Un buen prompt para un LLM se construye como si estuvieras explicándole a alguien exactamente qué necesitas, sin dejar espacio a dudas. Lo primero es la claridad y el contexto: cuanto más concreto seas sobre tu objetivo, más relevante será la respuesta.

No es lo mismo pedir «Explícame GA4» que especificar «Explícame cómo configurar un evento personalizado en GA4 para medir clics en botones en una web en React». En el segundo caso, el modelo entiende de inmediato el terreno en el que debe moverse.

La especificidad también marca la diferencia. No basta con decir qué quieres, sino también cómo lo quieres. Si necesitas un listado, una tabla, un fragmento de código o una explicación resumida en español, es mejor dejarlo escrito. Esa precisión guía al modelo y reduce la probabilidad de recibir una respuesta genérica.

Otra característica clave es la estructura. Cuando la tarea es compleja, dividir el prompt en pasos o asignar un rol al modelo facilita mucho las cosas. Por ejemplo, empezar con “Actúa como analista digital experto en GA4” ya acota el tipo de respuesta que obtendrás.

También conviene incluir instrucciones negativas, es decir, aclarar qué no quieres en la respuesta. Si estás aprendiendo significancia estadística y no quieres fórmulas matemáticas ni ejemplos médicos, conviene explicitarlo; de lo contrario, el modelo podría irse por ahí.

Finalmente, un buen prompt no es algo que se clava a la primera. Es normal iterar: afinar, probar, encadenar instrucciones cortas en lugar de lanzar una sola pregunta gigante. Esa conversación progresiva con el modelo es lo que suele dar los mejores resultados.

Un buen prompt combina claridad, especificidad, estructura y límites claros, y se va puliendo con la práctica.

Hoy hablamos en el programa de esto y del estado de ansiedad que provoca el miedo a perderte algún avance importante o no estar usando la herramienta más adecuada para tu trabajo.