El error que comete casi todo el mundo al usar ChatGPT y cómo corregirlo en un minuto
Y no lo es. Ni de lejos.
Los modelos de lenguaje grande —ChatGPT, Claude, Gemini y compañía— son motores de predicción de texto. Si la instrucción es vaga, el modelo rellena los huecos con el promedio de internet. El resultado: respuestas insípidas que suenan a enciclopedia de bajo coste. Datos recopilados por Google confirman la dimensión del problema: los prompts que dan buenos resultados tienen una media de 21 palabras e incluyen contexto, mientras que la mayoría de los usuarios escribe menos de 9. Ahí está la brecha.
El método de los cinco pasos que lo cambia todo
La buena noticia es que corregir este error lleva poco tiempo. La industria ha estandarizado una fórmula conocida como RTCFR que convierte cualquier petición mediocre en una instrucción precisa. No hace falta ser ingeniero ni programador. Solo hay que estructurar lo que pides en cinco piezas, siempre en el mismo orden.
La primera es el Rol. Dile a la IA quién es antes de pedirle nada. No es lo mismo escribir "hazme una dieta" que empezar con "eres un nutricionista deportivo con experiencia en runners populares". El tono, el vocabulario y el nivel de detalle cambian por completo con una sola frase.
La segunda es la Tarea. Aquí va el trabajo concreto, formulado con un verbo de acción claro. No "algo sobre marketing", sino "redacta un correo de seguimiento para un cliente que no ha respondido en diez días". Cuanto más específico, mejor.
La tercera pieza es el Contexto. Todo aquello que la IA necesita saber para no inventar: quién va a leer el resultado, qué recursos tienes, cuál es el objetivo real. Un opositor en Zaragoza que prepara el temario de administrativo del Estado no necesita la misma respuesta que un estudiante de Derecho en la Universidad de Zaragoza repasando mercantil. Si no aportas ese marco, el modelo asume. Y cuando asume, se equivoca.
Cuarta pieza: el Formato. ¿Quieres una tabla comparativa? ¿Una lista de cinco puntos? ¿Un texto corrido de 300 palabras? Decirlo de antemano evita tener que rehacer la petición tres veces. Un detalle que parece menor pero que ahorra una cantidad absurda de tiempo.
Y la quinta son las Restricciones. Los límites que le pones a la IA: "no uses tecnicismos", "máximo 200 palabras", "no inventes datos que no estén en el documento que te adjunto". Sin restricciones, el modelo tiende a irse por las ramas. Con ellas, se ajusta como un guante.
Eso es todo. Cinco piezas. Un minuto de preparación antes de darle a enviar. La diferencia entre obtener un borrador inservible y una respuesta que puedes usar tal cual es, casi siempre, esa inversión mínima de tiempo.
Técnicas avanzadas para quienes quieran ir más allá
El método RTCFR funciona como base, pero existen atajos adicionales que multiplican la calidad de las respuestas. Tres de ellos han demostrado resultados medibles.
El primero se llama Cadena de Pensamiento. Consiste en pedirle a la IA que razone paso a paso antes de dar su respuesta final. Algo tan sencillo como añadir "explícame tu razonamiento antes de darme la conclusión" puede mejorar la precisión en tareas lógicas hasta en un 50 %. Funciona especialmente bien con problemas matemáticos, análisis de datos o comparativas complejas.
El segundo es el Few-Shot Prompting. Antes de hacer la pregunta real, le das a la IA dos o tres ejemplos del resultado que esperas. Imagina que necesitas que redacte fichas de producto para una tienda online de Zaragoza: le muestras dos fichas ya hechas a tu gusto, le explicas la estructura y luego le pides que genere las siguientes. La precisión sube hasta un 30 % con este truco.
El tercero, menos conocido, es la Auto-Consistencia. Le pides al modelo que genere tres respuestas distintas al mismo problema y que seleccione la mejor. Una especie de segunda y tercera opinión internas. Ideal para decisiones importantes donde un error tiene consecuencias —un presupuesto, una reclamación, un diagnóstico inicial en una consulta de Salud Aragón—.
No todos los modelos funcionan igual
Otro error habitual es tratar a todos los chatbots como si fueran la misma herramienta con distinto nombre. No lo son. Claude, desarrollado por Anthropic, rinde especialmente bien en análisis de documentos largos y razonamientos complejos. Si tienes que revisar un contrato de 40 páginas o un informe del Gobierno de Aragón, probablemente sea tu mejor opción. Gemini, de Google, penaliza la ambigüedad pero destaca cuando le proporcionas datos estructurados o documentos internos. ChatGPT sigue siendo el más versátil para tareas creativas y conversación natural.
Adaptar el prompt a las fortalezas de cada modelo es parte de la disciplina. No se trata solo de qué preguntar, sino de a quién se lo preguntas y cómo.
El siguiente paso: la IA que programa a otra IA
Todo esto, eso sí, evoluciona rápido. El Prompt Engineering ya no se limita a escribir instrucciones en una ventana de chat. Los sistemas RAG —Generación Aumentada por Recuperación— permiten conectar la IA a bases de datos internas de una empresa para que responda exclusivamente con información verificada, sin inventar nada. Para una cooperativa agroalimentaria del Bajo Aragón o una asesoría fiscal en el centro de Huesca, eso significa poder consultar su propia documentación con lenguaje natural.
Además, empieza a cobrar fuerza el Meta-prompting: usar un modelo de IA avanzado para generar, evaluar y refinar los prompts que recibirá otro modelo. Una IA que optimiza las instrucciones de otra IA. Suena a ciencia ficción, pero ya se aplica en entornos profesionales y en centros de innovación como Etopia en Zaragoza.
La conclusión práctica es sencilla. La próxima vez que abras ChatGPT, Claude o Gemini, dedica un minuto a estructurar tu petición con las cinco piezas del método RTCFR. Rol, Tarea, Contexto, Formato, Restricciones. Ese minuto te va a ahorrar veinte de reescrituras, correcciones y frustraciones. Y si el resultado te sorprende, no es que la IA haya mejorado de repente. Es que tú le has hablado mejor.
