📄 Contenido
¿Por qué ChatGPT a veces da respuestas genéricas o poco útiles?
No es un fallo del modelo: es una consecuencia directa de cómo funciona. ChatGPT predice la continuación más probable de un texto según el contexto que le das. Si ese contexto es vago ("ayúdame con mi negocio"), la respuesta más probable estadísticamente es también vaga, porque no hay información suficiente para producir algo específico. Cuanto más contexto, restricciones y objetivo claro le des, más se reduce el espacio de respuestas posibles hacia algo realmente útil para tu situación concreta.
Este artículo reúne 15 técnicas puntuales para mejorar tus resultados de forma inmediata. Si quieres profundizar en la estructura completa de prompt engineering, con plantillas y técnicas avanzadas como el chain of thought o el few-shot prompting, existe una guía completa de prompts en este blog que desarrolla cada técnica con mucho más detalle.
1. Dar contexto específico sobre tu situación
En lugar de preguntar de forma abstracta, incluye la información relevante de tu caso concreto: a qué te dedicas, para quién es el resultado, qué has intentado ya. "Escribe un email de disculpa" produce algo genérico; "escribe un email de disculpa a un cliente al que se le entregó un pedido con tres días de retraso por un problema logístico que ya está resuelto" produce algo directamente utilizable.
2. Definir un rol específico para el modelo
Pedirle que "actúe como" un profesional concreto (un abogado laboralista, un editor de textos, un analista financiero) orienta el tono, el vocabulario y el enfoque de la respuesta hacia lo que ese perfil profesional real produciría, en lugar de una respuesta genérica sin ningún punto de vista definido.
3. Especificar el objetivo final, no solo la tarea
No es lo mismo pedir "resume este texto" que pedir "resume este texto para que alguien sin conocimientos previos entienda las tres ideas más importantes en menos de un minuto de lectura". El objetivo final determina qué información priorizar y cómo estructurarla.
4. Indicar el formato de salida que necesitas
Si necesitas una tabla, una lista numerada, un email con asunto, o un texto de una longitud concreta, dilo explícitamente. ChatGPT respeta con bastante precisión las instrucciones de formato cuando se especifican con claridad, y esto ahorra tiempo de reformateo manual después.
5. Añadir restricciones claras
Las restricciones negativas son tan útiles como las positivas: "no uses la palabra innovador", "máximo 100 palabras", "sin emojis", "sin frases de cierre genéricas". Cuanto más específicas sean las restricciones, más se aleja la respuesta de los patrones genéricos por defecto del modelo.
6. Proporcionar ejemplos del resultado que buscas
Mostrar dos o tres ejemplos del estilo o formato que quieres, en lugar de solo describirlo, suele producir resultados más precisos que la descripción por sí sola. Esta técnica se conoce como few-shot prompting, y funciona especialmente bien para tareas de estilo o tono muy específico.
7. Pedirle que haga preguntas antes de responder
Para tareas complejas o ambiguas, añadir "antes de responder, hazme las preguntas que necesites para entender mejor mi situación" convierte una interacción de una sola dirección en una conversación que refina el resultado antes de generarlo, evitando respuestas basadas en suposiciones incorrectas.
8. Dividir problemas complejos en pasos
En lugar de pedir una tarea muy amplia de una sola vez ("crea un plan de negocio completo"), dividirla en pasos secuenciales ("primero ayúdame a definir el público objetivo, después trabajamos la propuesta de valor") suele producir resultados más profundos en cada fase que intentar abarcarlo todo en una sola respuesta.
9. Pedir varias alternativas en lugar de una sola respuesta
Pedir explícitamente "dame 3 versiones distintas" o "dame un enfoque conservador y uno más arriesgado" aprovecha la capacidad del modelo de generar variaciones, dándote opciones entre las que elegir en lugar de conformarte con la primera respuesta generada.
10. Pedirle que detecte errores o puntos débiles
Para revisar un texto propio, un análisis o un argumento, pedir específicamente "señala los puntos más débiles de este razonamiento" o "encuentra errores en este código" activa un modo más crítico que simplemente pedir una opinión general, y suele identificar problemas que una lectura superficial pasaría por alto.
11. Definir criterios de evaluación explícitos
Si necesitas que compare opciones o valore algo, dale los criterios concretos que te importan: "evalúa estas tres propuestas según coste, tiempo de implementación y riesgo", en lugar de un genérico "¿cuál es mejor?", que obliga al modelo a inventar sus propios criterios, posiblemente distintos de los que a ti te importan.
12. Pedir una respuesta adaptada al nivel del usuario
Especificar el nivel de conocimiento previo ("explícalo como si no supiera nada de programación" o "explícalo asumiendo que ya tengo experiencia técnica avanzada") evita respuestas demasiado básicas o demasiado técnicas para tu situación real.
13. Iterar el prompt en lugar de conformarte con el primer resultado
La primera respuesta rara vez es la definitiva. Refinar con instrucciones adicionales ("hazlo más conciso", "cambia el tono a algo más informal", "profundiza en el segundo punto") suele producir mejores resultados que intentar escribir el prompt perfecto desde el primer intento.
14. Verificar la información antes de darla por buena
ChatGPT puede generar datos, citas o referencias que suenan plausibles pero son incorrectas, un fenómeno conocido como alucinación. Para cualquier dato factual concreto (cifras, fechas, nombres, citas), verifica siempre en una fuente primaria antes de usarlo, especialmente en contextos profesionales o públicos.
15. No confiar ciegamente en la IA para decisiones importantes
ChatGPT es una herramienta de apoyo, no un sustituto del criterio humano en decisiones con consecuencias reales: legales, médicas, financieras o profesionales significativas. Úsalo para generar borradores, explorar opciones y ahorrar tiempo en tareas mecánicas, pero mantén siempre la revisión y la decisión final bajo tu propio juicio.
Conclusión
Ninguna de estas 15 técnicas requiere conocimientos técnicos avanzados: son ajustes en cómo formulas la petición, no en qué herramienta usas. La diferencia entre una respuesta mediocre y una realmente útil está, casi siempre, en cuánto contexto, estructura y criterio le has dado al modelo antes de esperar que adivine lo que necesitas. Para quien quiera ir más allá de estas técnicas puntuales y dominar una estructura de prompting más completa, la guía completa de prompts de este blog desarrolla en profundidad la estructura RECF, el chain of thought y plantillas listas para usar en distintos contextos profesionales.