Prompt engineering: definición, técnicas y por qué el contexto importa más

Seguramente buscas la fórmula correcta. Es la pregunta que más oigo en mis formaciones, y casi nunca es ahí donde está el problema. El prompt engineering fue una disciplina de verdad cuando los modelos eran frágiles. Quedan algunas técnicas sólidas, y una idea que las supera a todas: un modelo no adivina lo que no ve.

Empiezo por la definición y las técnicas que siguen funcionando, después explico por qué el context engineering toma el relevo, con una herramienta para medir lo que cabe en una ventana de contexto. Termino con la profesión de prompt engineer: qué hace, cuánto gana y si todavía existe.

Prompt engineering: definición

El prompt engineering, o ingeniería de prompts, reúne los métodos para redactar y organizar las instrucciones que se dan a un modelo de lenguaje con el fin de obtener el mejor resultado posible. El término viene del inglés: prompt designa la instrucción y engineering, el enfoque metódico para ponerla a punto y probarla.

En la práctica, hacer prompt engineering es elegir las palabras de una petición, su estructura, los ejemplos que la acompañan y el formato esperado, y después ajustar hasta obtener una respuesta aprovechable. Para un usuario, eso ocurre en ChatGPT o en Claude. Para una empresa que integra la IA en un software, se convierte en un trabajo de ingeniería: instrucciones de sistema, baterías de pruebas, versiones sucesivas.

¿Qué es un prompt en IA?

Un prompt es el mensaje que envías a una IA para obtener una respuesta: una pregunta, una instrucción, a veces acompañada de un documento. Es tu única forma de decirle al modelo lo que esperas. Si quieres plantillas concretas ordenadas por uso, he reunido 40 ejemplos en mi artículo sobre prompts para ChatGPT.

¿De dónde viene el prompt engineering?

Entre 2022 y 2024, la redacción importaba de verdad. Los modelos eran frágiles: cambiar «redacta» por «actúa como un redactor experimentado y redacta» modificaba notablemente la salida. Circulaban bibliotecas de fórmulas y apareció una profesión. A principios de 2023, una oferta de empleo de Anthropic para un puesto de prompt engineer dio la vuelta a la prensa, con un salario anunciado de entre 175.000 y 335.000 dólares al año.

Desde entonces, los modelos han absorbido en gran parte esa fragilidad. Reformulan sin dificultad una petición torpe y razonan por sí mismos antes de responder. Lo que les falta no ha cambiado: no conocen tu empresa, ni a tus clientes, ni tus limitaciones reales.

Las técnicas de prompt engineering que siguen funcionando

Algunas técnicas han sobrevivido a todas las generaciones de modelos. Son las que sigue recomendando la documentación de Anthropic para sus modelos actuales, y las que aplico todos los días. Tienen algo en común: todas consisten en dar más información al modelo.

1. Ser claro y explícito

Imagina a un colaborador brillante que llegó esta mañana y no conoce ni tus costumbres ni tus asuntos. Es la imagen que usa Anthropic para describir un modelo, con una regla de oro: haz que lea tu prompt un compañero que no sepa nada de la tarea. Si él duda, el modelo también dudará.

• Vago: «Haz un resumen de este informe».
• Explícito: «Resume este informe en 10 líneas para el comité de dirección, que no tiene tiempo de leerlo. Empieza por la decisión que hay que tomar y después las tres cifras que la justifican».

2. Explicar el porqué de una instrucción

Una instrucción desnuda se aplica al pie de la letra. Una instrucción explicada se entiende y después se generaliza a los casos que no habías previsto. La documentación de Anthropic lo recomienda explícitamente: decir por qué importa un comportamiento ayuda al modelo a acertar.

• Desnuda: «No uses nunca jerga».
• Explicada: «Este texto se dirige a artesanos que están descubriendo el posicionamiento web: evita la jerga y, si un término técnico es imprescindible, explícalo en una frase».

3. Mostrar ejemplos

Los ejemplos siguen siendo una de las formas más fiables de fijar el tono, el formato y la estructura de una respuesta. Es el few-shot prompting: Anthropic aconseja de 3 a 5 ejemplos, cercanos a tu caso real y lo bastante variados para que el modelo no copie un rasgo accidental de uno de ellos. Para recuperar tu estilo, nada sustituye a dos o tres textos que hayas escrito tú.

4. Estructurar la petición

Cuando un prompt mezcla instrucciones, documentos y ejemplos, sepáralos con claridad. En la mayoría de las herramientas bastan unos títulos. La documentación de Claude recomienda etiquetas como <contexto>, <documentos> o <instrucciones>, que le ayudan a no confundir un ejemplo con una instrucción.

5. Colocar los documentos largos antes de la pregunta

Con documentos largos, el orden importa. Anthropic recomienda poner los documentos al principio del prompt y la pregunta al final: en sus pruebas, este orden mejora la calidad de las respuestas hasta un 30 %, sobre todo con varios documentos. Es lo contrario del reflejo natural, que consiste en hacer la pregunta y después pegar el texto.

6. Dar un rol, en una línea

«Eres abogado laboralista» orienta el vocabulario y el tono, y basta con una frase. Pero el rol no sustituye a la información: describir tu situación real aporta mucho más que un personaje ficticio. Mantenlo corto y no construyas la petición a su alrededor.

7. Dividir las tareas complejas

Una petición que encadena análisis, redacción y maquetación da tres medios resultados. Es mejor hacer tres peticiones sucesivas, cada una alimentada por el resultado de la anterior: es el prompt chaining. El viejo truco de «piensa paso a paso» importa menos desde que los modelos recientes tienen una fase de razonamiento que dosifican ellos mismos.

Lo que ya no sirve de mucho

• Las fórmulas mágicas («eres el mejor experto del mundo», amenazas, promesas de propina): ninguna compensa la información que falta.
• Las instrucciones gritadas en mayúsculas: un «NUNCA» sin motivo da una regla aplicada al pie de la letra, a veces fuera de lugar. La versión explicada funciona mejor.
• El prellenado de la respuesta, un truco de API que consistía en escribir el principio de la respuesta en lugar del modelo: los modelos Claude recientes ya no lo aceptan.
• Los prompts de dos páginas sin documento: la extensión nunca sustituye al material.

Por qué el context engineering toma el relevo

Vuelve a leer la lista anterior: cada técnica que sigue funcionando consiste en dar más información al modelo. Esa constatación es la que hizo surgir un término nuevo en 2025, y es la tesis central de esta página.

Prompt y contexto: la diferencia

El prompt es tu petición: la frase o el párrafo con el que formulas lo que quieres obtener.

El contexto es todo lo que recibe el modelo para producir su respuesta: tu petición, pero también los documentos adjuntos, el historial de la conversación, las instrucciones permanentes de tu cuenta, las herramientas a las que tiene acceso y, a veces, resultados de búsqueda web.

El prompt es, por tanto, un elemento del contexto, normalmente el más pequeño. Pasar una hora puliendo la redacción y olvidarse de adjuntar el documento equivale a sacar brillo al pomo de una puerta que sigue cerrada.

Context engineering: la definición

En junio de 2025, Tobi Lütke, el CEO de Shopify, dijo que prefería la expresión context engineering a prompt engineering, porque describe mejor la competencia real: dar al modelo todo el contexto necesario para que la tarea tenga solución. Andrej Karpathy, cofundador de OpenAI, respaldó la idea poco después.

En septiembre de 2025, Anthropic formalizó la distinción. El prompt engineering se ocupa de redactar y organizar las instrucciones. El context engineering designa las estrategias para elegir y mantener el mejor conjunto de información en la ventana del modelo mientras trabaja. Dicho de otro modo: decidir qué entra en la ventana, en qué orden y de qué forma.

Se basa en cuatro decisiones.

• ¿Qué hay que incluir? Los documentos estrictamente útiles, ejemplos del resultado esperado, las limitaciones reales.
• ¿Qué hay que excluir? Todo lo que no ayuda a responder. Es la decisión más difícil y la más rentable.
• ¿En qué orden? Primero los documentos largos, después la pregunta y las instrucciones.
• ¿De qué forma? Un texto estructurado, con títulos o etiquetas explícitas, se aprovecha mejor que un bloque indiferenciado.

La ventana de contexto y sus límites

Un modelo solo procesa una cantidad limitada de texto a la vez: su ventana de contexto, medida en tokens, fragmentos de palabras. Los modelos Claude actuales van de 200.000 tokens, unas 150.000 palabras según Anthropic, a un millón de tokens, unas 555.000 palabras con la segmentación de los modelos recientes. Estas equivalencias son órdenes de magnitud, que varían según el idioma y el texto.

Dos mecanismos suelen sorprender. Primero, el historial cuenta en la ventana. El modelo no tiene memoria entre dos intercambios: la aplicación le reenvía toda la conversación con cada mensaje. Una conversación de cincuenta mensajes obliga, por tanto, a releer cincuenta mensajes con cada nueva pregunta, lo que explica que las cuotas se agoten sorprendentemente rápido. Cuando la ventana se llena, los primeros intercambios se resumen o se descartan, y el modelo «olvida» lo que habías dicho al principio.

Después, demasiado contexto perjudica. Anthropic describe el fenómeno: cuanto más se llena la ventana, peor localiza el modelo una información concreta que contiene. Un modelo al que le das trescientas páginas para responder sobre un párrafo concreto responderá peor que con las tres páginas útiles. El buen contexto es el conjunto de información más pequeño que permite completar la tarea.

¿Cuánto puedes darle a leer realmente a un modelo? Calcula lo que representan tus documentos y tu historial, y cuánto espacio queda.

El contexto permanente: escribir una vez lo que siempre repites

El verdadero ahorro de tiempo llega cuando dejas de recomponer el contexto en cada petición. Todas las herramientas ofrecen alguna forma de contexto permanente: instrucciones asociadas a tu cuenta, proyectos que agrupan documentos de referencia o un archivo que se lee al arrancar, como el archivo CLAUDE.md de Claude Code. Si quieres ponerlo en marcha, mi tutorial para instalar Claude Code parte de ahí.

El context engineering también abarca las herramientas. Un servidor MCP da al modelo acceso directo a tus datos en lugar de un copiar y pegar, y las Claude Skills cargan un método completo, instrucciones y scripts, solo cuando la tarea lo requiere. En ambos casos, la idea es la misma: la información adecuada, en el momento adecuado, sin saturar la ventana.

Esto es lo que pongo en mi propio contexto permanente:

• Quién soy y a qué me dedico, en tres líneas. Así evito respuestas genéricas desde el primer mensaje.
• Mis normas de escritura: la voz que uso, los giros que rechazo, la extensión habitual.
• Ejemplos de mi trabajo, dos o tres textos que marcan el tono.
• Lo que no hay que hacer nunca: es la parte más útil, y la que los usuarios menos rellenan.

La ganancia se puede medir: en peticiones repetitivas, paso de unas cuatro idas y vueltas a una sola. Con veinte peticiones a la semana, eso supone varias horas recuperadas, sin cambiar nada en mi forma de redactar.

Eso sí, hay una trampa: una instrucción permanente se aplica a todo, incluso donde no tiene sentido. He visto a usuarios exigir de forma permanente respuestas muy cortas y luego sorprenderse de obtener análisis superficiales sobre temas complejos. Deja como permanente lo que vale para todo lo que haces, y el resto en la petición.

Ejemplo: el mismo prompt, sin y con contexto

Aquí tienes una petición habitual, primero tal como se suele escribir y después reescrita con contexto.

Sin contexto

Escribe un artículo de blog sobre el mantenimiento de calderas.

Con contexto

<contexto>
Soy instalador de calefacción autónomo en Valencia. Mis clientes son particulares propietarios, a menudo personas mayores, que reciben mi blog por correo electrónico.
</contexto>
<documentos>
[Pega aquí dos artículos que ya hayas escrito, para el tono]
[Pega aquí las preguntas que tus clientes hacen más a menudo por teléfono]
</documentos>
<instrucciones>
Redacta un artículo de 600 palabras que responda a la pregunta: «¿De verdad hay que hacer el mantenimiento de la caldera todos los años?».
Empieza por la respuesta, en dos frases. Usa el tono de mis artículos. Sin jerga: si un término técnico es imprescindible, explícalo.
Si te falta información, pregúntame antes de escribir.
</instrucciones>

La segunda versión no tiene nada de ingenioso en su redacción. Simplemente contiene lo que el modelo no podía adivinar: quién escribe, para quién, con qué estilo y a partir de qué preguntas reales. Grabé una demostración del mismo principio, una petición enviada con y sin contexto: el vídeo (en francés) está integrado en mi artículo con 40 ejemplos de prompts para ChatGPT listos para copiar.

Prompt engineer: ¿una profesión o una competencia?

¿Qué hace un prompt engineer?

Un prompt engineer diseña, prueba y mejora las instrucciones que una aplicación de IA envía a un modelo: las instrucciones de sistema de un asistente de atención al cliente, los prompts de una herramienta de redacción, las instrucciones de un agente. Lo esencial de su trabajo no es escribir, sino medir. La documentación de Anthropic lo plantea como requisito previo: antes de cualquier retoque, definir criterios de éxito y una forma de comprobarlos.

En la práctica, construye baterías de casos reales, compara las versiones de un prompt sobre esos casos, documenta lo que funciona y gestiona cada vez más el contexto: qué documentos inyectar, qué herramientas exponer, qué conservar en memoria.

¿Sigue existiendo la profesión de prompt engineer?

Como profesión independiente, ha retrocedido. En abril de 2025, The Wall Street Journal titulaba que el puesto más de moda de 2023 ya estaba obsoleto, citando una encuesta de Microsoft a 31.000 empleados de 31 países: entre los nuevos puestos que sus empresas se planteaban crear, prompt engineer quedaba en penúltimo lugar.

La competencia, en cambio, se ha extendido. Ahora forma parte del trabajo de desarrolladores, equipos de datos, redactores y responsables de marketing que usan la IA a diario. Es lo que veo en mis formaciones: los equipos no necesitan un especialista en prompts, necesitan que cada persona sepa dar el contexto adecuado.

¿Cuál es el sueldo de un prompt engineer?

La cifra que circula viene de la oferta de Anthropic de 2023: de 175.000 a 335.000 dólares al año para un puesto en San Francisco, según la revista Fortune. Era una excepción, en una empresa puntera de IA y en el mercado estadounidense. En Francia, donde trabajo, no he encontrado ninguna tabla salarial fiable propia de esta profesión: las pocas ofertas vinculan la competencia a un puesto existente (desarrollador, ingeniero de IA, jefe de proyecto, redactor), y la remuneración es la de ese puesto.

¿Cómo ser prompt engineer?

1. Practicar con casos reales, los tuyos o los de tu equipo, en lugar de ejercicios genéricos.
2. Aprender a evaluar: crear una serie de casos de prueba y comparar dos versiones de un prompt sobre los mismos casos. Es lo que distingue a un profesional de un coleccionista de fórmulas.
3. Dominar el contexto y las herramientas: instrucciones de sistema, documentos, servidores MCP, skills y el método para crear un agente de IA. Es hacia ahí donde se desplaza la profesión.
4. Formarte en las fuentes: las guías oficiales de Anthropic, OpenAI y Google son gratuitas y se mantienen actualizadas, y Anthropic publica un tutorial interactivo en GitHub.
5. Apuntar a una profesión existente (desarrollo, datos, contenido, producto) donde esta competencia marque la diferencia, en lugar de a un título de puesto que escasea.

Los errores de prompt más frecuentes

1. Resumir un documento de memoria en lugar de adjuntarlo. El modelo trabaja entonces sobre tu resumen aproximado.
2. Amontonarlo todo en una única conversación. El contexto se llena de temas sin relación que contaminan la respuesta.
3. Volver a empezar de cero cada vez que algo no te convence. Corregir en la conversación en curso es casi siempre mejor, porque el contexto ya está ahí.
4. No dar nunca ejemplos de tu propio trabajo. Es la única forma fiable de recuperar tu estilo en lugar de un estilo medio.
5. Guardarte las limitaciones. Presupuesto, plazo, lo que está prohibido: esa información cambia por completo la respuesta, y a menudo se queda en tu cabeza.

Una última observación, a modo de advertencia. Dar contexto significa transmitir información a un servicio de terceros. Antes de pegar un contrato o un archivo de clientes, comprueba qué tipo de cuenta usas y qué permiten sus condiciones. Es una comprobación de treinta segundos y te ahorra preguntas incómodas después.

Cuando las mismas peticiones se repiten cada semana con los mismos documentos, el prompt ya no es la respuesta adecuada: es candidato a la automatización. Es el tipo de proyecto que llevo a cabo en mis encargos de automatización con IA.

Escrito por

Anthony Courtin

Consultor SEO, GEO y automatización con IA

Acompaño a pymes y profesionales independientes en su visibilidad (Google, ChatGPT, Perplexity) y en el uso real de la IA en el trabajo. Intervengo en empresas para formar a los equipos y replantear los procesos. Todo lo que escribo aquí lo uso en mis proyectos con clientes.

Sígueme en LinkedIn Mi canal de YouTube (en francés)