Cuando Harvard y BCG pusieron a 758 consultores a trabajar con IA generativa, los resultados mejoraron un 40% en calidad y llegaron un 25% más rápido. Pero el mismo estudio, publicado en Organization Science en 2026, encontró la otra cara: en las tareas donde la IA no es fiable, quienes confiaron en ella rindieron 19 puntos peor. Saber pedirle cosas a la IA — el famoso prompt engineering — importa; saber cuándo no fiarse de la respuesta importa todavía más. Esta guía separa, con evidencia de 2025-2026, las técnicas que siguen funcionando de las que ya son ruido, y explica por qué formar a tu equipo en esto dejó de ser opcional: desde febrero de 2025 es una obligación del Reglamento europeo de IA.
¿Qué es el prompt engineering?
El prompt engineering es la práctica de diseñar las instrucciones que se dan a una Inteligencia Artificial generativa — el prompt — para obtener resultados útiles, precisos y en el formato que necesitas. Incluye qué pides, cómo lo estructuras, qué contexto y ejemplos aportas y qué límites marcas. No es programar: es comunicar bien con una máquina que responde a lenguaje natural. Para un equipo de empresa, dominarlo marca la diferencia entre usar la IA como un becario errático o como un colaborador consistente. La referencia mental que recomienda la propia Anthropic es útil: trata al modelo como a un empleado brillante pero recién llegado, que no conoce tu empresa, tu cliente ni tu contexto — todo lo que no le cuentes, lo inventará o lo hará a su manera.
¿Ha muerto el prompt engineering en 2026?
El puesto murió; la competencia se volvió transversal. En 2023 se publicaban ofertas de "prompt engineer" de 200.000-300.000 dólares; desde finales de 2024 esas vacantes cayeron en torno a un 30% y la función se absorbió en los roles de siempre — producto, operaciones, marketing, desarrollo. A la vez, el centro de gravedad se desplazó: en junio de 2025 Tobi Lütke (CEO de Shopify) popularizó el término context engineering y Andrej Karpathy lo remató días después: "el delicado arte y ciencia de llenar la ventana de contexto con la información justa para el siguiente paso". La lección para una empresa es concreta: el valor ya no está en fórmulas mágicas de redacción, sino en qué información le das al modelo — documentos, datos, ejemplos, criterios — y en que toda la plantilla que usa IA a diario tenga un nivel básico común. Con la adopción de IA en las empresas españolas casi duplicada en dos años (del 12,4% al 21,1%, según datos del INE), ese nivel común es la asignatura pendiente.
Las técnicas que siguen funcionando (con evidencia)
Las guías oficiales de Anthropic, OpenAI y Google coinciden en un núcleo sorprendentemente estable:
- Claridad y especificidad ante todo. La "regla de oro" de Anthropic: si un compañero se quedaría confundido leyendo tu prompt, el modelo también. Incluye siempre el para qué, el para quién y el formato esperado.
- Ejemplos (few-shot). La técnica mejor avalada para controlar formato y tono: Google recomienda incluir ejemplos "siempre", y Anthropic la describe como una de las formas más fiables de dirigir la salida. Dos o tres ejemplos del resultado deseado valen más que un párrafo de explicaciones.
- Estructura con delimitadores. Separar instrucciones, contexto y datos con etiquetas XML o encabezados Markdown mejora la fiabilidad — lo recomiendan los tres fabricantes. Un prompt bien estructurado es un documento, no un mensaje de WhatsApp.
- El contexto, arriba. Detalle poco conocido y muy citado en la documentación de Anthropic: con documentos largos, colocarlos al principio del prompt y la pregunta al final mejora el rendimiento en todos los modelos.
- Instrucciones en positivo. Decir qué hacer funciona mejor que enumerar prohibiciones ("escribe en tono formal" mejor que "no seas informal").
- Rol y sistema, con expectativas realistas. Asignar un rol ("actúa como un director financiero") sigue siendo útil para tono y enfoque — Anthropic afirma que incluso una frase marca diferencia —, pero la evidencia de que mejore la precisión es débil. Úsalo para el estilo, no esperes milagros de exactitud.
Las técnicas zombi: lo que ya no deberías hacer por defecto
Aquí está lo que casi ninguna guía en español cuenta. "Piensa paso a paso" ha caducado como hábito universal. El informe de Wharton (junio 2025) midió el efecto del chain-of-thought en modelos razonadores: mejoras marginales (+2,9% en o3-mini) e incluso negativas (−3,3% en Gemini Flash 2.5), con un 20-80% más de latencia. Un metaanálisis de más de 100 papers presentado en ICLR 2025 lo acotó: el paso a paso ayuda sobre todo en matemáticas y razonamiento simbólico, y apenas aporta en tareas de conocimiento general. Los modelos de 2026 ya deciden solos cuándo razonar; la recomendación oficial de OpenAI es tratarlos como "un compañero senior al que le das el objetivo", no el procedimiento. Las mayúsculas y las amenazas también sobran: Anthropic advierte que el lenguaje agresivo tipo "CRITICAL: You MUST..." provoca sobrerreacciones en los modelos actuales. Y las plantillas mágicas de 500 palabras que circulan por LinkedIn envejecieron mal: la palanca real se movió del redactado al contexto que aportas.
El riesgo del que nadie habla: tus datos dentro del prompt
El prompt es también una vía de fuga de información, y los datos de 2025 son serios: el 77% de los empleados que usan IA generativa pega datos corporativos en el chatbot, y el 82% de esas interacciones ocurre desde cuentas personales fuera del control de la empresa (LayerX, 2025). Alrededor de una de cada cinco de esas pegadas contiene datos personales o financieros — es decir, exposición directa al RGPD ante la AEPD. En paralelo, la inyección de prompts es el riesgo número uno del OWASP Top 10 para aplicaciones con LLM por segunda edición consecutiva: instrucciones maliciosas escondidas en documentos o webs que el modelo procesa pueden secuestrar su comportamiento. La respuesta empresarial tiene tres capas: herramientas corporativas (no cuentas gratuitas personales), una política clara de qué datos pueden entrar en un prompt, y formación para que el equipo reconozca ambos riesgos. La higiene del prompt es tan importante como su redacción.
Prompting como obligación legal: el artículo 4 del AI Act
Desde el 2 de febrero de 2025, el artículo 4 del Reglamento europeo de IA exige a toda empresa que use IA — proveedora o usuaria, del tamaño que sea — garantizar un nivel adecuado de alfabetización en IA de su personal: formación documentada y proporcional al puesto y al riesgo. Y el 2 de agosto de 2026 — a días de la publicación de este artículo — arranca la supervisión nacional del reglamento. No hay un temario oficial: lo que se pide es formación real, adaptada al uso que cada rol hace de la IA, y saber pedir, verificar y no filtrar datos en un prompt es exactamente el núcleo práctico de esa alfabetización para la mayoría de puestos. La parte buena para las empresas españolas: esta formación es bonificable vía FUNDAE. Nuestra formación en prompt engineering para equipos está diseñada sobre este doble objetivo — productividad medible y cumplimiento del artículo 4 — y el 78% de los profesionales españoles ya declara que su empresa debería dársela.
De trucos individuales a activo corporativo: la biblioteca de prompts
"El error típico es tratar el prompting como una habilidad individual: cada empleado con sus trucos en un bloc de notas. Las empresas que le sacan retorno lo tratan como un activo: una biblioteca de prompts compartida, versionada y probada para sus veinte tareas más repetidas. Eso convierte la suerte de cada uno en un estándar de todos", explica Alfons Marques, fundador de Technova Partners.
El plan de implantación que recomendamos:
- Identifica las 10-20 tareas con IA más repetidas en cada departamento (ofertas, correos de cliente, resúmenes de reuniones, análisis de datos).
- Crea la primera versión de la biblioteca: un prompt probado por tarea, con sus ejemplos few-shot y su formato de salida, accesible para todo el equipo.
- Forma al equipo en las técnicas con evidencia — y en la lección de la "frontera dentada" del estudio de BCG: la formación debe enseñar también cuándo no fiarse del modelo, porque ahí es donde se pierden los 19 puntos.
- Revisa y versiona trimestralmente: los modelos cambian (¿recuerdas cuándo el paso a paso era imprescindible?) y la biblioteca debe cambiar con ellos.
Si quieres entender primero cómo funcionan estos modelos por dentro, nuestra guía de qué es un LLM para empresas es el complemento natural de esta.
¿Quieres una biblioteca de prompts a medida y formar a tu equipo cumpliendo el artículo 4 del AI Act con FUNDAE? Cuéntanos tu caso y te preparamos una propuesta.
Conclusión
El prompt engineering en 2026 no es lo que era en 2023 — y eso es buena noticia. El puesto estrella desapareció, pero la competencia se volvió obligatoria para toda la plantilla: por productividad (la evidencia de +40% de calidad es real cuando se usa bien) y por ley (artículo 4 del AI Act, con supervisión activa desde agosto de 2026). Lo que funciona está claro y documentado: claridad, ejemplos, estructura y contexto bien colocado. Lo que sobra, también: el paso a paso por defecto, las mayúsculas amenazantes y los prompts mágicos. Y el salto de nivel real no está en el prompt individual, sino en convertir el prompting en activo corporativo — biblioteca compartida, política de datos y formación que enseñe también a desconfiar a tiempo.
Preguntas frecuentes sobre el prompt engineering
¿Qué es el prompt engineering en pocas palabras?
Es la práctica de diseñar bien las instrucciones que se dan a una IA generativa — qué pides, con qué contexto, con qué ejemplos y en qué formato — para obtener resultados útiles y consistentes. No requiere saber programar: es comunicación estructurada con la máquina, y en 2026 es una competencia transversal de oficina, no un puesto de trabajo.
¿Sigue siendo útil decirle a la IA "piensa paso a paso"?
Como hábito por defecto, no. Los estudios de 2025 (Wharton, ICLR) muestran que en los modelos razonadores actuales el chain-of-thought aporta mejoras marginales o incluso empeora el resultado, y siempre añade latencia. Ayuda en problemas matemáticos o de lógica simbólica con modelos no razonadores. La recomendación actual de los fabricantes es dar el objetivo y el contexto, y dejar que el modelo decida cómo razonar.
¿Qué riesgos tiene el uso de prompts en la empresa?
Dos principales. Fuga de datos: el 77% de los empleados que usan IA generativa pega información corporativa en los chatbots, muchas veces desde cuentas personales — con datos personales de por medio, eso es exposición al RGPD. E inyección de prompts: el riesgo número uno del OWASP Top 10 para aplicaciones LLM, donde instrucciones ocultas en un documento o web manipulan al modelo. Ambos se mitigan con herramientas corporativas, política de datos y formación.
¿La formación en prompt engineering es obligatoria?
La formación específica en prompting no está nombrada en ninguna ley, pero el artículo 4 del Reglamento europeo de IA obliga desde febrero de 2025 a garantizar la alfabetización en IA de todo el personal que la usa, proporcional a su puesto y al riesgo — y saber formular peticiones, verificar salidas y proteger datos en los prompts es el núcleo práctico de esa alfabetización. La supervisión nacional arranca el 2 de agosto de 2026, y en España esta formación puede bonificarse vía FUNDAE.
