Prompt

Un prompt es el texto de entrada que una persona o un sistema le da a un modelo de lenguaje (LLM) para que produzca una salida: una respuesta, un resumen, un correo, una clasificación o una acción. Es la unidad básica de comunicación con la IA generativa, y funciona como una instrucción en lenguaje natural que el modelo interpreta para decidir qué generar. A diferencia de programar con código, acá el "programa" es una frase o un conjunto de indicaciones escritas en español o inglés.

La calidad de un prompt determina, en gran medida, la calidad de la respuesta. Un prompt vago ("hablame de ventas") deja todo librado al azar; un prompt preciso (rol, tarea, contexto, formato y restricciones) acota el espacio de respuestas y produce algo útil. Por eso, en sistemas de producción, el prompt no es algo que se improvisa en cada conversación: se diseña, se prueba y se versiona, una práctica conocida como ingeniería de prompts.

En un agente de IA, el prompt deja de ser un mensaje suelto y pasa a ser una capa estructurada: hay un prompt de sistema que fija el comportamiento, las herramientas disponibles y las reglas, y un prompt de usuario que trae la consulta concreta. Esa orquestación de instrucciones es parte de lo que diseñan los agentes de IA cuando automatizan tareas de ventas, soporte o documentos sobre Salesforce.

Cuando alguien escribe "redactá un correo de seguimiento para un cliente que no respondió la cotización", ese texto es un prompt. El modelo lo recibe como entrada, lo convierte internamente en tokens y, a partir de patrones aprendidos durante su entrenamiento, predice la secuencia de texto más probable como respuesta. El prompt es, entonces, la palanca principal que tiene el usuario para dirigir un sistema que, en el fondo, no "entiende" en el sentido humano sino que completa secuencias de forma estadística. Esto explica por qué un mismo modelo puede dar respuestas brillantes o inútiles según cómo se le pida.

Anatomía de un buen prompt

Un prompt efectivo no es una fórmula misteriosa ni una frase larga: es una estructura. En contextos profesionales, conviene incluir varios elementos explícitos:

• Rol o persona: quién debe "ser" el modelo (por ejemplo, "actuá como analista de cobranzas").
• Tarea: la acción concreta y única que se pide (resumir, clasificar, redactar, comparar).
• Contexto: los datos relevantes (el cliente, el historial, el saldo, la región).
• Formato de salida: si querés una tabla, una lista, un JSON o un párrafo.
• Restricciones: tono, extensión, idioma, qué evitar y qué no inventar.
• Ejemplos: una o más muestras del resultado esperado, técnica conocida como few-shot prompting.

Cuanto más explícitos sean estos elementos, menos espacio queda para la ambigüedad. Un prompt que dice "respondé en español rioplatense, máximo 80 palabras, sin inventar datos que no estén en el contexto" produce resultados mucho más predecibles que uno que solo dice "respondé bien".

Por qué importa en el negocio

En una empresa, el prompt es lo que separa un experimento de juguete de un sistema confiable. Pensemos en un equipo de Consumo Masivo en Argentina que quiere clasificar miles de consultas de WhatsApp por intención (reclamo, pedido, consulta de precio). El modelo es el mismo para todos, pero el prompt que define las categorías, los ejemplos y las reglas de borde es lo que hace que la clasificación sea precisa el 95% de las veces o apenas el 60%. El prompt es propiedad intelectual operativa: encapsula el conocimiento de cómo la empresa quiere que la IA se comporte. Por eso se versiona, se documenta y se mide su rendimiento como cualquier otro activo de software.

Ejemplo concreto (LATAM)

Una distribuidora mayorista quiere automatizar la respuesta a "¿cuándo llega mi pedido?". Un primer prompt ingenuo sería: "Decile al cliente cuándo llega su pedido". El resultado es inservible porque el modelo no tiene los datos. El prompt productivo, en cambio, le da al agente una herramienta para consultar el estado en el sistema (ver tool calling) e instrucciones del tipo: "Si el pedido está despachado, informá la fecha estimada de llegada con tono cordial; si está demorado, ofrecé disculpas y un canal de contacto; nunca prometas fechas que no estén en los datos". Ese salto, de pedir un texto a diseñar el comportamiento del agente, es la esencia del prompting profesional.

Errores comunes

• Sobrecargar el prompt: meter cinco tareas distintas en una sola instrucción degrada la calidad. Conviene una tarea por prompt o encadenar varios.
• Asumir contexto que el modelo no tiene: el LLM no conoce tu base de datos a menos que se la pases en el prompt o vía recuperación de datos (RAG).
• No fijar reglas anti-invención: sin instrucciones explícitas, el modelo puede producir una alucinación, es decir, inventar datos con seguridad.
• Ignorar la seguridad: un prompt mal blindado es vulnerable a prompt injection, donde un texto malicioso intenta secuestrar las instrucciones originales.
• No medir: cambiar un prompt "a ojo" sin comparar resultados antes y después es como editar código sin tests.

Prompt vs ingeniería de prompts

Es habitual confundir ambos términos. El prompt es el artefacto (el texto que entra); la ingeniería de prompts es la disciplina de diseñarlos, probarlos y optimizarlos de forma sistemática. La diferencia es la misma que hay entre una "consulta" y "saber diseñar consultas".

En síntesis, el prompt es la interfaz fundamental con la IA generativa: el punto donde la intención humana se traduce en una instrucción que un modelo puede ejecutar. Dominarlo, pasar de pedir cosas sueltas a diseñar instrucciones estructuradas, repetibles y seguras, es lo que convierte a la IA de una curiosidad en una herramienta de negocio.