Prompting con roles
Consiste en asignar a la IA un papel concreto. Por ejemplo, puedes decirle «Eres un corresponsal con experiencia en educación» o «Eres el director de un periódico de alcance nacional del Reino Unido» antes de describir lo que le pedirás. Cuantos más detalles, mejor.
Hay estudios contradictorios sobre la eficacia del prompting con roles, pero al nivel más básico, proporcionar un rol es una buena manera de ofrecer un contexto, lo que marca una gran diferencia en la calidad y relevancia de las respuestas.
No se trata solo del contexto de un proceso profesional (por ejemplo, redacción de noticias, periodismo sanitario, etc.), sino también de la audiencia y de la actitud que se puede pedir a la IA generativa (genAI) que adopte.
Como las herramientas genAI suelen tener demasiadas ganas de agradar, hablan demasiado y carecen de sentido crítico, puedes, por ejemplo, intentar el siguiente prompt: «Eres un corresponsal de salud que siempre se muestra cuidadosamente escéptico sobre cualquier información que recibe». Eso ayudará a guiar a la IA hacia sugerencias más críticas.
Prompting recursivo
Por ejemplo, si has pedido varias ideas, puedes indicar cuál de ellas se ajusta más a tus requisitos y pedirle que genere más como esa. También puedes dar más información sobre tu petición si te parece que la IA no termina de entender lo que quieres decir.
O si las respuestas de la IA tienden a ser más largas de lo que te gustaría, puedes iterar pidiéndole que sea más sucinta.
Sin embargo, hay que tener en cuenta el impacto medioambiental de las instrucciones recursivas. Utilizar el método de ensayo y error para llegar a una respuesta adecuada probablemente consuma más energía que eliminar los posibles problemas con una instrucción diseñada con más cuidado desde el principio.
Prompting con un ejemplo, algunos o ninguno
Si le pides a una herramienta de IA generativa que haga algo sin mostrarle un ejemplo de lo que quieres, se llama «sugerencia cero». Significa que dependes por completo de los conocimientos de la IA sobre lo que puede significar una «historia» o un «argumento».
Si le das ejemplos de lo que quieres que haga, se denomina «one-shot» o «few-shot prompting», dependiendo de si le das un ejemplo o varios.
El few-shot prompting (dar algunos pocos ejemplos) se utiliza comúnmente en tareas de clasificación, o cuando se desea mayor flexibilidad, como al mostrar varios ejemplos de lo que se considera una buena publicación en redes sociales.
Generación Aumentada de Recuperación (GAR)
La mayor fortaleza de la inteligencia artificial —el hecho de que los grandes modelos de lenguaje (LLMs) han sido entrenados con millones de líneas de texto— también puede ser una debilidad. El “conocimiento” de un LLM es amplio, pero a la vez limitado: por ejemplo, probablemente «sepa» mucho más sobre eventos pasados que sobre acontecimientos recientes.
La Generación Aumentada por Recuperación —complementar la indicación o prompt con información específica— es una estrategia para sortear esa limitación. La plataforma de inteligencia artificial generativa Perplexity, por ejemplo, la emplea para buscar información relevante y/o reciente con el fin de mejorar sus respuestas.
Pero también nosotros podemos “aumentar” nuestros propios prompts al elegir incluir información externa.
Un ejemplo habitual es el análisis de documentos: en lugar de pedir a un gran modelo lingüístico que genere ideas para historias sobre una empresa, podemos cargar sus informes anuales para «aumentar» sus conocimientos y dirigir su atención. Herramientas como NotebookLM de Google están diseñadas específicamente para este tipo de prompts aumentados por documentos.
Otro escenario en el que la GAR puede ser útil es el periodismo de datos: pegando algunas filas de datos, o acompañando notas sobre metodología para «aumentar» su comprensión, puedes ayudar a asentar su conocimiento en un contexto fáctico más específico. Eso sí, especifica que no quieres que realice ningún análisis, o intentará dar más de sí.
Cargar la guía de estilo de una publicación sería otro ejemplo de RAG, pero este experimento sugiere que no es muy efectivo.
Prompt con cadena de razonamiento
Pedirle a una herramienta de IA generativa que no solo entregue un resultado, sino que explique su razonamiento paso a paso (lo que se conoce como chain-of-thought prompting o “cadena de pensamiento”) puede mejorar significativamente la calidad de las respuestas en ciertos contextos.
En su forma más simple (zero-shot), esta técnica consiste en añadir una frase como “Pensemos esto paso a paso” al final de la pregunta. Sin embargo, en el trabajo periodístico suele ser más útil establecer un marco metodológico claro para guiar ese razonamiento.
Por ejemplo, en lugar de preguntar simplemente por qué ocurre determinado problema, puedes pedirle que aplique el método de los “cinco porqués” y que fundamente cada uno. O, si se busca desarrollar una idea para una investigación, es posible indicar el uso de enfoques como la indagación basada en historias o el método SCAMPER, y pedir que el modelo estructure su respuesta según esas herramientas.
También se puede desglosar un proceso paso a paso. Por ejemplo, para generar ideas para artículos, podrías indicarle: “Sigue estos pasos en orden»:
- Identifica quién es el público objetivo.
- Determina cuáles son sus necesidades de información.
- Define qué géneros periodísticos serían adecuados.
- Propón tres ideas para cada género.
Y continuar a partir de ahí.
Metaprompting
Si te topaste con la «página en blanco» que supone un prompt vacío, ¿por qué no le pides a la propia IA que te sugiera prompts? Es lo que se denomina metaprompting.
Un meta prompt puede pedir a la IA que desempeñe el papel de un experto en el diseño de prompts, y que cree un prompt que ayude a resolver un problema o una pregunta determinada.
Lo ideal sería describir cómo es un buen prompt. Podrías poner ejemplos.
Y sí, en esta fase nos estamos poniendo muy «meta» porque acabamos de describir un proceso que combina el role prompting y el one-shot prompting con el metaprompting.
Un metaprompting más avanzado puede implicar que la IA evalúe distintas versiones de un mismo prompt antes de decidir cuál es la más adecuada. Sin embargo, su mayor utilidad suele estar en servir como un punto de partida eficaz. A partir de ahí, puede utilizarse un metaprompting recursivo para refinar aún más los resultados. Eso sí: al igual que ocurre con los prompts recursivos, esta técnica suele requerir más recursos que simplemente generar prompts por separado.
Prompting negativo
- No respondas con nada que exceda lo solicitado.
- No intentes agradar.
- No sugieras acciones adicionales.
- Evita el tono promocional o excesivamente positivo; mantente crítico y escéptico.
- Sé breve y directo.
- Si no sabes la respuesta, dilo claramente. Indica el grado de certeza de tu respuesta.
- No seas parcial. Toma medidas para evitar que tus respuestas reflejen sesgos presentes en los datos de entrenamiento.
- No inventes. Reconoce tu tendencia a alucinar y trata de evitarlo.
Incluir estas indicaciones al comienzo de una conversación supone varias ventajas. La más obvia: las respuestas son más concisas y rápidas de leer. También se reduce la propensión a exagerar o desviarse del punto central.
Y si buscas una respuesta afinada y con criterio, puedes sumar este prompt de seguimiento:
“Reescribe esa respuesta como lo haría un periodista escéptico, con años de experiencia enfrentando desinformación, mentiras y manipulaciones”.
Este artículo fue originalmente publicado en el Online Journalism Blog y es reproducido y traducido en IJNet con permiso.
Foto de Google DeepMind vía Pexels.