Errores comunes de prompting
Los antipatrones que arruinan un prompt: sin contexto, todo en un paso, no versionar, validar por fluidez e ignorar la ventana de contexto.
// 3 min de lectura · ● updated 2026-07
// antes de leer
¿Qué es?
Los errores comunes de prompting son los antipatrones que hacen que un modelo de IA devuelva resultados mediocres, aunque sea capaz de mucho más. Casi siempre el problema no es el modelo: es cómo se le pidió.
Reconocer estos patrones te ahorra horas de "por qué no me hace caso". La mayoría se resuelven cambiando el prompt, no la herramienta.
Modelo mental
Un modelo de lenguaje completa lo que le das siguiendo patrones estadísticos. Cuando tu prompt tiene un hueco, el modelo no se detiene a preguntar: lo rellena con la continuación más probable según su entrenamiento. Un buen prompt no deja huecos peligrosos.
Los cinco antipatrones más frecuentes:
| Antipatrón | Qué pasa | Señal de que lo estás cometiendo |
|---|---|---|
| Prompt sin contexto | el modelo asume un caso genérico | "no era eso lo que quería" |
| Todo en un solo paso | un prompt gigante da un output mediocre | pediste 6 cosas y salieron 3 a medias |
| No versionar | pierdes la versión buena cuando el output empeora | "hace dos intentos estaba mejor" |
| Validar por fluidez | la IA termina la frase aunque sea falsa | lo aceptaste porque "sonaba bien" |
| Ignorar la ventana de contexto | en chats largos olvida instrucciones tempranas | dejó de respetar reglas que diste al inicio |
¿Cómo se usa?
Este no es un artículo para "usar" — es para diagnosticar. Por cada antipatrón, su arreglo:
1. Prompt sin contexto
❌ Mejora este texto.
✅ Mejora este texto para un público técnico. Objetivo: más claro y conciso. No cambies el significado ni agregues información nueva.
2. Todo en un solo paso
❌ Crea la landing, el backend, los tests y el deploy.
✅ Divídelo: primero la landing. Validas. Después el siguiente paso. Un prompt gigante produce un output mediocre en todo.
3. No versionar
Antes de iterar, guarda el prompt y el output que funcionaron. Si el siguiente intento empeora, vuelves al anterior — no reintentas a ciegas.
4. Validar por fluidez
La IA siempre termina la frase. Que suene coherente no significa que sea correcto. Verifica contra la fuente, sobre todo en código, datos y afirmaciones factuales.
Advertencia: El error más caro no es el prompt vago — es aceptar un resultado incorrecto porque "sonaba bien". La IA es fluida por diseño; la fluidez no es exactitud.
5. Ignorar la ventana de contexto
En conversaciones largas el modelo pierde fidelidad sobre las primeras instrucciones. Reafirma las reglas clave cuando el chat crece, o arranca una sesión nueva con un resumen del estado actual.
¿Cuándo usarlo / cuándo no?
Revisa esta lista cuando:
- Un resultado te decepcionó y no sabes por qué.
- Estás iterando muchas veces sin mejorar.
- Vas a documentar un prompt para reutilizarlo o compartirlo.
No te obsesiones cuando:
- Es una consulta exploratoria de una sola vez y el costo de un error es nulo.
- Estás haciendo brainstorming: ahí un poco de "desvío" del modelo puede sumar en vez de restar.
// relacionados