Todos hemos estado ahí. Abres ChatGPT, escribes algo como "hazme un plan de marketing", y lo que te devuelve es tan genérico que podrías haberlo sacado de la primera página de Google en 2015.
Entonces ves a alguien en Twitter que con la misma herramienta genera algo brillante. ¿La diferencia? No es que tenga una versión secreta de la IA. Es que sabe cómo pedirle las cosas.
Eso es prompt engineering. Y no, no es magia ni necesitas ser ingeniero para dominarlo.
Publiqué 172 artículos en marzo y fue mi peor mes
Tenía esta web parada y la estoy rehaciendo con IA. Cambié la forma de hacerlo y en once días de agosto ha tenido más visitas desde Google que en todo julio. Te cuento por correo qué cambié.
- · Por qué la oportunidad es mayor ahora, y no menor
- · Lo único que la IA no te puede copiar: tu criterio
- · Cómo hacer que Google te vea en días, no en seis meses
Un aviso antes de empezar: esta es la guía avanzada. Doy por hecho que ya sabes escribir en un chat y que entiendes lo básico. Si no tienes claro qué es un prompt, de dónde viene la palabra o qué partes lo componen, empieza por qué es un prompt y vuelve luego. Aquí vamos a por lo que viene después: técnicas, encadenado, plantillas, prompts de sistema, medición y aplicación real a marketing.
Qué es prompt engineering (sin humo)
Prompt engineering es el arte de comunicarte con un modelo de IA de forma que obtengas exactamente lo que necesitas.
Un prompt es la instrucción que le das a la IA. Puede ser una pregunta, una orden, un contexto con instrucciones... cualquier texto que envías. "Ingeniería de prompts" suena grandilocuente, pero en realidad es aprender a ser preciso en lo que pides.
Prompt engineering no es engañar a la IA para que funcione mejor. Es dejar de ser vago en tus instrucciones.
Piénsalo así: si le pides a un diseñador "hazme un logo bonito", te dará algo genérico. Si le dices "necesito un logo minimalista, en tonos azules, para una fintech dirigida a jóvenes de 25-35 años, que transmita confianza y modernidad", te dará algo útil.
Con la IA funciona exactamente igual.
La diferencia entre hacer prompting y hacer prompt engineering es de sistema. Escribir un buen prompt para una tarea puntual es prompting: lo hace cualquiera con práctica. Prompt engineering es convertir eso en algo repetible: una plantilla que usa todo tu equipo, un prompt de sistema que gobierna un asistente, un criterio para saber si la versión nueva es mejor que la vieja. Eso es lo que separa el juguete del proceso de trabajo.
Las 5 técnicas que de verdad funcionan
Hay cientos de "trucos" de prompt engineering en internet. La mayoría son ruido. Estas son las cinco técnicas que uso a diario y que marcan una diferencia real:
1. Rol + contexto + tarea
La estructura más efectiva y simple. Le dices a la IA:
- Quién es (rol)
- Qué contexto tiene (situación)
- Qué debe hacer (tarea concreta)
Prompt malo: "Escríbeme un email para un cliente"
Prompt bueno: "Eres el director comercial de una empresa de software B2B. Un cliente importante lleva 2 semanas sin responder a tu propuesta de renovación. Escribe un email de seguimiento que sea profesional pero que transmita cierta urgencia, sin ser agresivo. Máximo 150 palabras."
El segundo prompt da un resultado 10 veces mejor. Siempre.
2. Few-shot: enséñale con ejemplos
En vez de explicarle el formato que quieres, muéstraselo. Dale 2-3 ejemplos del resultado esperado y la IA replicará el patrón.
Esto es especialmente útil para:
- Mantener un tono de voz concreto
- Generar datos en un formato específico
- Clasificar información según tus criterios
Un matiz que casi nadie aplica: los ejemplos negativos funcionan igual de bien. "Este sería un buen titular: [...]. Este sería un mal titular y por qué: [...]" acota el espacio de respuesta mucho más rápido que tres párrafos de instrucciones.
3. Chain of thought: pídele que piense paso a paso
Cuando la tarea requiere razonamiento, añade "piensa paso a paso" o "explica tu razonamiento antes de dar la respuesta final". Esto fuerza al modelo a descomponer el problema, y el resultado mejora drásticamente.
Funciona especialmente bien con:
- Problemas matemáticos
- Análisis de datos
- Decisiones con múltiples variables
- Código complejo
Los modelos con razonamiento integrado (las variantes "thinking" o "reasoning") ya lo hacen por dentro, así que pedirlo aporta menos en cuanto a acierto. Pero sigue mereciendo la pena por otra razón: poder auditar el razonamiento. Si el resultado es raro, ver el desarrollo te dice si el modelo entendió mal el problema o si le faltaban datos.
4. Restricciones explícitas
Dile a la IA lo que NO debe hacer. Los modelos tienden a ser verbosos y genéricos si no les pones límites.
Restricciones útiles:
- "Máximo 200 palabras"
- "No uses jerga técnica"
- "No incluyas introducción ni conclusión"
- "Responde solo con el código, sin explicaciones"
- "Si no estás seguro, dilo en vez de inventar"
5. Iteración: el prompt no tiene que ser perfecto a la primera
Esta es la técnica más infravalorada. No necesitas escribir el prompt perfecto de entrada. Escribe uno razonable, mira qué te devuelve, y ajusta.
"Bien, pero hazlo más directo" o "Quita los tres primeros párrafos y ve al grano" son prompts perfectamente válidos y muy efectivos.
Nota Importante
Presta atención a este detalle.
Errores que comete todo el mundo
Después de ver cientos de prompts (propios y ajenos), estos son los errores más comunes:
Ser demasiado vago. "Hazme un artículo sobre marketing" no es un prompt, es una oración al vacío. ¿Qué tipo de marketing? ¿Para quién? ¿Qué tono? ¿Qué extensión? Cuantos más detalles, mejor resultado.
Pedir demasiado de golpe. "Hazme un plan de negocio completo para una startup de IA" en un solo prompt no va a funcionar bien. Divide las tareas grandes en pasos. Primero el análisis de mercado, luego el modelo de negocio, luego las finanzas.
No dar ejemplos. Si quieres un formato específico, mostrarlo es 10 veces más efectivo que describirlo. Un ejemplo vale más que mil palabras de instrucciones.
Tratar a la IA como un buscador. "¿Cuál es la capital de Francia?" es desperdicio de tecnología. La IA brilla cuando le pides que analice, compare, cree, transforme o sintetice. No cuando le pides datos que puedes buscar en Google.
No iterar. El primer resultado rara vez es el mejor. Los mejores resultados salen de la conversación: pedir ajustes, refinar, profundizar.
Arrastrar una conversación contaminada. Si llevas veinte mensajes corrigiendo al modelo, el contexto está lleno de versiones descartadas y el resultado empeora. Cuando notes que "ya no te hace caso", abre un chat nuevo y pega el mejor resultado hasta la fecha como punto de partida.
Encadenado de prompts: la técnica que más rendimiento da
Si tuviera que quedarme con una sola técnica avanzada, sería esta. El encadenado de prompts (prompt chaining) consiste en dividir una tarea grande en pasos, donde la salida de cada paso es la entrada del siguiente.
Por qué funciona: cuando le pides al modelo cinco cosas a la vez, reparte el esfuerzo entre las cinco y todas salen mediocres. Cuando se lo pides de una en una, cada una sale bien y tú puedes corregir antes de seguir.
Un encadenado real que uso para producir un artículo:
- Investigación. "Dame las 10 preguntas que se hace alguien que busca [tema], ordenadas por lo pronto que se las hace en su proceso de decisión."
- Estructura. "A partir de esas preguntas, propón una estructura de artículo con H2 y H3. Cada sección debe responder al menos una pregunta. Dime qué pregunta responde cada una."
- Corrección humana. Aquí intervengo yo: reordeno, elimino y añado. Este paso no es opcional.
- Redacción por bloques. "Escribe solo la sección [X] siguiendo esta estructura. Tono: [...]. Extensión: [...]. No escribas las demás secciones."
- Revisión adversarial. "Actúa como un revisor escéptico. Señala las tres afirmaciones más débiles de este texto y qué haría falta para sostenerlas."
Cinco prompts en lugar de uno. Tarda más y el resultado no se parece en nada.
Regla práctica: si tu prompt contiene la palabra "y" tres o más veces enlazando tareas distintas, tienes un encadenado disfrazado de prompt único. Sepáralo.
Plantillas reutilizables: de escribir prompts a tener un sistema
Un prompt que funciona y no guardas es trabajo tirado. Las plantillas convierten un buen resultado puntual en un activo.
Una plantilla es un prompt con variables entre corchetes y las partes fijas ya resueltas. Estas son plantillas reales que uso constantemente y que puedes adaptar:
Para análisis
"Analiza [tema/documento/datos] desde las perspectivas de [perspectiva 1], [perspectiva 2] y [perspectiva 3]. Para cada perspectiva, identifica: 1) puntos fuertes, 2) riesgos, 3) una recomendación concreta. Formato: tabla comparativa."
Para redacción
"Escribe [tipo de contenido] sobre [tema]. Audiencia: [perfil]. Tono: [adjetivos]. Extensión: [límite]. Debe incluir: [elementos obligatorios]. NO debe incluir: [restricciones]. Aquí tienes un ejemplo del estilo que busco: [ejemplo]."
Para resolución de problemas
"Tengo este problema: [descripción]. Contexto: [situación]. Ya he intentado: [soluciones previas]. Piensa paso a paso y propón 3 soluciones diferentes, ordenadas de más conservadora a más creativa. Para cada una, indica pros, contras y nivel de esfuerzo."
Para revisión de código
"Revisa este código. Busca: bugs, problemas de rendimiento, vulnerabilidades de seguridad y oportunidades de simplificación. Para cada problema encontrado, muestra: 1) la línea afectada, 2) por qué es un problema, 3) la solución propuesta. Si el código está bien, dilo directamente."
Cómo construir tus propias plantillas
El atajo que mejor funciona es dejar que el modelo te entreviste:
"Vamos a construir un prompt reutilizable para [tarea que repito cada semana]. Hazme las preguntas que necesites para entenderla bien, de una en una. Cuando tengas suficiente, devuélveme el prompt final con las partes variables entre corchetes."
Tres reglas para que una plantilla aguante:
- Fija lo que nunca cambia, parametriza lo que cambia. El tono de tu marca es fijo. El producto es variable.
- Ponle versión y fecha. "Plantilla brief creativo v3 — feb 2026". Cuando dentro de tres meses empeore el resultado, sabrás qué cambiaste.
- Guárdalas donde el equipo las vea. Una plantilla en tu historial de chat no existe. En un Notion compartido, sí.
Cómo iterar y medir si un prompt funciona
Aquí es donde casi todo el mundo se queda corto: se cambia el prompt "a ojo" y se decide que el nuevo es mejor porque el último resultado gustó más. Eso no es medir, es tener suerte.
El método mínimo viable, sin herramientas ni presupuesto:
1. Monta un banco de casos. Cinco o diez entradas reales y variadas de la tarea que quieres resolver: dos fáciles, dos difíciles y una rara. Es tu set de pruebas.
2. Define qué es "bueno" antes de mirar los resultados. Tres o cuatro criterios binarios, no impresiones. Por ejemplo, para un email comercial: ¿respeta el límite de palabras? ¿menciona el beneficio concreto? ¿evita frases hechas? ¿se puede enviar sin editar?
3. Cambia una cosa cada vez. Si tocas el rol, el formato y las restricciones a la vez y mejora, no sabes qué lo arregló.
4. Pasa las dos versiones por los mismos casos. Mismo modelo, mismo día. Cuenta cuántos criterios cumple cada una. Gana la que cumpla más, no la que te guste más.
5. Usa a la IA como jueza, pero con criterios explícitos. "Evalúa estas dos respuestas según estos cuatro criterios. Puntúa cada criterio de 0 a 2 y justifica. No digas cuál te gusta más, suma." Funciona razonablemente bien y te ahorra horas.
Un apunte importante: los modelos son probabilísticos. Si ejecutas el mismo prompt cinco veces, obtendrás cinco respuestas distintas. Por eso un solo caso no demuestra nada, y por eso la consistencia —que el prompt funcione siempre, no una vez— es la métrica que de verdad importa cuando el prompt va dentro de un producto.
Inteligencia Artificial aplicada a negocio
Sin humo. Solo experimentos reales, prompts que funcionan y estrategias de escalabilidad.
Prompt engineering por herramienta
Cada modelo tiene sus matices. Lo que funciona en uno no siempre funciona igual en otro:
ChatGPT: responde bien a prompts directos y concisos. Tiende a ser muy servil ("¡Excelente pregunta!"), así que si quieres respuestas directas, dile explícitamente que sea conciso y que no halague. Si te da respuestas superficiales en tareas complejas, pídele que use su modo de razonamiento.
Claude: excelente siguiendo instrucciones complejas y largas. Respeta bien las restricciones y el formato, y es el que mejor aguanta un prompt de sistema con muchas reglas sin olvidarse de la mitad. Ideal para tareas que requieren mucho contexto. Tiende a ser más honesto cuando no sabe algo.
Gemini: muy bueno procesando información visual y multimedia y con ventanas de contexto enormes. Si tu prompt incluye imágenes, vídeo, tablas o documentos largos, Gemini suele destacar.
Modelos locales (Llama, Mistral): necesitan prompts más explícitos y estructurados. Son menos tolerantes con la ambigüedad y conviene repetir las restricciones críticas al final del prompt.
| Aspecto | ChatGPT | Claude | Gemini |
|---|---|---|---|
| Instrucciones largas | Bueno | Excelente | Bueno |
| Creatividad | Alta | Media-Alta | Alta |
| Precisión datos | Variable | Conservador | Variable |
| Seguir formato | Bueno | Excelente | Bueno |
| Contexto largo | Amplio | Muy amplio | El mayor del mercado |
| Honestidad | Medio | Alto | Medio |
Las cifras exactas de ventana de contexto cambian con cada versión, así que no las fijo aquí: consúltalas en la documentación del proveedor antes de diseñar nada que dependa de ellas. Si quieres la comparativa a fondo de los tres, la tengo en ChatGPT vs Claude vs Gemini.
Dos consejos que aplican a todos:
- Lo importante, al principio y al final. En prompts largos, lo que va enterrado en el medio es lo primero que el modelo se salta. Si una restricción es innegociable, repítela al cierre.
- Separa instrucciones de datos. Marca el material con delimitadores claros ("Texto a analizar entre triples comillas"). Reduce muchísimo que el modelo confunda tus datos con órdenes.
Prompt engineering aplicado a marketing y publicidad
Esta es la parte donde el prompt engineering deja de ser un tema de foro y se convierte en horas de trabajo ahorradas. Lo uso todas las semanas, y esto es lo que de verdad funciona.
Empieza por un prompt de marca, no por un prompt de tarea
El error número uno en marketing es pedir "escribe un anuncio" sin que el modelo sepa nada de la marca. El resultado suena a plantilla porque lo es.
Antes de nada, construye un bloque de marca reutilizable que pegas al principio de cualquier tarea creativa: qué vende la empresa, a quién, cuál es la propuesta de valor en una frase, tres cosas que la diferencian, el tono (con dos adjetivos, no diez), palabras prohibidas y dos ejemplos de textos que consideras buenos. Ese bloque es tu prompt de marca, y multiplica la calidad de todo lo que venga después.
Alimenta el prompt con la voz del cliente
La materia prima que hace que un anuncio suene real no sale del modelo, sale de tus clientes. Reseñas, tickets de soporte, transcripciones de llamadas de ventas, comentarios en redes.
"Te paso 40 reseñas de nuestros clientes. Extrae: 1) las cinco objeciones que más se repiten, 2) las palabras exactas con las que describen el beneficio principal (cítalas literalmente), 3) qué esperaban y no encontraron. No parafrasees: quiero sus palabras."
Con eso ya tienes los ángulos. El copy sale solo después.
Genera variaciones para probar, no una pieza "perfecta"
La publicidad se gana con volumen de pruebas. Ahí es donde la IA es imbatible.
"Escribe 12 titulares para un anuncio de [producto] dirigido a [público]. Reparte tres por cada ángulo: dolor, beneficio, prueba social y curiosidad. Máximo 40 caracteres. Sin signos de exclamación ni superlativos. Marca con un asterisco los tres que probarías primero y di por qué."
La restricción de caracteres importa más de lo que parece: si no la pones, la mitad no cabe en el formato del anuncio y tienes que reescribirlos.
Landings y anuncios: pide la estructura, no el texto
"Eres un copywriter de respuesta directa. Producto: [X]. Público: [Y]. Objeción principal: [Z]. Diseña la estructura de una landing de conversión: qué bloques, en qué orden, qué debe conseguir cada uno y qué prueba lo sostiene. No escribas el texto todavía."
Revisar una estructura cuesta dos minutos. Revisar una landing entera mal enfocada, una hora. Este es el encadenado del apartado anterior aplicado a marketing.
Segmentación y personalización
"Coge este mismo mensaje y adáptalo a tres segmentos: [segmento 1], [segmento 2] y [segmento 3]. Cambia el ángulo y los ejemplos, no la propuesta de valor. Para cada uno, dime qué has cambiado y por qué."
La revisión adversarial, siempre
Antes de que nada salga a producción:
"Actúa como el cliente más escéptico de este público. Lee este anuncio y dime: qué no te crees, qué te suena a exagerado, qué información te falta para decidir y qué te haría cerrar la página."
Es el prompt que más malas piezas me ha evitado publicar.
Dónde no usarla
Me mojo: la IA no debe escribir la promesa central de tu marca ni inventar datos, cifras o testimonios. Para eso hace falta criterio humano y, en España, cuidado con la normativa de publicidad de tu sector —sanitario, financiero o legal tienen límites muy concretos sobre lo que puedes prometer—. La IA no los conoce y no te va a avisar.
Si quieres ir a lo concreto, tengo una colección de prompts de ChatGPT para marketing y una guía de copywriting con IA con más ejemplos aplicados.
El system prompt: el arma secreta
Si usas la API de cualquier modelo (o herramientas como los GPTs de ChatGPT), tienes acceso al system prompt: instrucciones que van antes de la conversación del usuario y definen el comportamiento base del modelo.
El system prompt es donde defines:
- La personalidad y tono de la IA
- Las reglas que siempre debe seguir
- El formato de las respuestas
- Lo que NO debe hacer nunca
- Los conocimientos específicos que tiene
Es la diferencia entre un asistente genérico y uno que se comporta exactamente como necesitas. Si estás construyendo cualquier aplicación con IA, el system prompt es lo primero que debes dominar.
Tres cosas que he aprendido escribiéndolos:
- Reglas positivas antes que prohibiciones. "Responde siempre en menos de 120 palabras" se cumple mejor que "no te enrolles".
- Incluye el plan B. Qué debe hacer cuando no sabe, cuando la pregunta está fuera de su ámbito o cuando el usuario pide algo que no puede dar. Sin eso, improvisa, y improvisar en un chatbot de cara al cliente es exactamente lo que no quieres.
- Mete dos o tres ejemplos de conversación ideal. Un system prompt con ejemplos rinde muchísimo más que uno solo con reglas.
Si quieres montar uno sin escribir código, el camino corto es crear un GPT personalizado. Si vas a por algo más ambicioso, el system prompt es también la columna vertebral de cualquier agente de IA.
¿Va a desaparecer el prompt engineering?
Esta es la pregunta del millón. A medida que los modelos mejoran, ¿seguiremos necesitando ser tan precisos?
Mi opinión: el prompt engineering como "trucos y hacks" sí va a desaparecer. Los modelos cada vez entienden mejor instrucciones vagas.
Pero el prompt engineering como "capacidad de comunicar claramente lo que necesitas" no solo no va a desaparecer, sino que va a ser más importante. Porque los modelos son cada vez más potentes, y la diferencia entre un resultado mediocre y uno excelente seguirá estando en la calidad de la instrucción.
Es como la escritura: el autocorrector ha mejorado mucho, pero saber escribir bien sigue siendo una ventaja competitiva brutal.
Lo que sí veo desplazándose es el centro de gravedad: cada vez menos "cómo redacto esta frase" y cada vez más qué contexto le doy al modelo, cómo diseño el proceso y cómo compruebo que funciona. Que es, básicamente, todo lo que has leído en la mitad de esta guía.
¿Te preocupa el futuro con la IA?
Descubre cómo la inteligencia artificial ha liquidado las viejas reglas del juego y qué puedes hacer tú al respecto.
Leer más sobre el libroConclusión: menos trucos, más claridad
Prompt engineering no va de memorizar fórmulas mágicas. Va de desarrollar una habilidad que ya deberías tener: comunicar con claridad lo que quieres.
Los tres principios que resumen todo:
- Sé específico: cuanto más contexto y detalle des, mejor será el resultado
- Muestra, no cuentes: un ejemplo vale más que mil instrucciones
- Itera sin miedo: el primer prompt no tiene que ser perfecto, la conversación es el proceso
Si interiorizas estos tres principios, ya estarás por delante del 90% de la gente que usa IA. Sin fórmulas secretas, sin trucos virales. Solo claridad.
Y si quieres seguir por aquí: la base conceptual está en qué es un prompt, las fórmulas para el día a día en cómo escribir prompts efectivos, y la aplicación al negocio en IA aplicada al marketing.
Preguntas frecuentes
¿Qué es el prompt engineering y para qué sirve?
Es la práctica de escribir instrucciones para un modelo de IA de forma que devuelva exactamente lo que necesitas, y de convertir lo que funciona en algo repetible: plantillas, prompts de sistema y criterios de evaluación. Sirve para pasar de resultados genéricos a resultados utilizables en trabajo real, sin cambiar de herramienta ni pagar más.
¿Hay que saber programar para hacer prompt engineering?
No. Las técnicas que más rendimiento dan —rol y contexto, ejemplos, restricciones explícitas, encadenado de prompts— se aplican escribiendo en un chat. Saber programar solo hace falta cuando quieres llevar tus prompts a la API o construir un producto encima, y ni siquiera entonces es imprescindible con herramientas de bajo código.
¿Cuál es la mejor estructura para escribir un prompt?
La más fiable es rol, contexto y tarea: quién debe ser el modelo, en qué situación está y qué tiene que hacer exactamente. A eso le añades restricciones explícitas (extensión, formato, lo que no debe hacer) y, si quieres afinar el estilo, uno o dos ejemplos del resultado que buscas. Con eso ya estás por delante de la mayoría.
¿Qué es el encadenado de prompts?
Consiste en dividir una tarea grande en pasos, donde la salida de cada paso alimenta el siguiente, en vez de pedirlo todo de una vez. Funciona porque cuando pides cinco cosas a la vez el modelo reparte el esfuerzo y todas salen mediocres. Con el encadenado corriges en cada paso antes de seguir, y el resultado final no se parece en nada.
¿Qué es un system prompt y en qué se diferencia de un prompt normal?
El system prompt son las instrucciones que van antes de la conversación y definen el comportamiento base del modelo: tono, reglas fijas, formato de respuesta y qué no debe hacer nunca. El prompt normal es lo que pides en cada mensaje. Tienes acceso al system prompt en la API y en herramientas como los GPTs personalizados.
¿Cómo sé si un prompt funciona mejor que otro?
Monta un banco de cinco o diez casos reales, define tres o cuatro criterios binarios de qué es "bueno" antes de mirar los resultados, cambia una sola cosa cada vez y pasa las dos versiones por los mismos casos. Gana la que cumpla más criterios, no la que te guste más. Como los modelos son probabilísticos, lo que importa es la consistencia, no un acierto suelto.
¿El prompt engineering funciona igual en ChatGPT, Claude y Gemini?
Los principios son los mismos, pero cada modelo tiene sus manías. ChatGPT responde bien a prompts directos y tiende a halagar si no le pides lo contrario; Claude es el que mejor respeta instrucciones largas y formatos; Gemini destaca con material visual y documentos largos. Los modelos locales necesitan instrucciones más explícitas y repetir las restricciones críticas al final.
¿Va a desaparecer el prompt engineering?
Los trucos y hacks sí: los modelos entienden cada vez mejor las instrucciones imprecisas. Lo que no desaparece es saber comunicar con claridad qué necesitas, y sobre todo diseñar el proceso, dar el contexto adecuado y comprobar que el resultado es consistente. El centro de gravedad se mueve de redactar frases a diseñar sistemas.
¿Merece la pena pagar un curso o una certificación de prompt engineering?
Con mucha cautela. Es un mercado lleno de formación genérica y de certificaciones que no valida nadie. La documentación oficial de OpenAI, Anthropic y Google es gratuita, está actualizada y es mejor que la mayoría de cursos de pago. Antes de gastar, practica con tus propias tareas reales: se aprende más en una semana aplicándolo a tu trabajo que en veinte horas de vídeo.
¿Por qué la IA deja de hacerme caso a mitad de una conversación?
Porque el contexto se llena de versiones descartadas y correcciones, y el modelo empieza a mezclarlas. Cuando notes que ya no respeta tus instrucciones, abre un chat nuevo y pega el mejor resultado hasta la fecha como punto de partida, con las instrucciones limpias. También ayuda repetir las restricciones innegociables al final del prompt, porque lo que queda enterrado en el medio es lo primero que se salta.
