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. Algunos incluso creen que lo usan mejor que la mayoría porque han visto este tipo de publicaciones 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" se ve afilado. Es uno de los formatos más compartidos en redes sociales, y la mayoría de ese consejo solo le enseña a la gente a fracasar de forma más elaborada.
Lean esos tres otra vez, en orden. Veinte ideas se volvieron treinta. "Creativas" se volvió "altamente creativas, fuera de lo común". Se invocó a un "Director de Marketing de clase mundial". Y en las tres versiones, nada está realmente definido. Nadie dice qué vende el negocio en realidad, quién lo compra, o con qué está luchando realmente ese comprador. Ni una sola vez.
Entonces, el modelo de IA hace lo único que tiene disponible: inventa un público plausible, le asigna a ese público inventado un punto de dolor plausible, y escribe treinta ideas seguras de sí mismas para un negocio que podría ser cualquier cosa y un cliente que no existe. La versión "excelente" se ve más terminada. Se ve más creíble. Pero la información se quedó en cero. Así que parece aplicable para el usuario, como parecería cualquier cosa tan genérica.
Esto es lo que realmente pasa después, y es el verdadero costo de todo este género de consejos. Alguien corre la versión "excelente", obtiene treinta ideas genéricas que funcionarían igual de bien para un consultorio dental, una taquería o un despacho de abogados.
Entonces, ¿qué lleva dentro un solo prompt que sí funciona? Aquí un ejemplo:
¿Notan qué es lo que realmente está haciendo el trabajo? No es la extensión. Son cinco cosas específicas.
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". Una especialización así de estrecha te consigue a alguien que ya sabe que la "preventa" no se valúa como el inventario titulado.
Segundo, le entrega el vocabulario en el que no se puede confiar que el modelo piense por sí solo: "uso de suelo", "preventa", precio de cierre frente a precio de oferta. Estas son las palabras que un especialista en este mercado exacto realmente usa. Suminístralas, y el modelo las usa correctamente. Retenlas, y evita el tema o finge fluidez — y no se puede distinguir cuál de las dos cosas solo con ver el resultado.
Tercero, nombra fuentes reales — CBRE México, JLL México, Softec, AMPI, el índice de la Sociedad Hipotecaria Federal — en lugar de dejar que "investiga esto" signifique lo que sea que el modelo encuentre primero.
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 apalancamiento de todo el prompt. Ya sea sobre los supuestos del usuario o sobre los hallazgos de la IA. Y esta es la que la mayoría se salta por completo: decirle al modelo que sea honesto. La mayoría de los prompts premian la confianza por default, porque las respuestas que suenan seguras se sienten terminadas. Este pide lo contrario, a propósito.
Aquí 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 podría decirte cuál deberían estar corriendo. Por ejemplo, la mayoría de los usuarios de Claude no conocen la diferencia entre Sonnet 5, Opus 5, Fable 5, y el Opus 4.8 de la generación anterior, ni qué nivel de esfuerzo usar para correr cualquiera de ellos.
Tenía un PowerPoint construido de la forma en que se construyen nuestros materiales de marca, y quería mostrarle a alguien, en tiempo real, la brecha práctica entre herramientas de IA. Le di instrucciones idénticas a dos herramientas de IA en sus versiones gratuitas y a una en un plan de pago corriendo su modelo más avanzado. Las versiones gratuitas no te dan los mejores modelos. Te canalizan hacia el más ligero. Ambas versiones gratuitas produjeron la misma falla: texto encimado, ilegible. La de pago produjo un resultado limpio a la primera. Mismas instrucciones, mismo archivo, distinto motor detrás del botón.
Definir qué modelo, qué nivel, y qué configuración, búsqueda web activada o desactivada, cuánto esfuerzo de razonamiento gastar, 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 cantidad de destreza para escribir prompts te lleva más allá de él. Incluso el prompt de bienes raíces de arriba es una sola pregunta, hecha una vez, en una sola conversación. Y una sola conversación tiene límites duros: cuántos archivos puedes adjuntar, cuántas imágenes, cuánto texto antes de que el modelo empiece a perder lo que le dijiste al principio. Eso está bien para una pregunta de una sola vez.
Sin embargo, es completamente la herramienta equivocada para cualquier cosa que corra durante semanas con documentos acumulándose, 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 de una sola vez. Es lo que se conoce como un "Agente".
Un agente puede ser un estratega (un chat dentro de una carpeta), o puede trabajar mientras duermes — conectado por una API, corriendo con un disparador en lugar de con una solicitud. Se estructuran con las siguientes seis secciones:
- Rol
- Define quién es él — la misma jugada que el prompt de bienes raíces de arriba, hecha permanente en lugar de retecleada 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
- Lleva las reglas — y el razonamiento detrás de cada una, porque una regla con un "por qué" adjunto se aplica correctamente a situaciones que nadie anticipó 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 negocio dentro del cual está operando: el cliente, a dónde va su resultado después, qué le cuesta realmente una respuesta débil a la persona río abajo.
- Ejemplos
- Es la de mayor apalancamiento de las seis. Estos modelos imitan la calidad demostrada de forma mucho más confiable que como siguen una descripción escrita de ella. Un ejemplo excelente generaliza mejor de lo que jamás lo hará un párrafo de instrucciones.
- Notas
- Lleva las salvaguardas — formato, idioma, y qué hace cuando no sabe algo. El mismo instinto de "dame un rango, no un número seguro de sí mismo" del prompt de bienes raíces, excepto que aquí está construido de forma permanente en lugar de solicitado cada vez.
Juntas, eso no es un juguete. Es un especialista completamente informado — sin desviación, sin tener que reexplicar, sin reentrenamiento.
Esa es la forma de lo que realmente está corriendo, 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 entregar a lo largo del tiempo. Un especialista al que se le pueden hacer preguntas cruzadas, con el que se puede conversar y consultar de ida y vuelta para la máxima eficiencia, porque sabe quién eres y cuál es tu 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 A$440,000. Un investigador de la Universidad de Sídney lo leyó y encontró referencias a trabajos académicos que no existían, incluyendo un libro atribuido a una profesora de derecho constitucional sobre un tema fuera de su campo. También encontró una cita atribuida a un juez de la Corte 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 divulgación de Deloitte dice que la herramienta se usó para atender 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 que provea referencias es como pedirle a un novelista un manual de coche.
Deloitte usó la herramienta equivocada.
La segunda fue la ausencia de un paso de verificación. Nadie en la cadena revisó si esos trabajos citados existían. Un académico externo lo detectó en una sola lectura. La falla no fue que el modelo produjera una afirmación no verificada, fue no entender el propósito de la herramienta que estaban usando.
La tercera fue el silencio. El reporte original no reveló nada, así que no había nada que corregir. La divulgación apareció solo después de que los errores se hicieron públicos.
La senadora Deborah O'Neill lo llamó un "problema de inteligencia humana". El investigador que lo expuso no objetó la tecnología, sino lo que llamó una "metodología no experta".
No hubo exploit, ni manipulación, ni un usuario con mala intención. La herramienta se comportó exactamente como estaba configurada. Se apuntó a la tarea equivocada, por gente que no sabía que era la tarea equivocada, y nadie río abajo estaba verificando.
La parte instructiva es lo que hizo Deloitte después. No dejó de usar IA. En el mismo periodo, la firma anunció un 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 cómo configurarla.
Lo cual nos regresa a donde empezamos. Saber qué va dentro de un prompt, saber qué modelo lo corre, saber dónde termina el prompt único y empieza el agente, es lo que elimina la ceguera y hace de la IA una herramienta valiosa para los negocios.