2. El Arte del Prompting
Uso de Inteligencia Artificial para la
Mejora del Plan de Clase
La irrupción masiva de los modelos de lenguaje de gran escala (Large Language Models, LLMs) como ChatGPT, Claude, Gemini o Copilot ha transformado radicalmente la forma en que los seres humanos interactúan con los sistemas informáticos. A diferencia del paradigma clásico, en el que la computadora respondía a comandos precisos y formales, los LLMs pueden recibir instrucciones en lenguaje natural y generar respuestas complejas, creativas y contextualizadas. Esta nueva interfaz convierte la calidad de la instrucción —el prompt— en el principal factor determinante de la calidad del output obtenido.
La ingeniería de prompts (prompt engineering) como el proceso de diseñar, refinar y optimizar las entradas o instrucciones que se proporcionan a un sistema de IA generativa con el objetivo de obtener respuestas precisas, relevantes y de alta calidad.
Schulhoff et al. (2025)
Prompt
Es una instrucción o entrada de texto que proporcionamos a un modelo de IA para guiar la respuesta que nos ofrezca. Es, en esencia, el medio a través del cual formulamos nuestras peticiones o preguntas. La clave es que sea claro y específico para obtener resultados útiles.
Elementos de un Buen Prompt
Restricciones y Condiciones
Tarea
Formato
Define claramente lo que esperas
del modelo de IA, utilizando verbos de acción como discutir, comparar, diseñar o evaluar para dar una dirección clara y específica a tu petición.
Límites explícitos que el docente impone al modelo para acotar el espacio de respuestas posibles y garantizar que el output se ajusta a sus necesidades pedagógicas y contextuales.
Especificar el formato de la respuesta deseada (como un resumen, una lista de viñetas, un ensayo corto de 400 palabras)
Contexto
Persona
Tono
Este componente se refiere al estilo y la forma en que deseas que se genera la respuesta. Puede ser formal, informal, técnico, amigable, etc. El tono adecuado puede hacer que la respuesta sea más accesible y apropiada para el contexto en el que se va a utilizar.
Podemos indicar desde qué perspectiva personal o rol queremos que genere la respuesta.
Se refiere al escenario y las circunstancias en las que debe realizar la tareaa
Ejemplo
Específicos de lo que estás buscando, ofrece al modelo una referencia clara de lo que consideras una buena respuesta. Esto mejora la precisión y la coherencia de las respuestas generadas.
Consideraciones...
El prompting no es simplemente una habilidad técnica: es un acto pedagógico. Cada instrucción que se entrega a la IA es una decisión didáctica que refleja los objetivos de aprendizaje, el perfil del estudiantado, el nivel de la asignatura y los valores educativos del docente.
Qian (2025), en una revisión sistemática sobre prompting en educación publicada en Journal of Educational Technology & Society, concluye que “la efectividad de las herramientas de IA generativa en educación depende en gran medida de la ingeniería de prompts: el diseño de entradas e interacciones que guían a los sistemas de IA a producir respuestas relevantes y de alta calidad” (p. 3).
Estructura práctica de un buen prompt en Guía práctica de aplicación de la IA (p. 13)
La figura de la izquierda representa una propuesta de orden e importancia de los elementos del prompt.
Resumen de los elementos de un buen prompt
Técnicas de Prompting
Instrucción directa sin ejemplos previos
Básica
Zero-Shot
Proporciona 1-8 ejemplos del tipo de respuesta esperada.
Media
Few-Shot
Solicita razonamiento explícito paso a paso
Media-Alta
Chain-of-Thought
Asigna una identidad experta sostenida al modelo
Media
Role Prompting
Document Context
Restringe las respuestas a documentos propios del docente
Alta
Consideraciones para la creación de prompt
El dominio técnico del prompting, aunque necesario, no es condición suficiente para un uso responsable de la IA en la docencia. Sahoo et al. (2024) advierten que ninguna técnica de prompting garantiza outputs libres de sesgos, alucinaciones o errores factuales: “los LLMs pueden generar texto que suena convincente pero que es factualmente incorrecto”, por lo que la verificación crítica de todo output generado por IA es una responsabilidad irrenunciable del docente. Esta verificación incluye contrastar los datos con fuentes primarias, revisar la coherencia interna del argumento generado y evaluar la pertinencia pedagógica del material antes de incorporarlo al plan de clase.
No te olvides de...
Usa instrucciones claras y directas
Permite que el modelo te haga preguntas
Proporciona ejemplos concretos
Repite aspectos importantes
Usa palabras como Debes o Tu tarea es...
Proporcionar contexto
Divide solicitudes complejas
Empatía y recompensas
Incluye la pregunta en la respuesta
Tómate tu tiempo
Para profundizar en las Técnicas de Prompting te invito a consultar la siguiente página -->
¡Gracias por su atención!
No te olvides de prácticar los conocimientos del curso.
Pueden ser: restricciones de extensión (máximo 300 palabras), de tono (lenguaje académico, sin jerga disciplinar, accesible para principiantes), de alcance (solo basarse en los documentos adjuntos), de idioma (responder en español formal), o de perspectiva (incluir enfoque de género, incorporar la normativa mexicana vigente). Según Sahoo et al. (2024), las restricciones bien formuladas reducen las alucinaciones —es decir, las respuestas incorrectas o inventadas por el modelo— y mejoran la fiabilidad del output.
Es la información de fondo que permite al modelo comprender la situación específica en la que se formula la solicitud. Incluye información sobre: el nivel educativo (bachillerato, licenciatura, posgrado), la disciplina o asignatura, el perfil del estudiantado (nivel de conocimientos previos, tamaño del grupo, posibles barreras de acceso), las limitaciones de tiempo y recursos, y el contexto institucional. Qian (2025) demuestra que el priming contextual mejora sustancialmente la precisión y la relevancia práctica de los outputs en contextos educativos, especialmente cuando el docente especifica el nivel de complejidad esperado o el perfil del público destinatario del material generado.
Al indicarle al sistema que “actúe como” un determinado perfil experto, el docente orienta el tono, el nivel de profundidad y el tipo de vocabulario que el modelo utilizará en su respuesta. Este principio se conoce en la literatura como role prompting o persona prompting. Schulhoff et al. (2025) documentan que los prompts de rol mejoran la pertinencia de las respuestas en tareas que requieren perspectivas especializadas, como la redacción académica, el análisis jurídico o la planificación didáctica.
La especificación explícita del formato deseado para la respuesta es uno de los elementos más frecuentemente omitidos en prompts noveles, y uno de los que mayor impacto tiene en la utilidad práctica del output. Los docentes pueden solicitar la respuesta en formatos específicos: tabla comparativa, lista numerada, plan de clase con secciones definidas, párrafo explicativo, rúbrica con niveles de desempeño, diálogo entre personajes históricos, etc. Schulhoff et al. (2025) documentan que la inclusión de instrucciones de formato reduce la variabilidad de los outputs y aumenta su utilidad para usuarios no expertos en IA.
El uso de verbos de acción precisos —redacta, analiza, compara, genera, resume, diseña, clasifica, explica— reduce la ambigüedad e incrementa la alineación entre la intención del usuario y el output generado. Sahoo et al. (2024) subrayan que la especificidad en la formulación de la tarea es uno de los predictores más sólidos de la calidad del resultado.
El último elemento esencial es la especificación del tono comunicativo y la audiencia destinataria. El mismo contenido puede generarse con un tono formal académico, divulgativo, motivacional, socrático o conversacional, dependiendo del uso que el docente hará del material. Qian (2025) documenta que la especificación del tono, junto con la simplificación del lenguaje y la incorporación de metadatos sobre el destinatario (nivel educativo, conocimientos previos, expertise disciplinar), permite a los modelos generar outputs más precisos y alineados con la audiencia objetivo.
Según Sahoo et al. (2024), el zero-shot prompting es “la forma más simple e intuitiva de interactuar con los LLMs: el usuario formula una pregunta o instrucción directa y el modelo responde sin necesidad de ejemplos adicionales” (p. 5). Su limitación principal radica en que la calidad del output depende críticamente de la calidad de la instrucción formulada.
Consiste en proporcionar al modelo uno o varios ejemplos (shots) del tipo de tarea y respuesta esperada antes de formular la solicitud principal. Al ver ejemplos concretos, el modelo infiere el patrón de la tarea y lo aplica a la nueva solicitud. La denominación incluye variantes según el número de ejemplos: one-shot (un ejemplo) y few-shot (entre dos y ocho ejemplos, según la literatura).
La técnica de cadena de pensamiento (chain-of-thought prompting, CoT) fue propuesta formalmente por Wei et al. (2022). La técnica consiste en incluir en el prompt instrucciones explícitas para que el modelo descomponga su proceso de razonamiento en pasos intermedios antes de presentar la respuesta final. Esta descomposición simula el razonamiento step-by-step que los seres humanos utilizamos para resolver problemas complejos.
Es una técnica en la que el usuario asigna explícitamente una identidad, perspectiva o perfil de experto al modelo antes de formular la solicitud.
Consiste en proporcionar al modelo uno o más documentos como base de conocimiento y solicitarle que restrinja sus respuestas exclusivamente al contenido de dichos documentos. Esta técnica convierte al modelo en un “experto limitado” sobre el corpus proporcionado, eliminando el riesgo de alucinaciones sobre información no verificada y garantizando que el output se deriva exclusivamente de las fuentes seleccionadas por el docente.
2. El Arte del Prompting
herreracanogabriela
Created on March 16, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Online Course Dossier
View
Online Education Dossier
View
Company Dossier
View
Corporate Brand Book
View
Professional Project Dossier
View
Basic Shapes Dossier
View
Color Shapes Dossier
Explore all templates
Transcript
2. El Arte del Prompting
Uso de Inteligencia Artificial para la Mejora del Plan de Clase
La irrupción masiva de los modelos de lenguaje de gran escala (Large Language Models, LLMs) como ChatGPT, Claude, Gemini o Copilot ha transformado radicalmente la forma en que los seres humanos interactúan con los sistemas informáticos. A diferencia del paradigma clásico, en el que la computadora respondía a comandos precisos y formales, los LLMs pueden recibir instrucciones en lenguaje natural y generar respuestas complejas, creativas y contextualizadas. Esta nueva interfaz convierte la calidad de la instrucción —el prompt— en el principal factor determinante de la calidad del output obtenido.
La ingeniería de prompts (prompt engineering) como el proceso de diseñar, refinar y optimizar las entradas o instrucciones que se proporcionan a un sistema de IA generativa con el objetivo de obtener respuestas precisas, relevantes y de alta calidad.
Schulhoff et al. (2025)
Prompt
Es una instrucción o entrada de texto que proporcionamos a un modelo de IA para guiar la respuesta que nos ofrezca. Es, en esencia, el medio a través del cual formulamos nuestras peticiones o preguntas. La clave es que sea claro y específico para obtener resultados útiles.
Elementos de un Buen Prompt
Restricciones y Condiciones
Tarea
Formato
Define claramente lo que esperas del modelo de IA, utilizando verbos de acción como discutir, comparar, diseñar o evaluar para dar una dirección clara y específica a tu petición.
Límites explícitos que el docente impone al modelo para acotar el espacio de respuestas posibles y garantizar que el output se ajusta a sus necesidades pedagógicas y contextuales.
Especificar el formato de la respuesta deseada (como un resumen, una lista de viñetas, un ensayo corto de 400 palabras)
Contexto
Persona
Tono
Este componente se refiere al estilo y la forma en que deseas que se genera la respuesta. Puede ser formal, informal, técnico, amigable, etc. El tono adecuado puede hacer que la respuesta sea más accesible y apropiada para el contexto en el que se va a utilizar.
Podemos indicar desde qué perspectiva personal o rol queremos que genere la respuesta.
Se refiere al escenario y las circunstancias en las que debe realizar la tareaa
Ejemplo
Específicos de lo que estás buscando, ofrece al modelo una referencia clara de lo que consideras una buena respuesta. Esto mejora la precisión y la coherencia de las respuestas generadas.
Consideraciones...
El prompting no es simplemente una habilidad técnica: es un acto pedagógico. Cada instrucción que se entrega a la IA es una decisión didáctica que refleja los objetivos de aprendizaje, el perfil del estudiantado, el nivel de la asignatura y los valores educativos del docente.
Qian (2025), en una revisión sistemática sobre prompting en educación publicada en Journal of Educational Technology & Society, concluye que “la efectividad de las herramientas de IA generativa en educación depende en gran medida de la ingeniería de prompts: el diseño de entradas e interacciones que guían a los sistemas de IA a producir respuestas relevantes y de alta calidad” (p. 3).
Estructura práctica de un buen prompt en Guía práctica de aplicación de la IA (p. 13)
La figura de la izquierda representa una propuesta de orden e importancia de los elementos del prompt.
Resumen de los elementos de un buen prompt
Técnicas de Prompting
Instrucción directa sin ejemplos previos
Básica
Zero-Shot
Proporciona 1-8 ejemplos del tipo de respuesta esperada.
Media
Few-Shot
Solicita razonamiento explícito paso a paso
Media-Alta
Chain-of-Thought
Asigna una identidad experta sostenida al modelo
Media
Role Prompting
Document Context
Restringe las respuestas a documentos propios del docente
Alta
Consideraciones para la creación de prompt
El dominio técnico del prompting, aunque necesario, no es condición suficiente para un uso responsable de la IA en la docencia. Sahoo et al. (2024) advierten que ninguna técnica de prompting garantiza outputs libres de sesgos, alucinaciones o errores factuales: “los LLMs pueden generar texto que suena convincente pero que es factualmente incorrecto”, por lo que la verificación crítica de todo output generado por IA es una responsabilidad irrenunciable del docente. Esta verificación incluye contrastar los datos con fuentes primarias, revisar la coherencia interna del argumento generado y evaluar la pertinencia pedagógica del material antes de incorporarlo al plan de clase.
No te olvides de...
Usa instrucciones claras y directas
Permite que el modelo te haga preguntas
Proporciona ejemplos concretos
Repite aspectos importantes
Usa palabras como Debes o Tu tarea es...
Proporcionar contexto
Divide solicitudes complejas
Empatía y recompensas
Incluye la pregunta en la respuesta
Tómate tu tiempo
Para profundizar en las Técnicas de Prompting te invito a consultar la siguiente página -->
¡Gracias por su atención!
No te olvides de prácticar los conocimientos del curso.
Pueden ser: restricciones de extensión (máximo 300 palabras), de tono (lenguaje académico, sin jerga disciplinar, accesible para principiantes), de alcance (solo basarse en los documentos adjuntos), de idioma (responder en español formal), o de perspectiva (incluir enfoque de género, incorporar la normativa mexicana vigente). Según Sahoo et al. (2024), las restricciones bien formuladas reducen las alucinaciones —es decir, las respuestas incorrectas o inventadas por el modelo— y mejoran la fiabilidad del output.
Es la información de fondo que permite al modelo comprender la situación específica en la que se formula la solicitud. Incluye información sobre: el nivel educativo (bachillerato, licenciatura, posgrado), la disciplina o asignatura, el perfil del estudiantado (nivel de conocimientos previos, tamaño del grupo, posibles barreras de acceso), las limitaciones de tiempo y recursos, y el contexto institucional. Qian (2025) demuestra que el priming contextual mejora sustancialmente la precisión y la relevancia práctica de los outputs en contextos educativos, especialmente cuando el docente especifica el nivel de complejidad esperado o el perfil del público destinatario del material generado.
Al indicarle al sistema que “actúe como” un determinado perfil experto, el docente orienta el tono, el nivel de profundidad y el tipo de vocabulario que el modelo utilizará en su respuesta. Este principio se conoce en la literatura como role prompting o persona prompting. Schulhoff et al. (2025) documentan que los prompts de rol mejoran la pertinencia de las respuestas en tareas que requieren perspectivas especializadas, como la redacción académica, el análisis jurídico o la planificación didáctica.
La especificación explícita del formato deseado para la respuesta es uno de los elementos más frecuentemente omitidos en prompts noveles, y uno de los que mayor impacto tiene en la utilidad práctica del output. Los docentes pueden solicitar la respuesta en formatos específicos: tabla comparativa, lista numerada, plan de clase con secciones definidas, párrafo explicativo, rúbrica con niveles de desempeño, diálogo entre personajes históricos, etc. Schulhoff et al. (2025) documentan que la inclusión de instrucciones de formato reduce la variabilidad de los outputs y aumenta su utilidad para usuarios no expertos en IA.
El uso de verbos de acción precisos —redacta, analiza, compara, genera, resume, diseña, clasifica, explica— reduce la ambigüedad e incrementa la alineación entre la intención del usuario y el output generado. Sahoo et al. (2024) subrayan que la especificidad en la formulación de la tarea es uno de los predictores más sólidos de la calidad del resultado.
El último elemento esencial es la especificación del tono comunicativo y la audiencia destinataria. El mismo contenido puede generarse con un tono formal académico, divulgativo, motivacional, socrático o conversacional, dependiendo del uso que el docente hará del material. Qian (2025) documenta que la especificación del tono, junto con la simplificación del lenguaje y la incorporación de metadatos sobre el destinatario (nivel educativo, conocimientos previos, expertise disciplinar), permite a los modelos generar outputs más precisos y alineados con la audiencia objetivo.
Según Sahoo et al. (2024), el zero-shot prompting es “la forma más simple e intuitiva de interactuar con los LLMs: el usuario formula una pregunta o instrucción directa y el modelo responde sin necesidad de ejemplos adicionales” (p. 5). Su limitación principal radica en que la calidad del output depende críticamente de la calidad de la instrucción formulada.
Consiste en proporcionar al modelo uno o varios ejemplos (shots) del tipo de tarea y respuesta esperada antes de formular la solicitud principal. Al ver ejemplos concretos, el modelo infiere el patrón de la tarea y lo aplica a la nueva solicitud. La denominación incluye variantes según el número de ejemplos: one-shot (un ejemplo) y few-shot (entre dos y ocho ejemplos, según la literatura).
La técnica de cadena de pensamiento (chain-of-thought prompting, CoT) fue propuesta formalmente por Wei et al. (2022). La técnica consiste en incluir en el prompt instrucciones explícitas para que el modelo descomponga su proceso de razonamiento en pasos intermedios antes de presentar la respuesta final. Esta descomposición simula el razonamiento step-by-step que los seres humanos utilizamos para resolver problemas complejos.
Es una técnica en la que el usuario asigna explícitamente una identidad, perspectiva o perfil de experto al modelo antes de formular la solicitud.
Consiste en proporcionar al modelo uno o más documentos como base de conocimiento y solicitarle que restrinja sus respuestas exclusivamente al contenido de dichos documentos. Esta técnica convierte al modelo en un “experto limitado” sobre el corpus proporcionado, eliminando el riesgo de alucinaciones sobre información no verificada y garantizando que el output se deriva exclusivamente de las fuentes seleccionadas por el docente.