Y un prompt con veinte instrucciones tampoco es automáticamente mejor que uno con cinco.
Este matiz importa porque estamos entrando en una etapa de la inteligencia artificial en la que acumular instrucciones empieza a confundirse con diseñarlas bien.
Durante años he trabajado con una metodología de prompting de alta precisión basada en hasta veinte componentes: rol, tarea, contexto, tema, situación, audiencia, intención, objetivo, propósito, ubicación, ejemplos, intereses de la audiencia, razonamiento, reglas, metodología, restricciones, formato, tono, estilo e instrucción clave.
La idea que existe detrás sigue siendo válida: cuanto más importante sea una tarea, menos deberíamos depender de instrucciones improvisadas.
Pero la evolución de la IA plantea ahora una pregunta diferente:
¿Necesitas aprender a escribir prompts cada vez más grandes o necesitamos aprender a diseñar mejores sistemas de instrucciones?
Mi respuesta es la segunda.
De ahí nace el Método P.R.O.M.P.T.® — Pedro Rojas’ Optimization Matrix for Prompt Technology.
No pretende sustituir mi metodología de alta precisión. La organiza y la convierte en una arquitectura más fácil de comprender, utilizar, evaluar y trasladar al trabajo profesional.
Del prompt improvisado a la arquitectura de instrucciones
Mi metodología original parte de un principio sencillo: cuando la tarea lo exige, hay que reducir la ambigüedad proporcionando a la IA información suficiente sobre qué debe hacer, para quién, con qué finalidad, bajo qué reglas y cómo debe entregar el resultado.
Esto coincide, además, con algunas recomendaciones actuales de los propios proveedores de modelos.
OpenAI continúa recomendando instrucciones claras y específicas, suficiente contexto y una definición precisa del resultado, formato y estilo esperados. Su documentación para desarrolladores va un paso más allá: recomienda tratar los prompts utilizados en producción prácticamente como código, incorporando pruebas y evaluaciones para comprobar su comportamiento.
Anthropic también recomienda estructurar instrucciones complejas separando contexto, instrucciones, ejemplos y entradas, además de utilizar ejemplos cuando sean útiles para reducir interpretaciones ambiguas.
Por tanto, el problema ya no consiste simplemente en descubrir una frase ingeniosa que haga funcionar mejor a una IA.
En una empresa necesitas algo bastante menos espectacular y mucho más importante: consistencia.
Una instrucción profesional debería poder entenderse, reutilizarse, modificarse y evaluarse.
Y ahí aparece P.R.O.M.P.T., pero...
¿Qué es el Método P.R.O.M.P.T.®?
P.R.O.M.P.T. significa: Pedro Rojas’ Optimization Matrix for Prompt Technology.
Es una matriz para transformar una necesidad humana o empresarial en una arquitectura de instrucciones estructurada alrededor de seis dimensiones:
P — Propósito
R — Rol
O — Observación / Contexto
M — Método
P — Precisión
T — Transferencia
No son seis palabras elegidas para completar un acrónimo.
Cada dimensión resuelve una pregunta diferente.
Y esto es importante porque una de las debilidades habituales del prompting consiste precisamente en mezclarlo todo: contexto con objetivo, formato con metodología, rol con tarea o restricciones con criterios de calidad.
Separarlos obliga primero a pensar.
Después escribes el prompt.
P — Propósito: ¿para qué quieres utilizar la IA?
Antes de decirle a una IA qué debe hacer, deberías saber qué quieres conseguir.
Parece evidente.
No siempre ocurre.
“Analiza este informe” describe una tarea.
“Detecta las tres causas que están deteriorando el margen para preparar la reunión del comité de dirección” introduce un propósito.
La diferencia es considerable porque el propósito condiciona qué información importa y qué debería priorizar el modelo.
Aquí pueden integrarse componentes de mi metodología original como tarea, intención, objetivo y propósito.
Cuando sea posible, el objetivo debería concretarse mediante un resultado observable. No necesitas inventar un KPI para cualquier conversación, pero en una aplicación empresarial conviene poder determinar posteriormente si la respuesta sirvió o no.
R — Rol: ¿desde qué perspectiva debe trabajar?
Asignar un rol no consiste en decorar el prompt con títulos impresionantes.
“Actúa como el mejor experto del mundo” aporta bastante menos de lo que parece.
Un rol útil define una perspectiva funcional relevante.
Puedes necesitar que la IA analice un documento desde la perspectiva de un controller financiero, un responsable de operaciones, un especialista en compliance o un profesor que debe explicar un concepto a personas sin conocimientos técnicos.
El rol tiene sentido cuando modifica los criterios que debe utilizar el modelo.
Si eliminarlo no cambia sustancialmente la tarea, probablemente no lo necesitas.
O — Observación / Contexto: ¿sobre qué realidad debe trabajar?
Aquí suele encontrarse una de las mayores diferencias entre una consulta genérica y una instrucción profesional.
La IA necesita conocer la realidad relevante.
Empresa.
Sector.
Problema.
Audiencia.
Mercado.
Ubicación.
Antecedentes.
Datos disponibles.
Intereses del destinatario.
Situación concreta.
La cuestión no es proporcionarle “todo el contexto posible”. Ese sería otro error.
Necesitas proporcionarle el contexto que puede modificar la respuesta.
Imagina que pides una estrategia de captación de talento. Saber que se trata de una pyme industrial española con dificultades para contratar perfiles técnicos puede ser determinante. Saber el color del logotipo probablemente no.
El buen prompting también consiste en saber qué información eliminar.
M — Método: no indiques únicamente qué hacer; define cómo abordar el problema
Esta dimensión adquiere especial importancia en tareas complejas.
Puedes especificar:
qué fuentes utilizar;
qué criterios comparar;
qué metodología aplicar;
qué variables analizar;
en qué secuencia desarrollar la tarea;
cómo tratar las hipótesis;
qué hacer cuando falten datos.
Aquí encajan metodología, razonamiento operativo y ejemplos.
Hay además una actualización importante respecto a formulaciones antiguas del prompting: no necesitas exigir que el modelo revele literalmente todo su razonamiento interno para conseguir un trabajo riguroso. Resulta más útil definir el procedimiento, los criterios, las comprobaciones y la justificación que quieres recibir.
Es una diferencia pequeña en apariencia, pero enorme metodológicamente.
No necesitas observar cada pensamiento de la máquina.
Necesitas poder evaluar el trabajo que produce.
P — Precisión: define qué significa una respuesta aceptable
Esta dimensión funciona como control de calidad.
Aquí incorporamos reglas, restricciones, formato, tono, estilo, advertencias y mecanismos de validación.
Por ejemplo:
“No inventes cifras. Diferencia datos proporcionados de inferencias. Identifica información insuficiente. Presenta los resultados en una tabla y prioriza las recomendaciones según impacto y dificultad.”
Observa lo que estamos haciendo.
No estamos añadiendo palabras para crear un prompt espectacular.
Estamos estableciendo condiciones de aceptación.
Esta lógica es especialmente importante cuando las instrucciones pasan de una conversación individual a GPTs personalizados, agentes, automatizaciones o aplicaciones corporativas.
OpenAI recomienda actualmente utilizar evaluaciones y pruebas representativas cuando se modifican prompts utilizados en producción.
Eso introduce un cambio de mentalidad: el prompt deja de ser únicamente texto y empieza a comportarse como un componente del sistema.
T — Transferencia: ¿qué haces después con la respuesta?
Esta es probablemente la dimensión que más claramente separa el prompting recreativo del profesional.
Una respuesta puede ser correcta y, aun así, resultar inútil.
¿Por qué?
Porque nadie sabe qué hacer con ella.
Transferencia significa transformar el resultado de la IA en:
decisiones;
acciones;
prioridades;
protocolos;
tareas;
planes;
indicadores;
siguientes pasos.
Si has solicitado un análisis de rotación de personal, por ejemplo, el proceso no debería terminar cuando la IA identifica posibles causas.
Puedes pedirle que convierta esas conclusiones en hipótesis que deban comprobarse, información adicional necesaria, acciones priorizadas y métricas que permitan evaluar posteriormente si las medidas funcionan.
Información no equivale a aplicación.
Y en IA empresarial esa diferencia importa mucho.
Veamos P.R.O.M.P.T.® trabajando
Supongamos que eres responsable financiero de una empresa industrial y quieres comprender por qué se está deteriorando el margen.
Podrías escribir:
Analiza estos resultados financieros y dime qué ocurre.
Obtendrás probablemente alguna respuesta.
Pero ahora estructuramos la misma necesidad mediante P.R.O.M.P.T.:
Propósito: identificar los factores que pueden explicar el deterioro del margen y preparar decisiones para la próxima reunión de dirección.
Rol: trabajar desde la perspectiva de análisis financiero y control de gestión.
Observación: utilizar exclusivamente las cuentas y datos proporcionados, considerando evolución de ingresos, costes, márgenes, mix de producto y períodos comparables.
Método: comparar períodos, detectar variaciones materiales, separar hechos de hipótesis e identificar qué información adicional sería necesaria para confirmar las causas.
Precisión: no inventar cifras ni atribuir causalidad cuando los datos únicamente permitan observar correlaciones. Indicar limitaciones y presentar los principales hallazgos ordenados por relevancia.
Transferencia: convertir el análisis en preguntas que debería resolver el equipo financiero, acciones que podrían investigarse y métricas que deberían monitorizarse durante los siguientes períodos.
La mejora importante no consiste simplemente en que el segundo prompt sea más largo.
Consiste en que hemos pensado mejor el problema antes de delegarlo.
¿Dónde quedan entonces los 20 componentes de mi metodología?
Siguen ahí, porque P.R.O.M.P.T. no elimina mi metodología de prompting de alta precisión. Funciona como una capa superior que permite organizarla.
Los veinte componentes pueden distribuirse dentro de las seis dimensiones según el caso de uso, pero no deberían convertirse en veinte casillas que rellenamos mecánicamente.
Esta precisión es fundamental.
No todos los prompts necesitan veinte componentes.
Ya lo señalaba en la metodología original y conviene insistir ahora.
Pedir a una IA que corrija tres errores ortográficos utilizando veinte apartados sería absurdo.
Analizar una inversión, diseñar instrucciones persistentes para un agente, preparar un proceso corporativo o construir una automatización crítica es diferente.
La complejidad de la arquitectura debería guardar relación con tres variables: riesgo de equivocación, complejidad de la tarea e importancia del resultado.
Cuanto mayores sean, mayor debería ser el control.
El error que debes evitar ahora: convertir P.R.O.M.P.T. en otra plantilla mágica
Sería contradictorio, porque el objetivo no es que copies seis apartados cada vez que hablas con una IA.
Es que aprendas a formular seis preguntas mentales:
¿Para qué lo necesito? ¿Desde qué rol debe abordarlo? ¿Qué realidad necesita conocer? ¿Qué método debe aplicar? ¿Qué condiciones debe cumplir? ¿Cómo convertiré la respuesta en algo utilizable?
Algunas veces necesitarás las seis dimensiones con enorme detalle.
Otras veces bastarán tres.
Incluso habrá conversaciones sencillas donde ninguna arquitectura sofisticada aporte valor.
Eso también es utilizar IA con criterio.
De escribir prompts a diseñar sistemas de instrucciones
Aquí está, para mí, la evolución verdaderamente interesante.
Las empresas ya no trabajan únicamente con una persona escribiendo preguntas en una ventana de chat. Los modelos pueden integrarse en aplicaciones, instrucciones persistentes, automatizaciones y flujos de trabajo.
Por eso empieza a quedarse pequeño pensar únicamente en “el prompt”.
La propia documentación técnica actual refleja esa evolución hacia instrucciones, entradas estructuradas, delimitación del contexto, evaluaciones y control de versiones.
Esto nos obliga a cambiar también nuestra manera de trabajar.
Un buen sistema de instrucciones debería poder responder, como mínimo, a cuatro preguntas posteriores:
¿Sabemos por qué produjo ese resultado?
¿Podemos modificar una parte sin reconstruirlo entero?
¿Otra persona podría utilizarlo de forma consistente?
¿Podemos comprobar si una nueva versión funciona mejor que la anterior?
Cuando las respuestas son afirmativas, ya no estamos improvisando prompts.
Estamos empezando a construir un proceso.
Una prueba sencilla para utilizar desde mañana
Antes de enviar una instrucción importante a cualquier modelo de IA, revísala utilizando P.R.O.M.P.T.
No preguntes si “suena bien”.
Comprueba si el propósito está definido; si el rol aporta realmente una perspectiva útil; si has proporcionado el contexto que puede cambiar la respuesta; si la tarea necesita un método determinado; si existen criterios suficientes para juzgar la calidad; y, finalmente, si has explicado qué necesitas hacer con el resultado.
Después prueba.
Compara.
Corrige.
Y conserva las versiones que funcionen.
Porque profesionalizar el uso de la IA no consiste en conseguir una respuesta extraordinaria una vez.
Consiste en crear las condiciones para obtener resultados útiles de manera consistente, comprender por qué funcionan y saber cómo mejorarlos cuando dejan de hacerlo.
Ese es el propósito del Método P.R.O.M.P.T.® — Pedro Rojas’ Optimization Matrix for Prompt Technology: convertir una intención en instrucciones, las instrucciones en resultados y los resultados en aplicación profesional.
La próxima vez que prepares un prompt importante, no empieces preguntándote qué frase deberías escribir.
Pregúntate primero algo bastante más incómodo:
¿Tengo suficientemente claro el problema como para poder dirigir a una inteligencia artificial a resolverlo?
