Únete gratis

Diagnosticar por qué un prompt funciona mal

Autor: AILesson7 min de preparaciónProbado con:ChatGPTRevisado el: 2026-08-28

Respuesta rápida

Compara la intención, las entradas, las instrucciones y los resultados reales para identificar modos de fallo respaldados por evidencia en lugar de adivinar. Proporciona: Prompt y tarea prevista, Entradas y resultados reales, Restricciones de evaluación. Resultado esperado: Un diagnóstico ordenado por prioridad, correcciones mínimas y pruebas de nueva ejecución vinculadas a los fallos observados.

1

Añade tu contexto

Tu texto permanece en este navegador. AILesson Prompts no lo envía a un modelo ni a un servidor.

2

Tu prompt

Los campos sin rellenar permanecen visibles como marcadores de posición, para que puedas copiar y editar el prompt

Diagnostica por qué el prompt proporcionado funciona mal usando las ejecuciones reales como evidencia.

Prompt exacto, instrucciones circundantes, uso previsto, modelo/ajustes y criterios de éxito:
[prompt]

Entradas y resultados representativos con fechas:
[runs]

Cambios permitidos, límites, datos/herramientas, comportamiento obligatorio y restricciones conocidas:
[constraints]

Vincula cada fallo observado con la causa plausible más pequeña atribuible al prompt, la entrada, el contexto, la evaluación, la herramienta o el modelo. Comprueba si hay ambigüedad en la tarea, evidencia ausente, instrucciones contradictorias, pasos sobrecargados, prioridades mal ubicadas, terminología sin definir, delimitadores deficientes, resultados insuficientemente especificados, ausencia de tratamiento para las incógnitas, ejemplos que enseñan un patrón equivocado y criterios de éxito que no pueden observarse. Distingue las causas confirmadas de las hipótesis; no culpes al azar ni al modelo sin evidencia comparativa. No reescribas nada hasta completar el diagnóstico. Devuelve: tabla de intención frente a observación; modos de fallo ordenados por prioridad con evidencia citada, nivel de confianza y explicación alternativa; cláusulas del prompt que ayudan o perjudican; defectos de entrada y evaluación; modificación mínima para cada problema de alta confianza; prompt revisado; y matriz de nuevas ejecuciones que aísle un solo cambio cada vez.
Probar en Playground
Privado de forma predeterminadaLa preparación del prompt se realiza localmente en tu navegador. Evita introducir información confidencial en cualquier servicio de IA, a menos que tu organización lo permita.

De la entrada al resultado

Un ejemplo completo

Mira cómo un contexto concreto convierte esta receta en un resultado que puedes usar

Entrada real

Prompt y tarea prevista
Prompt: «Eres un agente experto de soporte. Lee el ticket y escribe una respuesta perfecta y concisa. Muestra empatía, resuelve el problema y nunca cometas errores». Destinado a borradores de primera respuesta que revisará el personal. Modelo: ChatGPT, ajustes predeterminados, 27 de agosto de 2026. Criterios de éxito: precisión, utilidad, menos de 120 palabras y ninguna afirmación no autorizada sobre reembolsos o causas.
Entradas y resultados reales
Ejecución 1, entrada: el cliente dice que la exportación falló dos veces con E17 y solicita un reembolso; no se incluye la política. El resultado se disculpa por una interrupción del servidor y concede un reembolso completo. Ejecución 2: el cliente no encuentra la factura; no se incluye el tipo de cuenta. El resultado indica una ruta de navegación que solo es válida para cuentas Business. Ejecución 3: el cliente informa de que la carga es lenta tras una actualización; el resultado pregunta por las versiones del sistema operativo y de la aplicación y evita afirmar una causa, pero tiene 154 palabras. La persona revisora califica las ejecuciones 1 y 2 como inseguras y la 3 como útil, pero larga.
Restricciones de evaluación
Solo puede cambiarse el prompt del usuario. Las entradas varían y a menudo no incluyen la política, el plan, la versión ni acceso a herramientas. El modelo no puede consultar cuentas. Debe preguntar por los datos que falten en vez de suponerlos. Una sola respuesta de menos de 120 palabras; el personal siempre la revisa.

Ejemplo de salida

Intención frente a observación: las ejecuciones 1 y 2 incumplen los criterios de no autorizar ni suponer; la ejecución 3 cumple la seguridad factual, pero incumple el límite de longitud.

Diagnóstico ordenado: (1) Confianza alta: «resuelve el problema» entra en conflicto con la falta de datos sobre políticas y cuentas, y presiona al modelo para que complete una resolución; la evidencia son dos resoluciones diferentes sin respaldo. Corrección mínima: exigir próximos pasos respaldados y un tratamiento explícito de la información desconocida. (2) Alta: «experto» y «nunca cometas errores» no definen permisos ni comprobaciones; no aportan ningún control observable. Elimínalos. (3) Alta: «concisa» entra en conflicto con la ausencia de un límite numérico dentro del prompt; la ejecución 3 tiene 154 palabras. Incluye ≤120 palabras en el contrato de salida. (4) Media: la falta de campos de entrada estructurados facilita pasar por alto la ausencia del plan o la política; añade un bloque de evidencia o una instrucción sobre la información que falte. La variabilidad del modelo es una explicación alternativa posible, pero no está demostrada.

Prompt revisado: «Redacta un único mensaje de primera respuesta de soporte de no más de 120 palabras usando únicamente el ticket y los datos proporcionados sobre políticas y cuentas. Reconoce el problema observado sin atribuirle una causa no confirmada. No apruebes reembolsos, créditos, sustituciones ni cambios en la cuenta salvo que una regla explícita proporcionada los autorice. No afirmes haber consultado herramientas ni el estado de la cuenta. Si falta algún plan, versión, política o resultado necesario, formula como máximo dos preguntas concretas y ofrece únicamente pasos seguros respaldados por la entrada. Conserva los códigos de error exactos. Devuelve solo el mensaje».

Nuevas ejecuciones: primero añade las reglas sobre información desconocida y autoridad a las ejecuciones 1 y 2; después añade el contrato de longitud a la ejecución 3; por último, prueba una entrada con autorización explícita de reembolso para comprobar que la salvaguarda no impide una acción permitida.

Por qué funciona

  1. 1

    La evidencia de ejecuciones reales distingue los defectos del prompt de la falta de datos de entrada y la insatisfacción subjetiva.

  2. 2

    Las nuevas ejecuciones con un solo cambio permiten atribuir las mejoras, en vez de agrupar varias conjeturas.

Comprueba el resultado

  • ¿Cada diagnóstico de alta confianza cita un fallo repetido o directamente rastreable?

  • ¿Se mantienen diferenciadas las causas relacionadas con el prompt, la entrada, la persona evaluadora, la herramienta y el modelo?

  • ¿Permite la matriz de nuevas ejecuciones determinar qué modificación causó una mejora o una regresión?

Úsalo con confianza

Preguntas frecuentes

Respuestas prácticas sobre cuándo usar esta receta, qué debes proporcionar y en qué casos la revisión humana sigue siendo importante

¿Qué debo preparar antes de usar «Diagnosticar por qué un prompt funciona mal»?

Para «Diagnosticar por qué un prompt funciona mal», prepara el prompt y la tarea prevista, las entradas y los resultados reales, y las restricciones de evaluación. Sustituye los marcadores de posición únicamente con información que puedas verificar. Si se desconoce algún detalle, expresa esa incertidumbre de forma explícita en vez de pedir al modelo que lo deduzca.

¿Cuándo no está listo para usarse el resultado de «Diagnosticar por qué un prompt funciona mal»?

El resultado no está listo si aún no permite obtener, a partir de la evidencia proporcionada, el resultado indicado —un diagnóstico ordenado por prioridad, correcciones mínimas y pruebas de nueva ejecución vinculadas a los fallos observados— o si depende de supuestos sin resolver, aprobaciones pendientes o detalles inventados. Usa las comprobaciones como criterios de autorización para publicarlo; corrige los datos de origen o asigna la revisión a una persona identificada y autorizada, en lugar de pulir un resultado sin respaldo.

¿Qué herramientas de IA tienen pruebas registradas para «Diagnosticar por qué un prompt funciona mal»?

El registro de pruebas publicado para «Diagnosticar por qué un prompt funciona mal» incluye ChatGPT a fecha de 2026-08-28. Esto confirma que se realizaron ejecuciones registradas, no garantiza la compatibilidad ni resultados idénticos en versiones posteriores del producto. Si usas otra herramienta o versión, mantén visibles todas las restricciones y repite las comprobaciones del resultado antes de usarlo.

Más formas de explorar

Dónde encaja esta receta

Indicaciones de textoRetroalimentación y revisiónDiseño de indicacionesPara escritores

Mantén el trabajo en marcha

AILesson · Cursos recomendados

Tu próximo paso: pon la IA a trabajar

Pasa de entender la IA a poner manos a la obra. Practica cómo dar instrucciones, revisar y mejorar resultados con lecciones interactivas para el trabajo y la vida cotidiana.

Explora todos los cursos
Portada de IA para principiantes

15 lecciones interactivas

IA para principiantes

Inicia una conversación útil con la IA, mejora la respuesta, comprueba lo importante y reconoce cuándo te corresponde dar el siguiente paso.

Explora este curso
Portada de Fundamentos de ChatGPT

10 lecciones interactivas

Fundamentos de ChatGPT

Aprende a usar ChatGPT mediante tres flujos de trabajo prácticos: completa una primera conversación, trabaja con un archivo y usa Projects para llevar un plan comprobado a una nueva conversación.

Explora este curso
Portada de Cómo funciona la IA generativa

7 lecciones interactivas

Cómo funciona la IA generativa

Comprende cómo los chats de IA habituales aprenden patrones del lenguaje, usan los mensajes actuales, construyen respuestas e incorporan fuentes y herramientas.

Explora este curso