Dos personas le hacen la misma pregunta a ChatGPT y obtienen resultados que no se parecen en nada. La diferencia casi nunca está en la herramienta: está en cómo se le pide. A eso se le llama prompt engineering, y en marketing es la diferencia entre un texto que hay que reescribir entero y uno que sale casi listo.
Qué es exactamente el prompt engineering
Un prompt es cualquier instrucción que le das a un modelo de lenguaje. El prompt engineering es el oficio de diseñar esas instrucciones con método: dar contexto, fijar el papel que debe adoptar el modelo, especificar el formato, poner límites y, cuando hace falta, enseñarle un ejemplo de lo que esperas.
No va de escribir bonito. Va de entender qué información necesita el modelo para no rellenar los huecos por su cuenta. Cuando no le das contexto, se lo inventa: por eso salen esos textos que suenan a folleto de cualquier empresa.
Los cinco principios que hacen el 80% del trabajo
1. Contexto
No es lo mismo «escribe un email de ventas» que «escribe un email para recuperar carritos abandonados de una tienda de ropa sostenible, dirigido a mujeres de 28 a 45 años, tono cercano pero profesional». El segundo prompt elimina cientos de decisiones que si no toma el modelo por ti, y casi siempre las toma mal.
2. Rol
Decirle desde qué posición debe responder cambia el vocabulario, el nivel de detalle y hasta la estructura. «Actúa como responsable de marketing B2B con experiencia en software» no es magia, pero orienta al modelo hacia una parte concreta de lo que ha aprendido.
3. Formato
Si necesitas una lista, pídela. Si necesitas H2 y H3, dilo. Si el texto va a una newsletter y tiene que caber en pantalla, indica la extensión. Cada cosa que no especificas es tiempo de edición después.
4. Restricciones
Lo que no quieres suele ser más útil que lo que quieres: «sin emojis», «sin jerga», «sin mencionar a la competencia», «máximo 150 palabras». Las restricciones acotan el espacio de respuestas posibles.
5. Ejemplos
Darle uno o dos ejemplos del resultado que buscas (lo que se llama few-shot) es la técnica con mejor relación esfuerzo/resultado que existe. El modelo deduce el patrón y lo aplica a tu caso.
El mismo objetivo, dos prompts
Un ejemplo real de la diferencia. Objetivo: analizar los datos de una campaña.
Prompt básico: «Analiza mis datos de publicidad» + una tabla pegada.
Resultado: observaciones sobre los números más evidentes. Te dice que el CTR bajó. Eso ya lo sabías.
Prompt trabajado: «Actúa como analista de performance marketing con experiencia en Meta Ads. Con estos datos [tabla], identifica: (1) los tres problemas principales de rendimiento, cada uno con una hipótesis de causa; (2) oportunidades de optimización separadas por palanca —segmentación, creatividad, copy y puja—; (3) recomendaciones ordenadas por impacto frente a esfuerzo. Formato: informe ejecutivo, máximo una página. Si algún dato no permite sacar conclusiones, dilo en vez de suponerlo.»
Resultado: un documento que puedes llevar a una reunión.
Fíjate en la última frase del prompt trabajado. Pedirle explícitamente que reconozca lo que no sabe es una de las formas más baratas de reducir invenciones.
Tres técnicas que sí merecen el nombre de «avanzadas»
Cadena de pensamiento. Pedirle que razone paso a paso antes de dar la conclusión. Funciona bien en análisis, priorización y cualquier tarea con varias variables.
Iteración. El prompt engineering no es de un solo disparo. La primera respuesta es un borrador: se corrige, se pide otra vuelta, se afina. Quien acepta la primera respuesta obtiene resultados mediocres, siempre.
Varias alternativas y elección. Para decisiones importantes, pedir tres enfoques distintos, que los compare y justifique cuál elige. Te da el razonamiento, no solo el resultado, y así puedes discutirlo.
Los errores que se repiten
- Preguntas vagas del tipo «dame ideas de marketing».
- No decir nada sobre la empresa, el producto ni el público.
- Quedarse con la primera respuesta.
- Usar la IA como buscador en lugar de como colaborador.
- Publicar sin revisar. Los modelos se inventan datos, cifras y citas con total aplomo.
Qué puedes esperar de verdad
Vas a ver por ahí cifras muy concretas de ahorro de tiempo. Desconfía de ellas: dependen del tipo de tarea, del sector y de cuánta revisión necesite el resultado. Lo que sí se puede afirmar con honestidad, por lo que vemos en nuestro propio trabajo de agencia:
- En tareas repetitivas y bien definidas (variantes de anuncios, resúmenes, primeras versiones de fichas) el ahorro es grande y sostenido.
- En tareas estratégicas la IA acelera el arranque, pero el criterio sigue siendo tuyo.
- El número de vueltas hasta un resultado aceptable baja mucho en cuanto empiezas a dar contexto y ejemplos. Ahí está la mayor parte de la mejora.
- Donde no ahorra nada es en contenido que necesita datos propios o experiencia real. Ahí la IA solo puede ayudarte a estructurar lo que ya sabes.
Cuándo el uso básico basta
Para una pregunta rápida, un borrador interno o buscar una palabra, escribir la pregunta a secas está perfectamente bien. El método importa cuando el resultado lo va a ver un cliente, cuando necesitas consistencia entre piezas o cuando produces a volumen.
Cómo empezar sin perder el tiempo
Coge una tarea que hagas todas las semanas. Escribe el prompt largo, con contexto, rol, formato y restricciones. Guárdalo. La próxima vez, ajústalo en lugar de escribirlo de cero. En un mes tendrás cinco o seis prompts que funcionan y habrás aprendido más que leyendo veinte artículos.
Si prefieres hacerlo con un método ya montado, en Prompt Engineering Avanzado lo trabajamos desde los fundamentos hasta la construcción de una biblioteca de prompts propia (47 €). También está el pack con todos los cursos por 197 €.