Todos hemos visto a personas hablando con ChatGPT o Grok en su teléfono, haciendo preguntas muy simples, consultas que en la industria de la IA se conocen como prompts. Algunas incluso creen que lo usan mejor que la mayoría porque han visto publicaciones como esta en redes sociales:
Malo: «Dame 20 ideas de marketing para mi negocio».
Bueno: «Dame 20 ideas creativas de marketing para mi pequeño negocio que me ayuden a diferenciarme de la competencia».
Excelente: «Piensa como un CMO de clase mundial en la industria de [espacio en blanco]. Dame 30 ideas de marketing altamente creativas y fuera de lo común para mi negocio. Asegúrate de que atiendan los puntos de dolor más grandes de mi público objetivo».
Tres recuadros: prompt malo, prompt bueno, prompt excelente. El «antes» se ve plano y el «después», afilado. Es uno de los formatos más compartidos en redes sociales, y la mayoría de esos consejos solo enseña a la gente a fracasar de forma más elaborada.
Lean esos tres otra vez, en orden. Veinte ideas se convirtieron en treinta. «Creativas» pasó a ser «altamente creativas, fuera de lo común». Se invocó a un «CMO de clase mundial». Y en las tres versiones no se define nada. Nadie dice qué vende el negocio, quién lo compra ni con qué problema lucha ese comprador. Ni una sola vez.
Entonces el modelo de IA hace lo único que puede: inventa un público plausible, le atribuye un problema plausible y escribe treinta ideas categóricas para un negocio que podría ser cualquiera y un cliente que no existe. La versión «excelente» se ve más terminada. Parece más creíble. Pero la información sigue en cero. Por eso al usuario le parece aplicable: cualquier cosa así de genérica lo parecería.
Esto es lo que realmente ocurre después, y es el verdadero costo de todo este género de consejos: alguien ejecuta la versión «excelente» y obtiene treinta ideas genéricas que servirían igual para un consultorio dental, una taquería o un despacho de abogados.
Entonces, ¿qué lleva dentro un prompt que sí funciona? Veamos un ejemplo:
¿Notan qué es lo que de verdad hace el trabajo? No es la extensión. Son cinco elementos concretos.
Primero, nombra una especialización concreta, una descripción de puesto en lugar de un título de puesto: «valúa propiedades mixtas y comerciales en los corredores centrales de la Ciudad de México». No «un experto en bienes raíces». Con una especialización tan acotada se obtiene a alguien que ya sabe que la «preventa» no se valúa igual que el inventario titulado.
Segundo, le proporciona al modelo un vocabulario que no se puede esperar que maneje por sí solo: «uso de suelo», «preventa», precio de cierre frente a precio de oferta. Son las palabras que usa un especialista de este mercado. Si se le proporcionan, el modelo las usa correctamente. Si se omiten, esquiva el tema o finge dominarlo, y solo con ver el resultado no se puede distinguir cuál de las dos cosas hizo.
Tercero, nombra fuentes reales (CBRE México, JLL México, Softec, AMPI y el índice de la Sociedad Hipotecaria Federal) en lugar de dejar que «investiga esto» signifique lo primero que el modelo encuentre.
Cuarto, traza un límite de alcance: «Todavía no recomiendes un precio de lista». Una sola tarea, no cinco, y ninguna conclusión prematura disfrazada de respuesta.
Quinto, pide honestidad. Es la línea de mayor impacto de todo el prompt, ya sea sobre los supuestos del usuario o sobre los hallazgos de la IA. Y es la que la mayoría omite por completo: pedirle al modelo que sea honesto. La mayoría de los prompts premian la seguridad por defecto, porque las respuestas que suenan seguras dan la impresión de estar terminadas. Este pide lo contrario, a propósito.
Hay una segunda variable en la que la mayoría no piensa: qué modelo de IA usar. Mismo prompt, distintos modelos, distinta calidad, y la mayoría no sabría decir cuál debería estar usando. Por ejemplo, la mayoría de los usuarios de Claude no conoce la diferencia entre Sonnet 5, Opus 5, Fable 5 y Opus 4.8, de la generación anterior, ni qué nivel de esfuerzo usar con cada uno.
Tenía una presentación de PowerPoint elaborada igual que nuestros materiales de marca y quería mostrarle a alguien, en tiempo real, la diferencia práctica entre herramientas de IA. Di instrucciones idénticas a dos herramientas de IA en su versión gratuita y a una tercera en un plan de pago con su modelo más avanzado. Las versiones gratuitas no dan acceso a los mejores modelos: dirigen al usuario hacia el más ligero. Ambas versiones gratuitas produjeron el mismo fallo: texto superpuesto e ilegible. La de pago produjo un resultado limpio al primer intento. Mismas instrucciones, mismo archivo, distinto motor detrás del botón.
Definir qué modelo, qué nivel y qué configuración usar (búsqueda web activada o desactivada, cuánto esfuerzo de razonamiento invertir, qué archivos puede ver realmente el modelo) es esencial para que la IA produzca un resultado confiable.
Sin embargo, hay un techo por encima de todo lo descrito hasta ahora, y ninguna destreza para redactar prompts permite superarlo. Incluso el prompt inmobiliario anterior es una sola pregunta, formulada una vez, en una sola conversación. Y una conversación tiene límites estrictos: cuántos archivos se pueden adjuntar, cuántas imágenes, cuánto texto antes de que el modelo empiece a perder lo que se le dijo al principio. Eso sirve para una pregunta puntual.
Pero es la herramienta equivocada para cualquier trabajo que se prolongue durante semanas con documentos que se van acumulando: un análisis financiero, un estudio de mercado, una negociación en curso, el desarrollo de un proyecto, etc. Eso ya no es un problema de prompting. Es un problema estructural. Y la solución no es un mejor prompt puntual. Es lo que se conoce como un «agente».
Un agente puede ser un estratega (un chat dentro de una carpeta) o puede trabajar mientras usted duerme, conectado mediante una API y activado por un disparador en lugar de una solicitud. Se estructura en las seis secciones siguientes:
- Rol
- Define quién es: la misma jugada del prompt inmobiliario anterior, pero permanente en lugar de reescrita cada vez.
- Tarea
- Define lo único que produce, para quién y con qué estándar, para que el resultado no varíe según cómo se haya formulado la solicitud ese día.
- Especificaciones
- Contiene las reglas y el razonamiento detrás de cada una, porque una regla acompañada de su «porqué» se aplica correctamente a situaciones que nadie previó por escrito. Una regla sin razón se aplica de forma literal, y equivocada, la primera vez que se topa con una excepción.
- Contexto
- Le da el marco del negocio en el que opera: el cliente, adónde va su resultado después y lo que realmente le cuesta una respuesta débil a quien lo recibe.
- Ejemplos
- Es la sección de mayor impacto de las seis. Estos modelos imitan una calidad demostrada con mucha más fiabilidad que siguiendo una descripción escrita de ella. Un ejemplo excelente generaliza mejor de lo que jamás lo hará un párrafo de instrucciones.
- Notas
- Contiene las salvaguardas: formato, idioma y qué hacer cuando no sabe algo. Es el mismo instinto de «dame un rango, no una cifra tajante» del prompt inmobiliario, pero integrado de forma permanente en lugar de solicitado cada vez.
En conjunto, esto no es un juguete. Es un especialista plenamente informado: sin desviaciones, sin tener que volver a explicar nada, sin reentrenamiento.
Esa es la forma de lo que funciona ahora mismo dentro de nuestro negocio: agentes específicos y personalizados, cada uno con sus propios archivos según la situación de nuestros clientes. No es una herramienta que responde una pregunta una vez. Es un sistema en el que se confía para cumplir a lo largo del tiempo. Un especialista al que se puede interrogar a fondo y con el que se puede conversar y consultar en ambos sentidos con total eficiencia, porque sabe quién es usted y cuál es su situación.
El ejemplo de Deloitte
En julio de 2025, Deloitte Australia entregó una revisión de aseguramiento independiente de 237 páginas al Departamento Federal de Empleo y Relaciones Laborales.
El contrato tenía un valor de 440 000 dólares australianos. Un investigador de la Universidad de Sídney lo leyó y encontró referencias a trabajos académicos que no existían, incluido un libro atribuido a una profesora de derecho constitucional sobre un tema ajeno a su especialidad. También encontró una cita atribuida a un juez del Tribunal Federal. El juez nunca dijo eso.
Tres decisiones produjeron ese resultado, y ninguna la tomó una máquina.
La primera fue elegir el instrumento equivocado: una cadena de herramientas de IA generativa, Azure OpenAI GPT-4o. La propia declaración de Deloitte indica que la herramienta se usó para cubrir vacíos de trazabilidad y documentación; es decir, para producir fuentes. Un modelo generativo compone texto que se parece a una cita. No recupera una. Pedirle referencias es como pedirle a un novelista el manual de un coche.
Deloitte usó la herramienta equivocada.
La segunda fue la ausencia de un paso de verificación. Nadie en la cadena comprobó si esos trabajos citados existían. Un académico externo lo detectó en una sola lectura. Una sola verificación habría demostrado que las citas eran inventadas y que la herramienta no servía para esa tarea.
La tercera fue el silencio. El informe original no reveló nada, así que no había nada que corregir. La declaración apareció solo después de que los errores se hicieran públicos.
La senadora Deborah O'Neill lo calificó de «problema de inteligencia humana». El investigador que lo expuso no cuestionó la tecnología, sino lo que llamó una «metodología no experta».
No hubo explotación de vulnerabilidades, ni manipulación, ni un usuario con mala intención. La herramienta se comportó exactamente según su configuración. Se aplicó a la tarea equivocada, por personas que no sabían que era la tarea equivocada, y nadie en las etapas posteriores lo estaba verificando.
Lo instructivo es lo que hizo Deloitte después. No dejó de usar IA. En el mismo periodo, la firma anunció el despliegue de Claude entre casi 500 000 empleados en todo el mundo. El remedio para una IA mal configurada no es menos IA. Es alguien que sepa configurarla.
Lo cual nos devuelve al punto de partida. Saber qué va dentro de un prompt, qué modelo lo ejecuta y dónde termina el prompt único y empieza el agente es lo que elimina la ceguera y convierte la IA en una herramienta valiosa para los negocios.