🤖 9 claves de prompting para dominar ChatGPT 5.4
Con modelos como GPT-5.4 la diferencia entre un prompt mediocre y uno bien diseñado cambia completamente el resultado. No es exageración. Es simplemente cómo funcionan los LLM.
La propia documentación para desarrolladores de OpenAI explica los patrones que producen mejores resultados. Y hay varios cambios interesantes respecto a generaciones anteriores.
👉 https://developers.openai.com/api/docs/guides/prompt-guidance/
Aquí están las claves más útiles.
🎯 1. Pon la instrucción primero
El modelo entiende mejor un prompt cuando la orden principal aparece al principio.
Mal prompt:
Aquí tienes un texto. Resume las ideas principales.Mejor prompt:
Resume el siguiente texto en 5 puntos clave.
Texto:
“”“
...
“”“La idea es simple. El modelo debe saber qué tarea ejecutar antes de procesar el contexto.
Esto reduce errores y mejora la coherencia.
🧱 2. Usa delimitadores para separar información
Los modelos funcionan mejor cuando el prompt está estructurado.
Por ejemplo:
Tarea:
Resume el texto en 3 ideas.
Texto:
“”“
contenido aquí
“”“Los delimitadores (""", ###, <tags>) ayudan al modelo a distinguir instrucciones, datos y ejemplos.
Parece un detalle pequeño. Pero mejora mucho la precisión.
🔎 3. Sé extremadamente específico
Uno de los errores más comunes en prompting es la ambigüedad.
Un prompt débil:
Explica esto.Uno bueno:
Explica este concepto para un estudiante de secundaria en menos de 150 palabras.
Incluye un ejemplo práctico.Cuanto más claro sea el objetivo, mejor resultado obtendrás.
Los LLM no leen la mente.
📦 4. Define el formato de salida
Otra técnica potente es pedir explícitamente cómo debe verse la respuesta.
Por ejemplo:
Responde con esta estructura:
- idea principal
- explicación
- ejemploO incluso:
Devuelve el resultado en JSON con estas claves:
titulo, resumen, fuentesEsto reduce variabilidad y hace los resultados más útiles para automatización.
🪜 5. Divide tareas complejas en pasos
GPT-5.4 funciona mejor cuando el problema se descompone.
En lugar de:
Analiza este informe y genera recomendaciones.Haz algo así:
1. Resume el informe.
2. Identifica problemas.
3. Propón soluciones.Cuando el modelo sigue pasos claros, reduce errores de razonamiento.
🧪 6. Proporciona ejemplos (few-shot prompting)
Si quieres un estilo específico, muéstralo.
Ejemplo:
Ejemplo de resumen:
Texto:
...
Resumen:
...
Ahora haz lo mismo con este texto:
...El modelo aprende el patrón del ejemplo y lo replica.
Este truco sigue siendo uno de los más potentes del prompting.
🎭 7. Usa roles cuando importa el contexto
Otra técnica muy usada:
Eres un experto en marketing B2B.
Analiza esta estrategia y detecta errores.Asignar un rol ayuda al modelo a ajustar tono, profundidad y enfoque.
No es magia. Pero orienta bastante bien la respuesta.
🔍 8. Pide verificaciones o revisiones
Una novedad en las guías recientes es pedir verificación interna.
Ejemplo:
Responde a la pregunta.
Después revisa si tu respuesta contiene errores factuales.
Corrige si es necesario.Esto reduce alucinaciones y mejora precisión.
⚙️ 9. Diseña prompts pensados para agentes
GPT-5.4 se diseñó para flujos más largos de trabajo.
Por eso aparecen patrones como:
loops de verificación
persistencia de herramientas
outputs estructurados
instrucciones paso a paso
Estos prompts funcionan especialmente bien cuando la IA ejecuta tareas complejas o automatizadas.
🧠 El cambio importante: prompting como “programación”
Antes el prompting era casi improvisación. Ahora se parece más a escribir pseudocódigo. Un buen prompt tiene:
objetivo
contexto
estructura
formato de salida
ejemplos
Cuando todo eso está claro, el modelo funciona mucho mejor.
💡 Un ejemplo de prompt potente
Tarea:
Analiza el siguiente artículo y extrae las 5 ideas clave.
Formato de salida:
- título de la idea
- explicación en 2 frases
- ejemplo práctico
Artículo:
“”“
texto aquí
“”“Simple. Pero muy efectivo.
❓ FAQ sobre prompting en ChatGPT 5.4
¿El prompting sigue siendo importante con modelos más avanzados?
Sí. Los modelos son más capaces, pero también más sensibles al contexto. Un prompt mal estructurado sigue generando respuestas mediocres.
¿Hace falta saber programar?
No. Pero pensar de forma estructurada ayuda mucho. Muchos buenos prompt engineers vienen de UX, marketing o producto.
¿Los prompts largos funcionan mejor?
No necesariamente. Lo importante es claridad y estructura.
¿Es mejor decir lo que la IA debe hacer o lo que debe evitar?
Decir lo que debe hacer. Las instrucciones negativas funcionan peor en muchos casos.
¿Los ejemplos siempre ayudan?
Sí, especialmente para:
estilo de escritura
clasificación
formato de salida
¿El prompting desaparecerá con mejores modelos?
Probablemente no.
De hecho está evolucionando hacia algo más cercano a programar comportamiento con lenguaje natural.