompt engineering overview — criterios de éxito y límites de la ingeniería de prompts; consulta: 2026-10-03.
• OpenAI, Model Spec: cadena de autoridad — ejemplo específico de un proveedor, no una taxonomía universal; consulta: 2026-10-03.

Seguir aprendiendo

• Unidad 2: desarmar un prompt en componentes útiles.
• Guía canónica: qué es un prompt.
• Módulo 2: qué información recibe un LLM.