Prompts: en qué coinciden OpenAI, Anthropic y Google

No existen los prompts mágicos, existen las instrucciones claras

Leídas en paralelo, las guías oficiales de OpenAI, Anthropic y Google para sacar partido a ChatGPT, Claude y Gemini repiten casi las mismas seis ideas: sé claro, da contexto, enseña con ejemplos, define un rol, separa las partes del prompt y divide lo complicado en varios pasos. Ninguna de las tres empresas vende atajos: venden método.

Para un founder esto importa más de lo que parece. Si tu equipo usa IA a diario pero los resultados son inconsistentes, el problema casi nunca es el modelo. Es la instrucción. Y las tres compañías que construyen esos modelos coinciden en qué hay que corregir.

¿Qué significa ser «claro» en un prompt?

Significa decir exactamente qué quieres, con qué límites y en qué formato, sin esperar que el modelo lo adivine. Las tres guías lo ponen en primer lugar de sus recomendaciones.

Anthropic propone una imagen útil: trata al modelo como a un empleado brillante pero recién llegado, que no conoce tus normas ni tu forma de trabajar. Y añade una regla de oro: enséñale tu prompt a un compañero con poco contexto sobre la tarea. Si él se perdería, el modelo también.

Google suma dos piezas concretas a esa claridad: las restricciones (por ejemplo, «resume este texto en una frase») y el formato de respuesta (tabla, lista, párrafo, palabras clave). Para sus modelos más recientes pide ser preciso y directo, y evitar el lenguaje innecesario o excesivamente persuasivo. Es decir, sobran las súplicas y las mayúsculas.

OpenAI va en la misma línea: sus modelos funcionan mejor con instrucciones explícitas sobre cómo completar la tarea.

Un detalle práctico de Anthropic que mejora mucho los resultados: di lo que quieres en lugar de lo que no quieres. En vez de «no uses listas», pide «responde en párrafos de prosa».

¿Por qué importa explicar el porqué de una instrucción?

Porque el modelo generaliza mejor cuando entiende la razón. Anthropic lo ilustra con un ejemplo: «nunca uses puntos suspensivos» funciona peor que «tu respuesta la leerá en voz alta un sintetizador de voz, así que no uses puntos suspensivos, porque no sabrá pronunciarlos».

Google lo plantea como añadir contexto: incluir la información que el modelo necesita para resolver el problema en lugar de suponer que ya la tiene. OpenAI recuerda que el contexto sirve también para dar acceso a datos que el modelo no vio en su entrenamiento o para limitar la respuesta a las fuentes que tú eliges.

Hay un matiz interesante sobre dónde colocarlo. Con documentos largos, Anthropic y Google recomiendan poner primero el material y la pregunta al final. Anthropic afirma que, en sus pruebas, colocar la consulta al final puede mejorar la calidad de la respuesta hasta un 30% con entradas complejas de varios documentos. Google sugiere enlazar ambas partes con una frase de transición del tipo «basándote en la información anterior…».

Los ejemplos valen más que las explicaciones

Si quieres un formato o un tono concreto, enséñalo con ejemplos en lugar de describirlo. Es la técnica en la que las tres guías son más enfáticas.

Google llega a decir que recomienda incluir siempre ejemplos y que, si son lo bastante claros, puedes quitar instrucciones. Pero avisa de un riesgo: con demasiados, el modelo puede ajustarse en exceso a ellos. Anthropic propone de 3 a 5 ejemplos que sean relevantes, variados (para que el modelo no copie patrones accidentales) y bien delimitados. OpenAI pide mostrar un rango diverso de entradas posibles con su salida deseada.

En la práctica: si quieres que un chatbot resuma correos con tu estilo, pégale dos o tres resúmenes que te gusten. Funciona mejor que tres párrafos explicando cómo te gustan.

Rol y estructura: cómo darle un esqueleto al prompt

Un rol breve y una estructura con secciones separadas ayudan al modelo a no mezclar instrucciones, datos y ejemplos. Las tres guías lo recomiendan, con distintos grados de detalle.

• OpenAI propone un orden para las instrucciones de sistema: identidad (propósito y estilo), instrucciones (qué hacer y qué no), ejemplos y contexto. Sugiere separar las secciones con encabezados de Markdown y usar etiquetas XML para delimitar dónde empieza y acaba cada documento.
• Anthropic dice que fijar un rol, incluso una sola frase, ya cambia el resultado, y aconseja envolver cada tipo de contenido en su etiqueta, como <instrucciones> o <contexto>.
• Google pide elegir un formato de separación y mantenerlo de forma coherente dentro del prompt.

¿Cuándo conviene dividir una tarea en varios prompts?

Cuando la tarea tiene pasos encadenados o quieres revisar los resultados intermedios. Google recomienda crear un prompt por instrucción, encadenar prompts (la salida de uno es la entrada del siguiente) o repartir partes de los datos y agregar después los resultados.

Anthropic matiza que sus modelos ya resuelven internamente buena parte del razonamiento en varios pasos, pero que encadenar sigue siendo útil cuando necesitas inspeccionar lo intermedio. Su patrón más común es la autocorrección: borrador, revisión contra unos criterios y versión final, cada paso por separado. Aplicado al chat, es tan sencillo como pedir primero un esquema, corregirlo tú y solo después pedir el texto.

Las tres guías comparten una última idea que casi nadie aplica: iterar y medir. Google insiste en que diseñar prompts es un proceso iterativo; OpenAI recuerda que las respuestas no son deterministas y recomienda crear pruebas para medir cómo se comporta un prompt a medida que lo cambias; Anthropic empieza su guía pidiendo definir antes qué es un buen resultado.

El contexto ya no se escribe solo en la ventana de chat

La lectura de fondo es que el «prompt engineering» como oficio esotérico se está desinflando. Lo que recomiendan las tres empresas es, en esencia, lo mismo que pedirías a un buen encargo profesional: objetivo claro, contexto, un ejemplo de lo esperado y el formato de entrega. La diferencia con un compañero humano es que el modelo no te pedirá aclaraciones por iniciativa propia en la mayoría de los casos.

Y hay una segunda capa que va más allá de redactar mejor. Según BlogThinkBig, el Model Context Protocol (MCP), presentado por Anthropic a finales de 2024 y adoptado después por firmas como Google, Microsoft o Cloudflare, resuelve la conexión entre los modelos y los datos externos con una lógica parecida a la del USB-C: un puerto común en lugar de un conector a medida por cada herramienta. Eso es lo que permite que un asistente consulte bases de datos, gestores de tareas o sistemas internos sin reprogramar la integración cada vez.

El movimiento ya llegó al software empresarial. Según Unite.AI, el 13 de octubre de 2026 Workday y Anthropic anunciaron una alianza en la que Claude y los agentes de Sana AI intercambian información y tareas mediante MCP, de modo que el trabajo continúa en lugar de empezar de nuevo al cambiar de plataforma. Workday afirmó que más de 11.500 organizaciones, incluido más del 65% de las empresas Fortune 500, confían en su plataforma.

El dato que explica por qué las tres empresas invierten en esto: según el Ramp AI Index que recoge Cinco Días, la adopción de Anthropic en empresas de Estados Unidos alcanzó el 34,4% en abril, por delante del 32,3% de OpenAI y del 4,5% de Google. La adopción general de IA en el ámbito empresarial llegó al 50,6%. Cuando el uso corporativo se vuelve masivo, la calidad de las instrucciones deja de ser un detalle de power users y pasa a ser infraestructura.

Qué significa esto para tu startup

Si tu equipo ya usa IA todos los días, el cuello de botella no es el acceso al modelo: es la falta de un estándar interno para pedirle cosas. Estas son las acciones que puedes ejecutar esta semana.

• Escribe un prompt maestro por tarea recurrente. Elige las tres tareas que más repites (resumir correos, redactar propuestas, analizar feedback de clientes) y define para cada una: objetivo, restricciones, formato de salida y dos ejemplos de resultado deseado. Guárdalos como archivos versionados, no como texto suelto en un chat.
• Define el criterio de éxito antes de optimizar. Anthropic pide empezar por ahí y OpenAI recomienda crear evaluaciones. Antes de tocar una palabra del prompt, escribe qué output considerarías correcto. Sin esa vara no puedes saber si una iteración mejoró o empeoró.
• Pide primero el esquema, luego el texto. El patrón de autocorrección de Anthropic es el más rentable para trabajo real: esquema, revisión tuya, versión final. Reduce el retrabajo y te obliga a pensar la estructura antes de que el modelo la invente.
• Migra las instrucciones críticas fuera del chat. Si tu equipo repite el mismo contexto en cada conversación, ese contexto pertenece a un archivo de instrucciones o a una herramienta conectada por MCP. Es la diferencia entre usar IA y tener un proceso con IA.

La conclusión práctica es incómoda para quien vende plantillas milagrosas: lo que de verdad mueve la aguja no es una lista de 100 prompts, sino conectar el modelo con tus datos y escribir peticiones que se entiendan a la primera. Las tres empresas explican gratis cómo hacerlo.

Fuentes

• Cómo escribir buenos prompts: las técnicas en las que coinciden OpenAI, Anthropic y Google
• El enchufe universal de la IA: qué es el protocolo MCP
• Workday y Anthropic conectan Claude con los agentes de RR. HH. y finanzas de Sana
• Anthropic supera a OpenAI en penetración en las empresas por primera vez