2. Ingeniería de prompting para el diseño curricular


2.1 Introducción al prompting

Introducción

Como hemos visto en el capítulo anterior, los sistemas de IA generativa (IAGen) se basan en modelos entrenados con grandes cantidades de datos para identificar patrones lingüísticos y producir respuestas coherentes. Aunque su funcionamiento interno se apoya en complejos procesos matemáticos y computacionales, desde el punto de vista del usuario la interacción se realiza principalmente a través del lenguaje. Es decir, la persona formula una instrucción o pregunta y el sistema genera una respuesta a partir de ella. Este principio conecta directamente los fundamentos técnicos de la IA con la práctica cotidiana de su uso: la calidad de los resultados depende en gran medida de cómo se plantea esa instrucción inicial.

En este contexto surge la llamada ingeniería de prompting, que puede entenderse como el arte de comunicarse eficazmente con un sistema de IA mediante indicaciones claras, estructuradas y progresivas. En lugar de realizar una única petición cerrada, el proceso suele adoptar la forma de una conversación en la que el usuario orienta, corrige o amplía las instrucciones para afinar la respuesta.

Por ejemplo, los asistentes y herramientas de IAGenerativa suelen estructurarse en torno a varios elementos básicos que facilitan la interacción con el usuario. En primer lugar, cuentan con una interfaz conversacional, normalmente en forma de chat, donde el usuario introduce instrucciones o preguntas (prompts). A partir de ahí interviene el modelo de lenguaje entrenado con grandes volúmenes de datos, que interpreta el significado de la instrucción y genera una respuesta coherente. Estos sistemas suelen incorporar además mecanismos de memoria contextual, que permiten tener en cuenta los mensajes anteriores de la conversación para mantener la continuidad del diálogo. Junto a ello aparecen funciones complementarias como herramientas integradas (búsqueda en la web, análisis de documentos, generación de código o imágenes) y opciones de edición o refinamiento de respuestas, que permiten al usuario ajustar el resultado mediante nuevas indicaciones. En conjunto, estos componentes convierten la interacción con la IA en un proceso iterativo basado en instrucciones y diálogo.

image.png

Interfaz de ChatGPT (2026)

De este modo, interactuar con la inteligencia artificial implica aprender a dialogar con ella a través de instrucciones, guiando paso a paso la generación de contenido para obtener resultados más precisos, útiles y adecuados al contexto.

Ingeniería de prompts

La ingeniería de prompts es una disciplina relativamente reciente que se centra en diseñar, formular y optimizar las instrucciones que damos a los modelos de lenguaje para obtener respuestas más útiles, precisas y ajustadas a nuestras necesidades. En lugar de limitarse a “hacer preguntas”, el prompting consiste en aprender a comunicarse eficazmente con la IA, entendiendo cómo interpreta el lenguaje y cómo responde a distintos tipos de instrucciones.

Esta disciplina resulta clave para comprender tanto las capacidades como las limitaciones de los grandes modelos de lenguaje (LLMs). Saber escribir buenos prompts permite aprovechar mejor su potencial, pero también entender cuándo pueden fallar, inventar información o responder de forma ambigua.

En el ámbito de la investigación, la ingeniería de prompts se utiliza para mejorar el rendimiento de los LLMs en tareas muy diversas, desde la respuesta a preguntas complejas hasta el razonamiento lógico o aritmético. En el ámbito del desarrollo, se emplea para diseñar interacciones robustas y repetibles, capaces de integrarse en aplicaciones reales junto con otras herramientas y sistemas.

Sin embargo, la ingeniería de prompts no se limita a escribir una instrucción inicial. Incluye un conjunto amplio de técnicas y habilidades que permiten guiar el comportamiento del modelo: asignarle roles, proporcionar contexto, introducir ejemplos, estructurar el formato de salida o limitar explícitamente lo que puede y no puede hacer. En este sentido, el prompting se convierte en una competencia clave para interactuar de forma consciente, crítica y eficaz con los modelos de lenguaje.

Además, un buen prompting contribuye a mejorar la seguridad y fiabilidad de los LLMs, ayudando a reducir respuestas inapropiadas, ambiguas o fuera de contexto. También permite ampliar sus capacidades mediante la incorporación de conocimiento específico de un dominio concreto o el uso combinado con herramientas externas.

El creciente interés por los modelos de lenguaje ha motivado la creación de guías, recursos y marcos de trabajo centrados en la ingeniería de prompts, que recopilan buenas prácticas, ejemplos, técnicas avanzadas y aplicaciones reales. En el contexto educativo, el prompting no solo es una habilidad técnica, sino también una competencia comunicativa y cognitiva, muy relacionada con saber formular buenas preguntas, dar instrucciones claras y reflexionar sobre el tipo de respuestas que buscamos.

Ventajas de un buen prompting

Un uso adecuado de la ingeniería de prompts aporta múltiples beneficios, tanto en contextos educativos como profesionales:

Puedes consultar La gúia de prompt de IBM y la Guía Social de Promptin

2.2 Fundamentos del prompting educativo

El prompting en educación: una competencia transversal según el rol

La llegada de los modelos de lenguaje al aula no plantea solo una cuestión tecnológica, sino pedagógica y organizativa. La misma herramienta puede tener efectos muy distintos según quién la use, para qué y cómo. Por eso, hablar de prompting en educación implica cambiar el enfoque: no se trata de “saber pedir cosas a la IA”, sino de aprender a formular instrucciones con intención educativa, ajustadas al rol y a la tarea.

En este contexto, el prompting se convierte en una competencia transversal que afecta al profesorado, al alumnado y a los equipos de gestión, y que atraviesa tareas tan diversas como la generación de contenidos, la autoevaluación o la gestión de la información.

El prompting desde el rol del alumnado

Para el alumnado, el prompting no debe entenderse como un atajo para obtener respuestas, sino como una herramienta de apoyo al aprendizaje. Aprender a formular buenos prompts equivale, en el fondo, a aprender a pensar mejor: aclarar qué se necesita, delimitar el problema, pedir ejemplos, contrastar ideas y reflexionar sobre las respuestas recibidas.

Aplicado a tareas concretas, el prompting permite al alumnado:

En este rol, el prompting bien enfocado fomenta autonomía, metacognición y responsabilidad. Mal enfocado, puede derivar en dependencia o aprendizaje superficial. De ahí la importancia de enseñar a preguntar, no solo a obtener respuestas.

El prompting desde el rol del profesorado

Para el profesorado, el prompting se convierte en una herramienta profesional que ahorra tiempo, amplía posibilidades didácticas y permite centrarse en lo verdaderamente pedagógico: el acompañamiento y la toma de decisiones educativas.

Desde este rol, el prompting puede aplicarse a:

Aquí, el prompting no sustituye el criterio docente, sino que lo potencia. Un buen prompt refleja una buena planificación didáctica; uno malo suele delatar objetivos poco claros.

El prompting desde el rol del gestor o equipo directivo

En el ámbito de la gestión educativa, el prompting adquiere una dimensión diferente: organización, análisis y toma de decisiones informadas. No se trata de enseñar contenidos, sino de gestionar información compleja y procesos.

Aplicado a este rol, el prompting puede apoyar:

En este nivel, un buen prompting ayuda a clarificar problemas, ordenar información y explorar alternativas, pero nunca debe sustituir la responsabilidad humana en la toma de decisiones.

Una idea común a todos los roles

Sea cual sea el rol —alumno, docente o gestor—, el prompting educativo comparte una idea central:

la calidad de la interacción con la IA depende directamente de la claridad del propósito educativo.

Un buen prompt no es solo técnicamente correcto; es pedagógicamente intencional. Define qué se busca, para qué se usa la IA y qué papel juega la persona en el proceso.

En este sentido, enseñar y aprender prompting es también enseñar a pensar, a evaluar y a decidir, competencias esenciales en una educación que convive con la Inteligencia Artificial.

Ejemplos de prompts

Ejemplo 1: Prompt muy simple

Explícame qué es la fotosíntesis.

Es una instrucción válida, pero muy abierta. La IA decidirá el nivel y la profundidad de la explicación, lo que puede no ajustarse a lo que necesitas.

Ejemplo 2: Prompt con nivel educativo

Explícame qué es la fotosíntesis para alumnado de 1.º de ESO, usando un lenguaje sencillo y un ejemplo.

Aquí ya se controla mejor el tipo de respuesta.

Ejemplo 3: Prompt con rol docente

Actúa como profesor de Biología en Educación Secundaria y explica la fotosíntesis de forma clara y estructurada, usando un pequeño esquema.

Indicar un rol ayuda a que la explicación sea más ordenada y didáctica.

Ejemplo 4: Prompt para aprender de forma activa

Actúa como tutor educativo. No expliques directamente qué es la fotosíntesis. Formula preguntas que me ayuden a comprender el proceso por mí mismo.

Este tipo de prompt favorece la reflexión y el aprendizaje activo.

Ejemplo 5: Prompt para evaluación (Secundaria)

Actúa como docente de Lengua Castellana en Educación Secundaria. Crea una rúbrica para evaluar un texto argumentativo con criterios claros y niveles de desempeño. No incluyas notas numéricas.

La IA se utiliza aquí como apoyo al aprendizaje, no para poner calificaciones.

Ejemplo 6: Prompt para autoevaluación

Voy a pegar un texto que he escrito. Compáralo con estos criterios de evaluación y dime qué aspectos están bien y cuáles puedo mejorar. No reescribas el texto.

Este uso ayuda a aprender a revisar el propio trabajo.

Ejemplo 7: Prompt con ejemplos guía

Clasifica los siguientes textos como “descriptivo” o “argumentativo”.
Ejemplo:
Texto: “El uso del transporte público reduce la contaminación.” → Argumentativo
Ahora clasifica los textos que te voy a dar.

Los ejemplos ayudan a la IA a entender mejor lo que se espera.

Ejemplo 8: Prompt para organizar información

Actúa como asesor educativo. A partir de esta información, identifica ideas principales y propón posibles líneas de mejora. No tomes decisiones, solo plantea opciones.

Este tipo de prompt deja claro que la decisión final siempre corresponde a la persona.

Consejos generales para diseñar prompts en el ámbito educativo

Anatomía de un prompt

Cuando trabajamos con Inteligencia Artificial en el ámbito educativo, no basta con “hacer preguntas”. Para obtener respuestas útiles y acordes al aprendizaje, es necesario aprender a formular bien las instrucciones, es decir, aprender prompting. Un prompt es el mensaje que damos a la IA para indicarle qué queremos que haga y cómo queremos que lo haga.

En realidad, escribir un buen prompt no es algo nuevo: se parece mucho a entender bien un enunciado o a dar una consigna clara en clase. Cuanto más precisa y bien pensada es la instrucción, mejores serán las respuestas que obtengamos.

Un prompt bien formulado reduce la ambigüedad, evita respuestas genéricas y ayuda a que la IA actúe como una herramienta de apoyo al aprendizaje, no como un sustituto del esfuerzo personal. Aunque no existe una fórmula única, un prompt educativo eficaz suele incluir varios de los siguientes elementos:

Rol de la IA: Puedes indicar desde qué papel debe responder: profesor, tutor, ayudante, corrector, orientador, etc.

Tarea clara: Explica con precisión qué quieres que haga la IA: explicar, comparar, resumir, analizar, proponer ideas, revisar un texto…

Contexto educativo: Indica la etapa, la asignatura o la situación de aprendizaje. La IA no sabe quién eres ni qué estás enseñando si no se lo dices.

Formato de la respuesta: Especifica cómo quieres la respuesta: un esquema, una lista, una tabla, un texto breve, preguntas guiadas…

Nivel y límites: Puedes indicar el nivel de dificultad, la extensión máxima o incluso prohibir ciertas acciones, como dar la solución final.

Ejemplos (si es necesario): Mostrar un ejemplo suele ayudar más que una explicación larga.

No siempre es necesario incluir todos estos elementos, pero cuantos más estén claros, mejor será el resultado.

Recuerda no introducir datos personales ni trasladar tus propios sesgos a través del prompt.

Preguntar bien para aprender mejor

Diseñar buenos prompts no es una destreza puramente técnica asociada a la Inteligencia Artificial. En el contexto educativo, está estrechamente relacionada con la lectura comprensiva, la escritura precisa y el pensamiento reflexivo. Un prompt es, ante todo, un texto escrito, y la calidad de ese texto depende directamente de la capacidad para comprender lo que se lee y expresar con claridad lo que se quiere comunicar.

Lejos de sustituir estas competencias, el uso de la IA las hace más necesarias que nunca. Para obtener buenas respuestas de la IA es imprescindible formular buenas preguntas, y para formular buenas preguntas es necesario dominar el lenguaje. En este sentido, el prompting no debilita las habilidades tradicionales del aprendizaje, sino que las refuerza y las pone en valor.

Comienza por lo simple y mejora paso a paso

Diseñar prompts es un proceso progresivo e iterativo, muy similar a cualquier aprendizaje escolar. El primer intento rara vez es perfecto. Normalmente se escribe un prompt, se observa la respuesta obtenida y se reformula para mejorarla.

Este proceso tiene un gran valor educativo porque obliga a:

Cuando una tarea es compleja, conviene dividirla en partes más sencillas. Formular varios prompts pequeños suele ser más eficaz que uno solo muy largo. Este enfoque fomenta la planificación, el orden y la claridad mental.

Leer bien antes de preguntar bien

No se puede formular un buen prompt sin haber leído con atención. Muchos errores al interactuar con la IA no se deben a la herramienta, sino a una mala comprensión del enunciado, del texto o del problema.

El prompting obliga a:

De este modo, el uso educativo de la IA puede convertirse en un estímulo para mejorar la comprensión lectora, una competencia fundamental en todas las áreas del conocimiento.

Da instrucciones claras y orientadas a la tarea

Un buen prompt educativo emplea verbos claros y concretos, igual que una consigna bien formulada en el aula. Verbos como explica, resume, analiza, compara u ordena ayudan a definir con precisión la tarea.

También es recomendable colocar la instrucción principal al inicio del prompt y separar claramente el texto o contexto adicional. Por ejemplo:


### Instrucción ### Resume el siguiente texto en cinco líneas, usando un lenguaje claro para alumnado de secundaria. Texto: [texto]

Este tipo de estructura no solo mejora la respuesta de la IA, sino que educa en organización del pensamiento y de la escritura.

Sé específico, pero solo en lo relevante

Ser específico no significa escribir mucho, sino decir exactamente lo necesario. Un prompt demasiado vago produce respuestas generales; uno excesivamente largo puede resultar confuso.

La clave está en seleccionar la información relevante: nivel educativo, formato de respuesta, extensión aproximada o tipo de ayuda solicitada. Incluir ejemplos suele ser especialmente eficaz, porque muestran con claridad lo que se espera.

Evita la imprecisión y las consignas vagas

Expresiones como “sé breve”, “explícalo un poco” o “no seas muy largo” son poco útiles. Es preferible concretar:

La precisión lingüística es una competencia esencial y el prompting contribuye a desarrollarla.

Mejor decir qué hacer que decir qué no hacer

Las instrucciones en positivo suelen ser más claras y eficaces que las prohibiciones. Indicar qué se espera orienta mejor la acción y reduce errores, tanto en personas como en sistemas de IA. Este principio coincide con una buena práctica educativa habitual.

Errores frecuentes al escribir prompts

Algunos errores habituales son:

Aprender a escribir buenos prompts es, en realidad, aprender a pensar mejor, a aclarar qué se quiere y cómo se puede conseguir.

Idea clave para recordar

Un buen prompt no busca que la IA “haga el trabajo”,
sino que ayude a aprender mejor.

La Inteligencia Artificial puede ser una gran herramienta, pero la responsabilidad del aprendizaje sigue siendo tuya. Aprender a dar buenas instrucciones es también aprender a aprender.

Reflexión final

Para formular buenas preguntas es necesario comprender textos complejos, argumentar con rigor y expresarse con claridad, leer críticamente, escribir con precisión y pensar con profundidad. Estas competencias no son un complemento tecnológico, sino el fundamento para interactuar de forma inteligente y responsable con la IA.

Cuanto mejor se lee, mejor se escribe.
Cuanto mejor se escribe, mejor se pregunta.
Y cuanto mejor se pregunta, mejor se aprende.

La Inteligencia Artificial puede ampliar nuestras capacidades, pero solo si antes fortalecemos aquello que nos hace humanos.


2.3 Ejemplos de Prompts

Ejemplos de prompts según la tarea

En el apartado anterior ya se han visto los elementos básicos de un buen prompt. En esta sección se presentan ejemplos prácticos organizados por tareas habituales. La idea es sencilla: la mejor forma de aprender a diseñar prompts es verlos en acción, compararlos y experimentar con pequeñas mejoras.

A continuación se muestran varios tipos de tareas muy comunes cuando se trabaja con modelos de lenguaje: resumir, extraer información, preguntas y respuestas, clasificar, mantener una conversación, generar código y razonar. En cada una, se verá cómo un prompt bien diseñado puede guiar al modelo hacia una salida más útil, más precisa o más adecuada al objetivo.

Puedes probar estos prompts en asistentes como ChatGPT, Claude, Gemini....

1) Resumen de textos

Resumir es una de las aplicaciones más útiles de los modelos de lenguaje en el ámbito educativo: ayuda a convertir textos largos en ideas clave, preparar apuntes o repasar antes de un examen.

Prompt básico (demasiado abierto):

Explica qué son los antibióticos.

La respuesta puede ser larga o poco ajustada al nivel. Para controlar mejor el resultado, conviene indicar la longitud y el formato.

Prompt mejorado (con restricción clara):

Resume el siguiente texto en una sola frase:
[pega aquí el texto sobre antibióticos]

Este tipo de instrucción obliga al modelo a priorizar lo esencial. En resumen, cuando se pide un resumen conviene indicar: nivel, extensión y formato.

2) Extracción de información

Además de generar textos, los modelos de lenguaje pueden localizar datos concretos dentro de un párrafo (nombres, fechas, lugares, conceptos, entidades…). Esta tarea es muy útil para trabajo académico, proyectos o lectura guiada.

Ejemplo de prompt de extracción:

Lee el texto y extrae el nombre del producto basado en un modelo de lenguaje que se menciona.
Texto:
[pega aquí el párrafo]

Salida esperada (por ejemplo): “ChatGPT”.

Este uso es especialmente útil cuando el alumnado aprende a buscar evidencia en el texto: no se trata de opinar, sino de extraer información verificable.

3) Preguntas y respuestas (con contexto)

Una de las mejores prácticas cuando se quiere que la IA responda bien es dar contexto y exigir que responda solo con ese contexto. Esto es esencial para evitar respuestas inventadas o demasiado generales.

Prompt estructurado (buena práctica):

Responde a la pregunta basándote solo en el contexto.
Si no aparece la respuesta, di: “No aparece en el texto”.

Contexto: [pega aquí el texto]
Pregunta: ¿De dónde se obtuvo originalmente el OKT3?
Respuesta:

Este formato ayuda a que el alumnado entienda que una respuesta “bonita” no siempre es una respuesta “correcta”. La clave es aprender a pedir respuestas justificadas.

4) Clasificación de texto

Clasificar textos es una tarea típica de NLP: sentiment (positivo/negativo), tipo de texto (narrativo/argumentativo), tema, intención, etc. Aquí, el problema frecuente es que el modelo acierte, pero no entregue exactamente el formato que queremos.

Prompt simple:

Clasifica el texto en neutral, negativo o positivo.
Texto: “Creo que la comida estuvo bien.”
Sentimiento:

Puede responder “Neutral” o “neutral”. Si necesitamos una etiqueta exacta, lo mejor es dar ejemplos.

Prompt con ejemplos (más control):

Clasifica el texto en: neutral, negativo o positivo.
Texto: “Creo que las vacaciones están bien.” → neutral
Texto: “Creo que la comida estuvo bien.” →

Al incluir un ejemplo, se reduce la ambigüedad del formato. En educación, esto enseña una idea clave: si quieres una salida concreta, enseña el patrón.

5) Conversación (chatbots): “role prompting”

Para conversaciones, los modelos responden mejor si se les define un rol y un estilo. Esto es muy útil en tareas educativas: tutor, profesor, divulgador, etc.

Prompt (rol técnico):

Eres un asistente de investigación. Respondes con tono técnico y científico.
Usuario: ¿Cómo se forman los agujeros negros?

Prompt (rol divulgativo para primaria):

Eres un asistente educativo. Explicas con palabras sencillas para estudiantes de primaria.
Usuario: ¿Cómo se forman los agujeros negros?

El contenido puede ser similar, pero el estilo y el nivel cambian muchísimo. Esto sirve para trabajar la idea de adaptar el discurso al destinatario, una competencia clave en Lengua.

6) Generación de código

Los modelos de lenguaje suelen ser muy eficaces generando código, sobre todo si se especifica el lenguaje y el objetivo.

Prompt simple:

Escribe un programa que pida el nombre al usuario y muestre “Hola, [nombre]”.

Prompt más avanzado (con contexto técnico):

Tablas:
departments(DepartmentId, DepartmentName)
students(DepartmentId, StudentId, StudentName)

Crea una consulta MySQL para obtener todos los estudiantes del departamento “Computer Science”.

Aquí se ve algo importante: cuando se aporta el “mundo” (el esquema de datos), la IA puede producir respuestas más correctas.

7) Razonamiento: pedir pasos mejora la fiabilidad

El razonamiento es una tarea difícil para los modelos. Por eso, en problemas de lógica o matemáticas, suele funcionar mejor pedir que lo resuelva paso a paso, en lugar de exigir una respuesta inmediata.

Prompt que puede fallar:

Los números impares del grupo suman un número par: 15, 32, 5, 13, 82, 7, 1. ¿Es cierto?

Prompt mejorado (con método):

Resuelve paso a paso:

  1. Identifica los números impares.

  2. Súmalos.

  3. Indica si la suma es par o impar.
    Lista: 15, 32, 5, 13, 82, 7, 1.

Este tipo de instrucciones reduce errores y, además, tiene un valor educativo claro: obliga a explicitar el procedimiento.

Cierre: aprender mediante ejemplos y práctica

Estos ejemplos muestran una idea central: la IA no responde “mejor” por magia, responde mejor cuando el prompt está mejor diseñado. Por eso, aprender prompting significa aprender a:

A partir de aquí, el paso siguiente natural es practicar: proponer un prompt, ver qué ocurre, mejorarlo y comparar resultados. Esa mejora continua es, en realidad, una forma de aprendizaje activo.

2.4 Técnicas intermedias y avanzadas de prompting

Técnicas avanzadas de prompting

Cómo guiar a la IA en tareas más complejas

A estas alturas ya resulta evidente que mejorar la forma en que escribimos los prompts mejora directamente la calidad de las respuestas. Esa es la idea central de la ingeniería de prompts: no cambiar el modelo, sino cambiar cómo nos comunicamos con él.

Los ejemplos vistos hasta ahora permiten resolver tareas habituales, pero cuando el objetivo es más complejo —razonamiento, planificación, análisis profundo, uso de fuentes externas o toma de decisiones guiadas— es necesario recurrir a técnicas de prompting más avanzadas. Estas técnicas no hacen a la IA “más inteligente”, pero sí la obligan a trabajar de forma más estructurada, más parecida a cómo razonaría una persona.

En el contexto educativo, no es necesario dominar todas estas técnicas, pero sí conocer que existen, entender para qué sirven y saber en qué situaciones pueden resultar útiles.

Muchas de ellas, además, tienen un gran valor pedagógico porque fomentan procesos como el razonamiento paso a paso, la reflexión o la contrastación de información.

A continuación se presenta una tabla resumen con las principales técnicas avanzadas de prompting y su finalidad.

Principales técnicas avanzadas de prompting

Técnica Idea principal ¿Para qué se utiliza?
Zero-shot prompting Dar una instrucción sin ejemplos previos Tareas sencillas y directas
Few-shot prompting Incluir uno o varios ejemplos Controlar formato y estilo de salida
Chain of Thought (CoT) Pedir razonamiento paso a paso Problemas lógicos y matemáticos
Auto-consistencia Generar varias soluciones y comparar Reducir errores en razonamiento
Prompt de conocimiento generado Pedir primero información base Mejorar respuestas complejas
Prompt Chaining Encadenar varios prompts Dividir tareas largas en fases
Tree of Thoughts Explorar varias líneas de razonamiento Toma de decisiones complejas
Retrieval Augmented Generation (RAG) Usar información externa Trabajar con documentos reales
Automatic Reasoning and Tool-use (ART) Combinar razonamiento y herramientas Resolver tareas prácticas
Automatic Prompt Engineering (APE) Generar y optimizar prompts Ajustar instrucciones automáticamente
Active prompting Elegir ejemplos más útiles Mejorar aprendizaje del modelo
Directional Stimulus Prompting Introducir pistas sutiles Guiar el tipo de respuesta
Program-Aided Language Models (PAL) Usar código como apoyo Matemáticas y lógica formal
ReAct Combinar razonamiento y acción Agentes y tareas interactivas
Reflexion Pedir al modelo que revise errores Aprendizaje iterativo
Multimodal CoT Razonar con texto, imagen o audio Problemas multimodales
Graph prompting Representar relaciones en forma de grafo Análisis estructural complejo

Una idea clave antes de profundizar

Aunque la lista pueda parecer extensa, no todas las técnicas se usan siempre, ni son necesarias en contextos educativos básicos. Lo importante es entender que:

En los siguientes apartados se irán explicando las más relevantes desde un punto de vista educativo, con ejemplos sencillos y aplicaciones prácticas. El objetivo no es convertir al alumnado en ingenieros de prompts, sino enseñar a pensar mejor usando la IA como apoyo.

Prompt sin entrenamiento previo (Zero-shot prompting)

Los modelos de lenguaje actuales han sido entrenados con grandes cantidades de texto y, además, ajustados para seguir instrucciones escritas en lenguaje natural. Gracias a ello, son capaces de realizar muchas tareas sin necesidad de ejemplos previos. A este tipo de interacción se la denomina prompt sin entrenamiento previo o zero-shot prompting.

En un prompt zero-shot simplemente se le indica a la IA qué tarea debe realizar, sin mostrarle ningún ejemplo de cómo hacerlo. El modelo interpreta la instrucción basándose en los patrones generales aprendidos durante su entrenamiento.

Por ejemplo:

Prompt:

Clasifica el texto en neutral, negativo o positivo.
Texto: Creo que las vacaciones están bien.
Sentimiento:

Salida:

Neutral

En este caso, el modelo ha entendido correctamente la tarea y ha dado una respuesta adecuada sin haber visto ningún ejemplo. Esa es precisamente la característica principal del zero-shot prompting: confiar en la capacidad general del modelo para interpretar la consigna.

¿Por qué funciona el zero-shot prompting?

Este comportamiento es posible gracias a dos avances clave en los modelos actuales:

Estos procesos permiten que modelos como los que se usan hoy en educación comprendan órdenes del tipo explica, resume, clasifica o compara sin necesidad de ejemplos adicionales.

Ejemplo educativo de zero-shot prompting

Supongamos una tarea habitual en Educación Secundaria relacionada con comprensión lectora.

Prompt:

Lee el siguiente texto y di cuál es la idea principal.
Texto:
“La energía solar es una fuente renovable que aprovecha la radiación del Sol para generar electricidad o calor. Su uso contribuye a reducir la dependencia de combustibles fósiles y a disminuir la contaminación.”

Salida esperada (ejemplo):

La energía solar es una fuente renovable que permite obtener energía limpia aprovechando la radiación del Sol.

Aquí no se ha dado ningún ejemplo previo. El alumno simplemente formula una instrucción clara y la IA responde aplicando su conocimiento general. Este tipo de prompt es muy útil para:

Ventajas y límites en el contexto educativo

El zero-shot prompting tiene varias ventajas en educación:

Sin embargo, también tiene límites:

Cuando el prompt zero-shot no ofrece buenos resultados, la solución habitual no es “culpar a la IA”, sino mejorar la instrucción o añadir ejemplos. Eso nos lleva a la siguiente técnica: el prompt con pocos ejemplos (few-shot prompting), donde se guía al modelo mostrando cómo debe responder.

En el próximo apartado veremos cómo añadir ejemplos transforma la calidad y el control de las respuestas, y por qué esta técnica tiene un gran valor pedagógico.

Prompt con pocos ejemplos (Few-shot prompting)

Cuando un prompt sin entrenamiento previo (zero-shot) no ofrece el resultado esperado —porque la tarea es más compleja, el formato es muy concreto o el contexto es ambiguo— una técnica muy eficaz consiste en proporcionar uno o varios ejemplos dentro del propio prompt. A esta estrategia se la denomina prompt con pocos ejemplos o few-shot prompting.

En el few-shot prompting, el modelo no aprende de forma permanente, pero utiliza los ejemplos como guía inmediata para entender qué tipo de respuesta se espera, con qué formato y con qué nivel de detalle. En educación, esta técnica resulta especialmente útil porque funciona igual que el aprendizaje por demostración: mostrar antes de pedir.

¿Por qué funciona el few-shot prompting?

Los modelos de lenguaje son muy sensibles a los patrones. Cuando se incluyen ejemplos, el modelo:

Desde un punto de vista pedagógico, esto conecta con una idea clave:
los ejemplos bien escogidos enseñan más que instrucciones largas.

Ejemplo educativo de few-shot prompting

Supongamos una tarea de Lengua en Educación Secundaria, donde el alumnado debe identificar el tipo de texto.

Prompt (con ejemplos):

Clasifica los textos como descriptivo o argumentativo.

Texto: “El transporte público reduce la contaminación y mejora la calidad del aire.” → Argumentativo
Texto: “La ciudad cuenta con calles amplias, parques verdes y edificios históricos.” → Descriptivo

Texto: “El uso de la bicicleta es una alternativa sostenible para los desplazamientos urbanos.” →

Salida esperada:

Argumentativo

En este caso, los ejemplos muestran claramente:

Gracias a ello, el modelo responde de forma mucho más ajustada que en un prompt zero-shot.

Comparación con zero-shot prompting

Si esta misma tarea se planteara sin ejemplos, el modelo podría:

El few-shot prompting reduce esas variaciones y aumenta el control sobre la salida, algo especialmente importante en actividades educativas y evaluativas.

Otro ejemplo educativo: resolución guiada

El few-shot prompting también es muy útil para mostrar cómo razonar, no solo qué responder.

Prompt:

Resuelve el problema siguiendo el mismo razonamiento que en los ejemplos.

Ejemplo:
Pregunta: ¿Es 14 un número par?
Respuesta: Sí, porque se puede dividir entre 2 sin resto.

Pregunta: ¿Es 21 un número par?
Respuesta: No, porque no se puede dividir entre 2 sin resto.

Pregunta: ¿Es 35 un número par?
Respuesta:

Salida esperada:

No, porque no se puede dividir entre 2 sin resto.

Aquí, el ejemplo no solo muestra la respuesta correcta, sino el razonamiento que la acompaña, algo muy valioso en el aprendizaje.

Ventajas del few-shot prompting en educación

El few-shot prompting permite:

Por todo ello, es una técnica especialmente recomendable cuando:

En el siguiente apartado se abordará una técnica clave para tareas de razonamiento más complejas: Chain of Thought (cadena de pensamiento), donde se pide al modelo que explique paso a paso cómo llega a una respuesta.

Chain of Thought (CoT) – Razonar paso a paso

Una de las limitaciones más conocidas de los modelos de lenguaje es que, cuando se les pide directamente una respuesta, pueden acertar por casualidad o fallar sin que sepamos por qué. Para abordar este problema surge una de las técnicas más importantes del prompting avanzado: Chain of Thought o cadena de pensamiento.

La idea es muy sencilla y, al mismo tiempo, muy poderosa:
en lugar de pedir solo la respuesta final, se le pide al modelo que muestre el razonamiento paso a paso que le lleva a esa respuesta.

En educación, esta técnica es especialmente valiosa porque conecta directamente con una práctica pedagógica clásica: valorar el proceso, no solo el resultado.

¿Qué es el Chain of Thought?

El Chain of Thought prompting consiste en indicar explícitamente al modelo que razone en pasos intermedios, explicando cómo llega a una conclusión. No se trata de hacer a la IA “más inteligente”, sino de forzar una estructura de razonamiento más ordenada y transparente.

Este enfoque mejora notablemente el rendimiento del modelo en tareas como:

¿Por qué funciona?

Cuando se pide una respuesta directa, el modelo puede intentar “adivinar” la salida más probable. En cambio, cuando se le pide que razone paso a paso:

Desde un punto de vista educativo, esto tiene un valor añadido:
el razonamiento se hace visible, lo que permite analizarlo, corregirlo y aprender de él.

Ejemplo educativo sin Chain of Thought (puede fallar)

Prompt:

¿La suma de los números impares siguientes es par o impar?
15, 32, 5, 13, 82, 7, 1

Respuesta posible:

Es par.

La respuesta es incorrecta, pero no sabemos por qué el modelo ha fallado.

El mismo ejemplo con Chain of Thought

Prompt:

Resuelve el problema paso a paso.

  1. Identifica los números impares.

  2. Súmalos.

  3. Indica si el resultado es par o impar.

Lista: 15, 32, 5, 13, 82, 7, 1

Salida:

Números impares: 15, 5, 13, 7, 1
Suma: 41
41 es impar.

Aquí el razonamiento es claro, verificable y correcto.

Ejemplo educativo en Lengua: comprensión lectora

Prompt:

Lee el texto y responde razonando paso a paso:

“El uso del transporte público reduce la contaminación porque disminuye el número de vehículos privados en circulación.”

Pregunta: ¿Cuál es la causa y cuál es la consecuencia?

Salida esperada:

Primero identifico la causa: disminuir el número de vehículos privados.
Luego identifico la consecuencia: reducir la contaminación.
Por tanto, la causa es la disminución de vehículos y la consecuencia es la reducción de la contaminación.

Este tipo de prompt ayuda al alumnado a estructurar el pensamiento, no solo a señalar una respuesta.

Chain of Thought en evaluación y autoevaluación

El Chain of Thought también puede usarse para:

Por ejemplo:

Explica paso a paso por qué esta respuesta es correcta o incorrecta según los criterios de evaluación.

Así, la IA se convierte en una herramienta de reflexión, no solo de corrección.

Ventajas del Chain of Thought en educación

El uso de esta técnica permite:

Además, encaja perfectamente con metodologías educativas que valoran:

Idea clave para el aula

Pedir que se explique el razonamiento
es enseñar a pensar, no solo a responder.

El Chain of Thought prompting no solo mejora a la IA; mejora el aprendizaje humano al poner el foco en el proceso.

Retrieval Augmented Generation (RAG)

Cuando la IA consulta fuentes reales para responder mejor

Hasta ahora hemos visto técnicas de prompting que permiten guiar el razonamiento y la forma de responder de los modelos de lenguaje. Sin embargo, todas ellas comparten una limitación importante: el modelo responde solo con el conocimiento que ya tiene incorporado desde su entrenamiento. Ese conocimiento es amplio, pero no es infinito, no siempre está actualizado y no siempre es específico.

Para abordar tareas que requieren información más precisa, actualizada o contextualizada, surge una de las técnicas más importantes del prompting avanzado y de los sistemas modernos de IA: la Generación Aumentada por Recuperación, conocida como RAG (Retrieval Augmented Generation).

¿Qué es RAG?

La Generación Aumentada por Recuperación (RAG) es un enfoque que combina dos elementos:

  1. Un sistema de recuperación de información, que busca documentos relevantes en fuentes externas (por ejemplo, una base de datos, apuntes, PDFs, normativa, Wikipedia o documentos del centro educativo).

  2. Un modelo de lenguaje generativo, que utiliza esos documentos como contexto para generar la respuesta final.

En lugar de responder solo “de memoria”, el sistema consulta primero información real, la incorpora al prompt y después genera una respuesta basada en esos datos. De este modo, la IA no solo “habla bien”, sino que habla apoyándose en fuentes concretas.

¿Por qué es necesaria la técnica RAG?

Los modelos de lenguaje de propósito general funcionan muy bien para tareas como:

Estas tareas no suelen requerir conocimientos externos adicionales. Sin embargo, cuando la tarea exige:

el modelo puede cometer errores o “alucinar”, es decir, generar respuestas plausibles pero incorrectas.

RAG surge precisamente para reducir este problema y aumentar:

¿Cómo funciona RAG de forma sencilla?

El funcionamiento de RAG puede entenderse en cuatro pasos:

  1. El usuario plantea una pregunta o tarea.

  2. El sistema busca documentos relevantes en una fuente externa.

  3. Esos documentos se añaden como contexto al prompt.

  4. El modelo genera la respuesta basándose en ese contexto.

Lo importante es que no es necesario reentrenar el modelo cada vez que cambia la información. Basta con actualizar los documentos a los que tiene acceso el sistema. Esto hace que RAG sea especialmente útil en contextos donde el conocimiento evoluciona con el tiempo.

Ejemplo educativo de RAG

Imaginemos un centro educativo que quiere usar IA para responder preguntas sobre su normativa interna o sobre un currículo oficial.

Pregunta del alumno:

¿Cuáles son los criterios de evaluación del tema 3?

Un modelo sin RAG podría:

Con RAG, el sistema:

Así, la IA actúa como un asistente documental, no como una fuente inventada de conocimiento.

Aplicaciones educativas claras de RAG

En educación, RAG abre posibilidades muy valiosas:

RAG y pensamiento crítico

Desde un punto de vista pedagógico, RAG tiene un valor añadido muy importante:
devuelve protagonismo a las fuentes.

El alumnado aprende que:

Además, el profesorado puede exigir que la IA:

Esto refuerza competencias clave como la alfabetización informacional y el pensamiento crítico.

Ventajas de RAG frente a otros enfoques

La técnica RAG permite:

Por eso, RAG es una de las bases de muchos sistemas educativos avanzados basados en IA.

Idea clave para el aula

La IA no debe sustituir a las fuentes,
sino aprender a trabajar con ellas.

La Generación Aumentada por Recuperación convierte a la IA en una herramienta de acceso y comprensión de documentos, no en una autoridad absoluta. En educación, esto marca una diferencia fundamental: aprender con información fiable es tan importante como aprender a formular buenas preguntas.

2.5 Diseño curricular: Situaciones de Aprendizaje

Introducción

El uso de la IA Generativa puede facilitar y enriquecer cada una de sus fases: ayuda a generar ideas, estructurar propuestas, revisar coherencias y mejorar materiales, pero las decisiones finales siguen siendo docentes. Una Situación de Aprendizaje bien planteada sigue necesitando coherencia curricular y sentido pedagógico.

Como hemos visto, aprender a estructurar y reutilizar prompts educativos se ha convertido en una competencia emergente para el profesorado. La UNESCO (2024), en su Guía sobre IAGen en Educación, recomienda:

Además, es de vital importancia para los docentes no introducir en el prompt datos personales.

Estructura o anatomía del prompt

Un prompt educativo eficaz suele incluir varios elementos que orientan a la IA sobre qué hacer, para quién y con qué características. Una estructura sencilla y eficaz incluye los siguientes componentes:

1. Rol: define el papel que debe adoptar la IA. Por ejemplo: "Actúa como una maestra de música especialista en educación vocal."

2. Tarea: indica claramente qué debe generar, es la orden (compara, escribe, diseña, enumera...). Por ejemplo: "Diseña una situación de aprendizaje sobre "The Beatles".

3. Destinatario: nivel o edad del alumnado. Por ejemplo: alumnado de 8 años

4. Contexto educativo. Describe el marco pedagógico:

Aquí exponemos el ejemplo de un prompt sencillo pero eficaz:

image.png

Iteración

Una vez que introducimos el prompt en el asistente, nos dará una respuesta que puede convencernos más o menos; quizá nos de otra idea, o podemos refinar ese resultado pidiéndole los ajustes que consideremos necesarios; es decir, mantener una conversación en la que le pedimos que vaya modificando elementos, o añadiendo otros nuevos que no nos ha proporcionado previamente y se lo queramos pedir, como por ejemplo:

También podemos introducir ese mismo prompt inicial o incluso el output o respuesta que te dio la IA en otro asistente, comparar resultados y combinarlos.

Cuanto más clara y estructurada sea la indicación, más ajustada será la respuesta generada por la IA. 

También puedes ajustar el lenguaje de la respuesta para que sea comprensible por el alumnado, por ejemplo a la hora de plantear actividades.

Existen prompts más complejos, como el que propone Juan José de Haro, en el que en lugar de iterar sobre los resultados de la IA, vas introduciendo toda la información:

Genially de Julián Trullenque

En cualquier caso, es necesario revisar la coherencia interna de la SdA y detectar posibles mejoras.

Bancos de prompts educativos

Otra opción es pedirle a un asistente que nos genere un prompt eficaz para por ejemplo adaptar una situación de aprendizaje, y utilizarlo en una nueva conversación de ese mismo asistente, o en otro diferente. En este sentido, también podemos encontrar GPTs educativos dentro de ChatGPT, Gems en Gemini, y los propios agentes que entrenemos nosotros mismos para ello.

Del mismo modo que se aprende a escribir leyendo buenos textos, se aprende a diseñar buenos prompts observando ejemplos bien construidos. Por eso, en el ecosistema de la Inteligencia Artificial han surgido los llamados bancos de prompts: repositorios donde se recopilan, clasifican y comparten instrucciones eficaces para interactuar con modelos de lenguaje.

Un buen banco de prompts permite estudiar:

Además existen bibliotecas de prompts educativos entre las que destacamos esta biblioteca avanzada de prompts educativos que los clasifica por temáticas.image.png

También puedes encontrar prompts centrados en el Diseño Universal del Aprendizaje (DUA) aquí.

También hay otras más sencillas como esta donde puedes seleccionar el tipo de elemento que quieres generar, por ejemplo "lesson plan", y una vez que rellenas la información que te pide, te genera el prompt para copiar y pegar en un asistente.

image.png           image.png

Puedes empezar probando estos prompts sencillos en cualquier asistente, pincha en el que más te apetezca:

Genially por Julián Trullenque


Tu propio banco de prompts

Desde un punto de vista pedagógico, lo más valioso no es usar bancos externos, sino construir uno propio  con el departamento, o incluso según para qué, con el alumnado.

Un banco de prompts educativo puede incluir:

Esto convierte el prompting en un objeto de aprendizaje y evaluación.

Aprender a preguntar es aprender a pensar.
Los bancos de prompts no enseñan respuestas,
enseñan formas de formular preguntas.

Otros bancos de prompts 

Prompt Engineering Guide  Uno de los repositorios más completos y estructurados. Incluye:

Muy recomendable para profesorado y alumnado avanzado.

Awesome Prompts

Repositorio colaborativo con miles de prompts organizados por roles.
Útil para analizar cómo se asignan identidades, cómo se define el tono, cómo se estructura una instrucción compleja. 
Puede filtrarse para usos educativos.

FlowGPT

Plataforma para compartir prompts, con sistema de etiquetas y valoraciones.
Permite buscar por educación, escritura, razonamiento, análisis.
Ideal para comparar variaciones de un mismo prompt.

PromptHero

Especialmente útil para prompts de generación visual, pero también incluye texto.
Puede servir en educación artística, diseño o proyectos creativos.