--- title: "Prompt (modelos de lenguaje)" source: "https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)" wiki: "systems-analysis.info/int" article: "Prompt_(modelos_de_lenguaje)" language: "es" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Spanish" revision_id: 5983 wiki_created_at: 2026-09-06T23:56:45Z wiki_modified_at: 2026-09-06T23:56:45Z downloaded_at: 2026-09-07T23:11:24Z --- # Prompt (modelos de lenguaje) **Prompt** (del inglés *prompt* — «indicación» o «instrucción de texto») en el contexto de los modelos grandes de lenguaje (LLM), es el texto de entrada o la instrucción que un usuario proporciona a un modelo para generar la respuesta deseada^{[\[1\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-google_guide-1)}. El prompt formula la tarea para el modelo, incluyendo las condiciones necesarias, el contexto y los ejemplos. La eficacia del modelo depende en gran medida de la calidad del prompt elaborado. La disciplina que estudia los métodos de desarrollo y optimización de las instrucciones de texto se denomina [ingeniería de prompts](https://systems-analysis.info/int/Ingenier%C3%ADa_de_prompts "Ingeniería de prompts") (*prompt engineering*). Su objetivo es obtener de los modelos de IA respuestas lo más relevantes, precisas y seguras posibles^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. Un prompt bien elaborado establece la «ruta» para que el modelo realice la tarea, ayudando a especificar el contexto requerido y el resultado deseado^{[\[1\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-google_guide-1)}. ## Historia del enfoque La idea de gestionar el comportamiento de los LLM mediante indicaciones de texto ha evolucionado a medida que aumentaban las capacidades de los propios modelos. ### Primeras etapas (GPT-2) Ya en 2019, los investigadores de OpenAI demostraron que los grandes modelos de lenguaje preentrenados, como **GPT-2**, eran capaces de resolver nuevas tareas sin entrenamiento adicional si se formulaban como texto. El trabajo *«Language Models are Unsupervised Multitask Learners»* marcó un cambio fundamental: en lugar de reentrenar el modelo para cada tarea, bastaba con formular una instrucción comprensible en la entrada^{[\[3\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-gpt3_paper-3)}. ### El gran avance con GPT-3 y el aprendizaje en contexto El verdadero avance se produjo con el lanzamiento del modelo **GPT-3** en 2020. Con 175 mil millones de parámetros, GPT-3 demostró la capacidad de **aprendizaje en contexto** (*in-context learning*), es decir, de asimilar una nueva tarea «al vuelo» a partir de unos pocos ejemplos proporcionados directamente en el texto del prompt^{[\[3\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-gpt3_paper-3)}. Este modo de funcionamiento se denominó **few-shot learning** («aprendizaje con pocos ejemplos») y demostró que escalar el tamaño del modelo conduce a una alta calidad en la ejecución de tareas de PLN sin necesidad de ajustar los pesos. ### Aparición de la cadena de pensamiento (Chain-of-Thought, CoT) El desarrollo posterior en 2022 se centró en mejorar la capacidad de los modelos para el razonamiento lógico complejo. Se propusieron prompts especiales en formato de cadena de pensamiento (*chain-of-thought prompting*). En estos prompts, el modelo recibe no solo la pregunta, sino también un ejemplo de razonamiento secuencial y paso a paso antes de la respuesta. Esto aumentó notablemente la precisión de las soluciones en tareas aritméticas y lógicas^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. La investigación de Kojima y sus colegas demostró que se puede estimular al modelo a razonar incluso sin ejemplos (*zero-shot*), simplemente añadiendo al final del prompt la frase «Pensemos paso a paso»^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. ### Prompts multimodales El concepto de prompts trascendió el texto. En 2022, con la aparición de modelos como **DALL-E 2** y **Stable Diffusion**, las instrucciones de los usuarios en lenguaje natural se convirtieron en la interfaz universal para generar imágenes y, más tarde, música y vídeo. ## Tipos y técnicas de aplicación de prompts Existen varios tipos y técnicas principales de prompts que a menudo se combinan. ### Zero-shot prompting (instrucción directa) El modelo recibe únicamente una instrucción o pregunta **sin ningún ejemplo**. En este modo, el LLM se basa en su conocimiento general adquirido durante el preentrenamiento. Es adecuado para tareas sencillas como la traducción o el resumen de textos^{[\[1\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-google_guide-1)}. ### Few-shot prompting (aprendizaje con ejemplos) Además de la instrucción, en el prompt se incluyen **uno o varios ejemplos** con entradas y salidas esperadas. El modelo «aprende al vuelo» de estas muestras y aplica la lógica asimilada a la nueva solicitud. Este método, que implementa el *in-context learning*, aumenta significativamente la precisión en tareas donde es importante un formato o estilo de respuesta específico^{[\[1\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-google_guide-1)}. ### Cadena de pensamiento (Chain-of-Thought, CoT) Un tipo especial de prompt para tareas que requieren un razonamiento complejo (matemáticas, lógica). En la instrucción se incluye un desglose paso a paso o un plan de solución antes de la respuesta final. Esto obliga al modelo a estructurar explícitamente su proceso de razonamiento, lo que mejora significativamente la calidad del resultado^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. ### Ajuste de prompts (Prompt Tuning) Técnica en la que, en lugar de escribir manualmente un prompt, se utiliza una instrucción **optimizada automáticamente**. El prompt se representa como un conjunto de tokens especiales entrenables (un vector continuo) que se añade a la solicitud del usuario. Al entrenar únicamente este pequeño vector-prompt, es posible adaptar un gran modelo «congelado» a una nueva tarea con un coste computacional mínimo^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. ## La ingeniería de prompts como disciplina ### Surgimiento de la profesión El crecimiento de las capacidades de los LLM ha llevado a la aparición de una nueva especialización: el **ingeniero de prompts**. Estos especialistas desarrollan y depuran las instrucciones de texto para obtener el comportamiento deseado de la IA. Los ingenieros de prompts utilizan conocimientos de lingüística, lógica y psicología para estructurar los datos de entrada de la manera más eficaz^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. Entre 2022 y 2023, aparecieron las primeras ofertas de trabajo para este puesto, lo que refleja la alta demanda de habilidades para interactuar eficazmente con los sistemas de IA. ### Futuro de la profesión y automatización El campo se está desarrollando rápidamente, y su futuro es objeto de debate. Investigaciones de 2024, por ejemplo, de VMware, han demostrado que la propia IA es capaz de encontrar formulaciones de prompts eficaces mediante prueba y error y optimización, superando a menudo las creadas por humanos^{[\[4\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-ieee_dead-4)}. Esto ha llevado a la opinión de que la ingeniería de prompts manual podría ser un fenómeno temporal y que, con el tiempo, las herramientas de selección automática de prompts se convertirán en el estándar. Sin embargo, a fecha de 2025, la experiencia en ingeniería de prompts sigue siendo muy solicitada. ## Áreas de aplicación - **Procesamiento del lenguaje natural**: Tareas clásicas de PLN, como el resumen automático de documentos, la traducción automática, la respuesta a preguntas y la extracción de información. - **Chatbots y asistentes virtuales**: Los prompts ayudan a definir el rol, el estilo de comunicación y el formato de las respuestas, haciendo que los sistemas de diálogo sean más consistentes y útiles. - **Generación de código**: Modelos como OpenAI Codex son capaces de escribir código de programación a partir de descripciones en lenguaje natural, lo que acelera el desarrollo. - **Análisis de datos**: Con la ayuda de prompts, se puede configurar un modelo para extraer información valiosa (*insights*) de informes de texto no estructurados o para generar hipótesis. - **Educación**: Creación de tutores inteligentes que generan tareas, explican conceptos complejos y evalúan las respuestas teniendo en cuenta el nivel de preparación del estudiante. - **Industrias creativas**: Generación de textos, imágenes artísticas, música y guiones a partir de descripciones detalladas. ## Uso malicioso y vulnerabilidades (Inyección de prompts) La naturaleza abierta de la interfaz de los LLM ha dado lugar a una nueva clase de ataques: la **inyección de prompts** (*prompt injection*). Un atacante formula una solicitud maliciosa especial que obliga al modelo a violar sus instrucciones originales o a revelar información oculta^{[\[2\]](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_note-wiki_prompt-2)}. Los expertos consideran esto como una variante de un ataque de tipo «inyección de código», donde en lugar de código, se «inyectan» en el sistema instrucciones de texto maliciosas. ### Tipos de ataques - **Jailbreak**: Un ataque que permite al modelo «escapar» de las restricciones impuestas (por ejemplo, las políticas de moderación) y generar contenido prohibido. Un ejemplo conocido es el **prompt DAN** (Do Anything Now), que obligaba a ChatGPT a responder sin censura. - **Prompt Leaking**: Una solicitud especial que obliga al modelo a revelar fragmentos de su prompt de sistema oculto. - **Token Smuggling**: Una instrucción maliciosa se enmascara como una parte inofensiva de la solicitud (por ejemplo, un fragmento de código) para eludir los filtros y provocar un comportamiento no deseado. Estos ataques representan un problema grave, ya que los métodos tradicionales de ciberseguridad no están bien adaptados para hacer frente a las amenazas relacionadas con la interpretación del lenguaje natural. ## Bibliografía - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [5]. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. ## Referencias 1. ↑ ^{[1.0](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-google_guide_1-0)} ^{[1.1](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-google_guide_1-1)} ^{[1.2](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-google_guide_1-2)} ^{[1.3](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-google_guide_1-3)} «Guía de ingeniería de prompts para IA». *Google Cloud*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-0)} ^{[2.1](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-1)} ^{[2.2](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-2)} ^{[2.3](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-3)} ^{[2.4](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-4)} ^{[2.5](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-5)} ^{[2.6](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-wiki_prompt_2-6)} «Ingeniería de prompts». *Wikipedia*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-gpt3_paper_3-0)} ^{[3.1](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-gpt3_paper_3-1)} Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 de mayo de 2020. [3] 4. [↑](https://systems-analysis.info/int/Prompt_(modelos_de_lenguaje)#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [4]