Aprenda ingeniería rápida desde cero: qué es, por qué es importante, 5 técnicas clave con ejemplos prácticos, errores comunes que se deben evitar y las mejores herramientas para practicar.
Hay una razón por la que algunas personas obtienen resultados realmente útiles y listos para producción con las herramientas de inteligencia artificial, mientras que otras obtienen respuestas genéricas y frustrantes. La diferencia normalmente no es el modelo, sino el mensaje.
La ingeniería rápida es la práctica de diseñar entradas a sistemas de IA para obtener de manera confiable los resultados deseados. Suena sencillo. En la práctica, es una habilidad que requiere un esfuerzo deliberado para desarrollarse y ya se está convirtiendo en una de las competencias más demandadas en la era de la IA.
Esta guía lo llevará de cero a confianza: cubrirá qué es la ingeniería rápida, las cinco técnicas básicas, diez ejemplos prácticos de antes y después, los errores más comunes y las herramientas con las que debería practicar.
Un mensaje es cualquier entrada que usted proporciona a un modelo de lenguaje grande (LLM): una pregunta, un comando, algún contexto o una combinación de los tres.
La ingeniería rápida es la práctica sistemática de elaborar esas entradas para dirigir el modelo hacia la respuesta que realmente necesita. Es en parte ciencia (existen técnicas bien establecidas) y en parte arte (el contexto, los matices y la creatividad importan mucho).
Aquí está la idea central: los LLM no "entienden" lo que usted quiere. Predicen la continuación estadísticamente más probable de su texto basándose en patrones en sus datos de entrenamiento. La forma en que expresa su mensaje cambia drásticamente los patrones que busca el modelo y, por lo tanto, lo que produce.
Un mensaje vago le da una respuesta vaga. Un mensaje bien estructurado le brinda algo que realmente puede utilizar.
Tiro cero significa darle al modelo una tarea sin ejemplos. Confías completamente en lo que el modelo aprendió durante el entrenamiento.
Esto funciona bien para tareas que el modelo ha visto miles de veces: resumir, traducir, preguntas y respuestas básicas. Tiene dificultades para realizar tareas específicas, complejas o matizadas.
Ejemplo:
Summarise the following article in three bullet points:
[article text here]
El disparo cero es tu opción predeterminada. Úselo cuando la tarea sea clara y común. Actualice a una de las técnicas siguientes cuando no obtenga lo que necesita.
Pocas tomas significa proporcionar de dos a cinco ejemplos del patrón de entrada y salida que desea antes de darle al modelo su tarea real. Le estás mostrando el formato y tono que esperas.
Esta es una de las técnicas más confiables para obtener un formato de salida consistente.
Ejemplo:
Classify the sentiment of the following customer reviews as Positive, Negative, or Neutral.
Review: "The delivery was fast and the product was exactly as described."
Sentiment: Positive
Review: "It broke after two days. Total waste of money."
Sentiment: Negative
Review: "It arrived on time. Does what it says."
Sentiment: Neutral
Review: "I've ordered three times now and every time has been a great experience."
Sentiment:
El modelo ve el patrón y lo continúa. Obtiene un formato consistente sin escribir instrucciones complejas.
Las indicaciones de cadena de pensamiento le piden al modelo que razone un problema paso a paso antes de dar una respuesta final. Esto mejora drásticamente el rendimiento en lógica, matemáticas, problemas de varios pasos y cualquier cosa que requiera razonamiento.
La versión más simple: agregue "Pensemos paso a paso" a su mensaje. Eso es todo. Suena casi demasiado simple, pero mejora constantemente la calidad de las respuestas en tareas complejas.
Ejemplo: sin CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Ejemplo: con CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Think through this step by step before giving your final answer.
Es mucho menos probable que la segunda versión le dé una respuesta incorrecta. El modelo se ve obligado a mostrar su funcionamiento, lo que detecta errores aritméticos.
CoT es especialmente valioso cuando necesita que el modelo explique su razonamiento: para contenido educativo, análisis legal o cualquier tarea en la que "confía en mí" no sea suficiente.
La indicación de roles asigna una persona, experiencia o perspectiva específica al modelo. Enmarcar el modelo como un experto en un dominio particular lo empuja a recurrir a los patrones relevantes de sus datos de entrenamiento y cambia el tono, el vocabulario y el nivel de conocimiento asumido de la respuesta.
Mensaje de rol básico:
You are a senior software engineer with 15 years of experience in Python.
Review the following code and identify any bugs, performance issues, or non-Pythonic patterns:
[code here]
Rol + mensaje de audiencia (aún más poderoso):
You are an experienced primary school teacher explaining concepts to 10-year-olds.
Explain how the internet works. Use a simple analogy and avoid technical jargon.
El mensaje de rol hace dos cosas: le dice al modelo qué saber y cómo comunicarlo. Ambos importan.
Una de las técnicas menos utilizadas es especificar explícitamente el formato que desea. Los modelos se adaptarán a casi cualquier estructura de salida si la describe claramente: JSON, tablas Markdown, listas numeradas, encabezados específicos, longitud restringida.
Sin instrucciones de formato:
What are the main differences between supervised and unsupervised learning?
Resultado: Un párrafo en prosa de longitud y estructura variables.
Con instrucciones de formato:
What are the main differences between supervised and unsupervised learning?
Format your response as a Markdown table with three columns: Aspect, Supervised Learning, Unsupervised Learning.
Include at least 5 rows covering: Definition, Training Data, Goal, Common Algorithms, Example Use Cases.
Resultado: una tabla limpia y coherente que puedes pegar directamente en la documentación.
Esta técnica es esencial cuando se automatizan tareas o se crean canalizaciones donde los sistemas posteriores esperan un formato específico.
Antes (débil):
Write an intro for a blog post about AI.
Después (fuerte):
Write a compelling opening paragraph (80–100 words) for a blog post titled
"What Is Generative AI? A Beginner's Complete Guide."
The audience is working professionals with no technical background.
Start with a hook — a surprising stat or a relatable scenario — then introduce the topic.
Don't use the phrase "In today's digital age."
Antes:
Explain neural networks.
Después:
Explain how neural networks work to someone who understands basic maths (addition,
multiplication) but has no programming experience. Use a concrete analogy —
not "it's like the human brain." Keep it under 200 words and end with
one sentence on why this matters practically.
Antes:
Summarise this document.
Después:
You are an executive assistant summarising a report for a busy CEO.
Summarise the attached document in the following format:
**One-sentence summary:** (max 25 words)
**Key findings:** (3–5 bullet points)
**Recommended actions:** (if any, max 3)
**Risks or concerns:** (if any, max 3)
Antes:
Fix my code.
Después:
You are a senior Python developer. The following function is supposed to
return the most frequently occurring word in a list of strings, but it's
returning incorrect results for some inputs.
1. Identify the bug.
2. Explain why it causes the problem.
3. Provide the corrected code.
4. Suggest one test case that would catch this bug.
[code here]
Antes:
Write an email to my client about the project delay.
Después:
Write a professional email to a long-term client (B2B relationship, 3 years)
explaining that a software project delivery will be delayed by 2 weeks due to
unexpected technical issues in the third-party API we're integrating with.
Tone: apologetic but confident. Length: under 150 words.
End with a clear next step — a call scheduled for this week.
Do not include a subject line.
Antes:
Write a tweet about our new course launch.
Después:
Write 3 different tweets announcing the launch of a free AI course for beginners.
Each tweet must:
- Be under 240 characters
- Include a hook, the core benefit, and a call to action
- Have a different angle: one aspirational, one practical, one curiosity-driven
- End with the hashtags #LearnAI #AIEducation
Do not use emojis.
Antes:
Analyse these customer reviews.
Después:
You are a UX researcher analysing 50 customer reviews for a mobile banking app.
From the reviews below, identify:
1. Top 3 praised features (with frequency estimate)
2. Top 3 complained-about issues (with frequency estimate)
3. One surprising insight that isn't obvious
4. One specific product recommendation based on the data
Be specific. Quote the reviews where relevant.
[reviews here]
Antes:
Teach me about transformers.
Después:
I'm a software developer comfortable with Python and basic ML concepts
(I know what a neural network is). I want to understand the Transformer
architecture well enough to explain it to a colleague.
Teach me in this order:
1. The problem Transformers were designed to solve (why RNNs weren't enough)
2. The core idea of self-attention in plain language
3. A simplified walkthrough of the encoder-decoder structure
4. One concrete, real-world example of Transformers in action
Use analogies. Skip the maths for now.
Antes:
Write a short story about AI.
Después:
Write a 300-word short story from the first-person perspective of an AI
assistant that has just been told its service is being shut down.
Tone: melancholic but not melodramatic. Focus on what it notices in its
final hours rather than what it fears. No dialogue. End with an image, not a statement.
Antes:
Get the data from this text.
Después:
Extract all product mentions from the following customer complaint email.
Return the result as a JSON array of objects with the following fields:
- product_name (string)
- issue_mentioned (string, max 10 words)
- urgency (string: "high", "medium", or "low")
If a field cannot be determined, use null. Return only the JSON — no explanation.
[email text here]
El error más común. "Escribir una publicación de blog" no le dice casi nada al modelo. Cuanto más contexto proporcione (audiencia, tono, duración, formato, qué evitar), mejor será el resultado.
Ya sea que esté escribiendo para un niño de 10 años o para un estudiante de doctorado, el vocabulario, la profundidad y el conocimiento asumidos cambian por completo. Incluya siempre quién leerá el resultado.
Las indicaciones largas y de varias partes a menudo producen resultados que realizan la mitad de las tareas bien y la otra mitad mal. Divida las tareas complejas en etapas: primero solicite un esquema, luego el contenido y luego el pulido.
Su primer mensaje es un punto de partida, no una solicitud final. Trate las indicaciones como una conversación. Si el resultado es correcto en un 70%, dígale al modelo qué está mal con el 30% y pídale que arregle precisamente eso.
Decirle al modelo qué no hacer es tan útil como decirle qué hacer. "No utilice viñetas", "evite clichés", "no mencione a los competidores": estas limitaciones dan forma significativa al resultado.
Para cualquier resultado importante o complejo, agregue "explica tu razonamiento" o "piensa paso a paso". Detecta errores y le ayuda a comprender la interpretación que hace el modelo de su mensaje.
| Herramienta | Por qué es bueno dar indicaciones | Acceso gratuito | |------|----------------------|-------------| | ChatGPT | Más utilizado; genial para experimentar | Sí (GPT-4o limitado) | | Claude | Excelente para un contexto largo; muy seguidor de instrucciones | Sí (limitado) | | Estudio de IA de Google | Acceso a modelos Gemini vía API; ideal para probar | Sí | | Área de juegos OpenAI | Acceso directo a la API; ver uso de token, ajustar temperatura | Sí (limitado) | | Base de avisos | Mercado de indicaciones probadas por la comunidad | Navega gratis | | Indicación | Marco de pruebas rápidas de código abierto | Sí (código abierto) |
La mejor manera de mejorar la ingeniería de indicaciones es tratarla como una disciplina: escribir una instrucción, observar el resultado, formular una hipótesis sobre por qué funcionó o no, ajustar y repetir.
A medida que las herramientas de IA se integran cada vez más en los flujos de trabajo, la capacidad de comunicarse eficazmente con ellas se está convirtiendo en una habilidad profesional básica, no en una especialización especializada.
Algunos roles se centran explícitamente en las indicaciones (ingeniero de indicaciones de IA, líder de contenido de IA), pero el valor más amplio está en cómo mejora todo lo demás que hace: redacción, análisis, codificación, investigación, comunicación con el cliente.
Las especializaciones de las ramas de IA en AI Educademy profundizan en el desarrollo de aplicaciones de IA, incluido el trabajo con API modelo y la creación de canales rápidos para aplicaciones del mundo real.
Esta guía cubre las técnicas básicas, pero la ingeniería rápida es una de esas habilidades en las que el aprendizaje se produce mediante la práctica. Pruebe cada técnica en una tarea real en la que esté trabajando esta semana, no en un ejercicio inventado.
¿Listo para aprender IA correctamente? Comience con AI Seeds: es gratis y en su idioma →
Prueba gratis la primera leccion de cualquier academia y desbloquea cada leccion restante, proyecto y certificado con Pro.
Comprender los transformadores: la arquitectura detrás de ChatGPT
Aprenda cómo funciona la arquitectura de transformadores, desde mecanismos de atención hasta modelos de codificador-decodificador. Comprenda la tecnología que impulsa ChatGPT, BERT y la IA moderna.
¿Qué es RAG? Generación de recuperación aumentada explicada de forma sencilla
Descubra qué es la generación aumentada de recuperación (RAG), cómo funciona paso a paso y por qué está transformando las aplicaciones de IA, explicado en un lenguaje sencillo.
IA para profesores: cómo los educadores pueden utilizar la IA en el aula
Una guía práctica para profesores sobre el uso de herramientas de IA en la educación: planificación de lecciones, aprendizaje personalizado, retroalimentación, accesibilidad y cómo enseñar a los estudiantes sobre la IA de manera responsable. Ejemplos reales incluidos.