Tu prompt no es malo. Tu encargo lo es.
Arma el prompt bloque por bloque y entiende por qué funciona cada parte. O copia una de las 39 plantillas de nivel consultor. O pega el tuyo y mira qué le falta.
Nada con esa palabra. Prueba con el problema, no con la herramienta: «retraso», «rotación», «margen», «reclamo».
Sé escéptico con el puntaje. Esto es un análisis estructural que corre entero en tu navegador: busca señales de forma (rol, cifras, verbos, formato, límites, ejemplos, salida ante datos faltantes). No lee el significado ni juzga si tu idea es buena. Un prompt puede sacar 90 y aun así pedir algo equivocado.
—
El prompt no es el problema: el problema es que no sabes lo que quieres
Hay una prueba que nunca falla y no necesita ninguna herramienta. Antes de escribirle a una IA, intenta explicarle la misma tarea a un practicante que entró ayer. Si no puedes decirle qué te tiene que entregar, para quién es, qué no debe hacer y cómo vas a saber si quedó bien, no tienes un problema de prompt: tienes un encargo mal pensado. El modelo no lo va a resolver por ti. Va a rellenar los huecos con lo más probable, que en la práctica es lo más genérico.
Por eso casi todas las quejas sobre la IA —«me contesta cosas obvias», «suena a robot», «no entiende lo que le pido»— son en realidad quejas sobre instrucciones incompletas. La distancia entre un resultado inservible y uno que se usa tal cual casi nunca está en una palabra mágica. Está en cuántas decisiones tomaste tú antes de escribir.
20 palabras. Ninguna de ellas es una decisión.
148 palabras. Cada línea le quita una decisión al modelo.
Fíjate en lo que no cambió: no hay adjetivos mágicos ni «actúa como el mejor redactor del mundo». Cambiaron cuatro cosas y todas son medibles. Apareció un criterio de decisión (conservar la cuenta pesa más que tener la razón), apareció información que solo tú tienes (cuánto compra, cuántos días de retraso, qué ya se le respondió), apareció un entregable contable (140 palabras, cuatro párrafos, asunto incluido) y aparecieron los límites (qué frase está prohibida, qué no se puede prometer). La segunda versión no es mejor por ser más larga: es mejor porque cada línea que se agregó elimina una decisión que el modelo iba a tomar solo.
Cuándo un prompt largo empeora el resultado
Este es el matiz que casi nadie enseña, porque contradice el consejo de moda de «dale todo el contexto posible». El contexto no es gratis. Cuando pegas el informe completo de 40 páginas para pedir un correo de tres párrafos, no le diste más información útil: le diste 39 páginas que compiten con la única que importaba. Alguien tiene que decidir qué es relevante, y esa también era tu decisión.
Los síntomas son reconocibles. Respuestas que mezclan temas que no venían al caso. Datos secundarios que reaparecen en cada párrafo. Instrucciones del principio que se evaporan porque las del final pesaron más. La regla práctica es simple: incluye el dato solo si cambiaría lo que tú escribirías. Si no cambia nada, es ruido. Doscientas palabras bien escogidas le ganan casi siempre a dos mil pegadas de un documento.
Y queda la línea que más resultado da por carácter escrito: dile qué hacer cuando le falte información. Sin esa instrucción un modelo siempre completa, nunca se frena a preguntar, porque completar es exactamente lo que hace. Con una sola frase —«si te falta algo para hacer esto bien, hazme máximo tres preguntas antes de empezar»— dejas de recibir invenciones plausibles y empiezas a recibir preguntas. Es la señal que más sube la calidad de una respuesta y es también la que casi nadie escribe.
Cómo se calcula el puntaje del auditor
Siete criterios suman 100 puntos. Cuatro señales de mal prompt restan hasta 20. Todo se detecta con reglas de texto que corren en tu navegador: no hay ningún modelo de lenguaje evaluando nada.
| Criterio | Peso | Qué busca exactamente |
|---|---|---|
| Contexto utilizable | 18 | Cifras y datos concretos, destinatario declarado, antecedentes de lo que ya se intentó y longitud suficiente. |
| Verbo y entregable | 18 | Verbos de acción específicos y un entregable contable. Descuenta por fórmulas vagas del tipo «ayúdame con», «mejora esto», «háblame de». |
| Rol y criterio | 15 | Una identidad para el modelo y, sobre todo, la regla que usa para decidir cuando dos objetivos chocan. |
| Qué hacer si falta información | 13 | Instrucción explícita de preguntar antes de inventar, o de marcar los vacíos y los supuestos. |
| Formato de salida | 14 | Estructura (tabla, secciones, columnas, JSON), extensión con número y tono declarado. |
| Restricciones | 12 | Prohibiciones explícitas, límite de alcance y la cláusula antialucinación («no inventes datos»). |
| Ejemplos | 10 | Al menos un ejemplo. Puntaje completo si trae un par entrada → salida o un contraste «así sí / así no». |
| Penalizaciones | −20 | Instrucciones contradictorias, cortesía que desplaza instrucción, «sé creativo» sin criterio, y varias peticiones distintas metidas en una sola. También el prompt largo y sin datos, que es dilución, no contexto. |
Dos reglas del modelo que conviene conocer. Primera: las penalizaciones nunca se llevan más de la mitad de lo que el prompt ganó, para que el puntaje siga distinguiendo entre un prompt malo y uno terrible en vez de aplastarlos a todos en cero. Segunda: un prompt con cuatro o más campos entre corchetes se lee como plantilla sin rellenar, así que no se le castiga la falta de cifras ni la longitud; se le avisa que si lo manda así, el modelo va a inventar lo que va en cada corchete.
Transparencia: este es un modelo propio de IA Lab, no el resultado de un estudio externo ni de un benchmark publicado. Los pesos salen de nuestra experiencia revisando prompts en formaciones y proyectos con equipos de empresa, y los ajustamos cuando encontramos casos donde el puntaje engaña. Sirve para ordenar una revisión, no para certificar nada.
Qué no puede ver este auditor
Detecta que hay un verbo específico; no sabe si ese verbo es el correcto para tu problema. Un prompt impecable para la tarea equivocada saca puntaje alto.
Premia la presencia de cifras porque los prompts con datos concretos rinden mejor. Si la cifra está mal, el modelo la usará igual y con toda confianza.
Un prompt de una sola línea para una tarea trivial —«traduce esto al inglés técnico»— sacará poco puntaje y estará bien así. El marco completo es para encargos que valen la pena.
La única evaluación que importa de verdad es correr el prompt dos o tres veces y revisar la salida contra un criterio escrito antes. Esto es el paso previo, no el sustituto.
El estimador de tokens también es aproximado: es un heurístico calibrado para español que combina caracteres, palabras, signos y dígitos. Cada modelo tokeniza distinto.
Lo que la gente pregunta antes de creerle al puntaje
Los prompts que sí movieron la aguja, cada semana.
Un correo con lo que de verdad cambió en IA y el encargo exacto que usamos para resolver un problema real de empresa. Escrito por quien forma equipos, no por un bot.
Un buen prompt resuelve una tarea. Un agente resuelve el proceso.
En IA Lab entrenamos equipos completos para que dejen de improvisar con la IA y construimos los agentes que hacen el trabajo repetitivo. Transferir, prototipar, escalar.



