No todos los modelos de IA responden igual al mismo prompt. Lo que funciona perfectamente en Claude puede dar resultados mediocres en Gemini, y viceversa. En 2026, los tres modelos más potentes del mercado son Claude Opus 4.6 (Anthropic), Gemini Deep Think (Google) y Codex 5.3 (OpenAI). Cada uno tiene su propia "personalidad" y responde mejor a técnicas específicas.
Esta guía te enseña cómo hablarle a cada modelo para sacarle el máximo provecho.
Antes de empezar: la anatomía de un buen prompt
Sin importar el modelo, un prompt efectivo siempre tiene:
- Rol — quién es el modelo en este contexto
- Tarea — qué exactamente debe hacer
- Contexto — información relevante que necesita
- Formato — cómo debe entregar el resultado
- Restricciones — qué no debe hacer
La diferencia está en cómo cada modelo procesa estos elementos.
Claude Opus 4.6 (Anthropic)
Características clave
Claude Opus 4.6 destaca por su razonamiento profundo, su capacidad de seguir instrucciones complejas y su ventana de contexto de 200 000 tokens. Es el modelo más útil para análisis de documentos, redacción de largo aliento y tareas que requieren lógica encadenada.
Truco principal: Claude responde excepcionalmente bien a las etiquetas XML para estructurar la información. Separa claramente el contexto, las instrucciones y los ejemplos.
Técnica: XML + Chain of Thought
<rol>
Eres un consultor de estrategia de negocios con 15 años de experiencia en empresas SaaS B2B latinoamericanas.
</rol>
<contexto>
Mi empresa vende software de facturación electrónica. Tenemos 200 clientes activos, MRR de $18,000 USD y una tasa de churn mensual del 4%. Llevamos 2 años en el mercado.
</contexto>
<tarea>
Analiza nuestra situación y propone 3 estrategias concretas para bajar el churn al 1.5% en los próximos 6 meses.
</tarea>
<formato>
Para cada estrategia:
- Nombre de la estrategia
- Por qué funciona para nuestro caso específico
- Pasos de implementación (máximo 5)
- Métrica de éxito
- Riesgo principal
</formato>
<restricciones>
- No proponer contratar más personal de ventas
- Las estrategias deben ser ejecutables con un equipo de 4 personas
- Presupuesto máximo disponible: $3,000 USD/mes
</restricciones>
Técnica: Extended Thinking para problemas complejos
Cuando uses Claude via API, activa el modo de pensamiento extendido para problemas que requieren razonamiento de múltiples pasos:
Antes de responder, piensa paso a paso dentro de etiquetas <thinking>.
<thinking>
[Claude razona internamente aquí sin mostrarlo al usuario]
</thinking>
[Luego entrega la respuesta final]
Para tareas de análisis o decisiones con muchas variables, este modo reduce las alucinaciones hasta un 40%.
Ejemplo completo: redacción de propuesta comercial
Prompt:
<rol>Eres un copywriter especializado en propuestas comerciales B2B para empresas de tecnología en Latinoamérica.</rol>
<tarea>Escribe la sección "¿Por qué elegirnos?" de una propuesta para un cliente del sector retail que busca automatizar sus reportes de inventario.</tarea>
<datos_cliente>
- Empresa: Retail XYZ, 15 tiendas en México
- Problema actual: generan reportes manualmente cada semana, tarda 8 horas
- Objetivo: reducir ese tiempo a menos de 30 minutos
</datos_cliente>
<nuestra_propuesta>
- Automatización con n8n + Google Sheets
- Tablero en tiempo real en Looker Studio
- Alertas automáticas por WhatsApp cuando el stock baje del mínimo
</nuestra_propuesta>
<tono>Profesional pero cercano. Nada de jerga técnica. Enfocado en resultados de negocio.</tono>
<longitud>150-200 palabras</longitud>
Por qué funciona: Claude procesa cada etiqueta XML como una capa de contexto separada y produce output altamente calibrado a cada campo.
Gemini Deep Think (Google)
Características clave
Gemini Deep Think de Google es el modelo más potente para tareas que requieren razonamiento en múltiples pasos, búsqueda y síntesis de información actualizada (con grounding) y análisis de datos estructurados. Su ventaja frente a Claude es la conexión nativa con el ecosistema de Google (Docs, Sheets, Search).
Truco principal: Gemini responde mejor cuando le dices explícitamente el proceso de pensamiento que quieres. No asumas que lo hará solo.
Técnica: Step-by-Step Forcing con verificación
Necesito que resuelvas este problema siguiendo estos pasos en orden. No pases al siguiente paso hasta completar el anterior.
PROBLEMA: [describe tu problema aquí]
Paso 1: Define exactamente qué información necesitas para resolver el problema
Paso 2: Lista las asunciones que estás haciendo y por qué son razonables
Paso 3: Desarrolla 3 enfoques posibles con sus pros y contras
Paso 4: Elige el enfoque óptimo y justifica la elección
Paso 5: Desarrolla el plan de implementación detallado
Paso 6: Identifica los 3 riesgos principales y cómo mitigarlos
Presenta cada paso con el encabezado "PASO X:" antes de comenzarlo.
Técnica: Grounding para investigación actualizada
Gemini Deep Think puede acceder a información actualizada. Aprovecha esto:
Usa tu capacidad de búsqueda para responder esta pregunta con datos actualizados de 2026.
PREGUNTA: ¿Cuáles son las 5 herramientas de automatización de marketing más usadas por empresas SaaS en Latinoamérica actualmente?
Para cada herramienta incluye:
- Nombre y empresa detrás
- Precio actual del plan básico
- Función principal
- Un caso de uso específico para empresas de menos de 50 empleados
Indica la fecha de cada fuente que uses.
Ejemplo completo: análisis competitivo
Prompt:
Actúa como un analista de mercado senior. Necesito un análisis competitivo de las plataformas de gestión de proyectos para equipos de desarrollo de software en LATAM.
Sigue este proceso:
PASO 1 — IDENTIFICACIÓN: Lista los 5 competidores principales activos en LATAM en 2026.
PASO 2 — MATRIZ COMPARATIVA: Para cada uno, analiza:
- Precio (plan para equipos de 10 personas)
- Características únicas
- Debilidad principal
- Clientes típicos
PASO 3 — GAPS DE MERCADO: Identifica 2 necesidades que ninguno cubre bien actualmente.
PASO 4 — OPORTUNIDAD: Para una empresa nueva que quiera entrar al mercado, ¿qué posicionamiento tendría más probabilidad de éxito? Argumenta con datos.
Sé específico con números cuando sea posible. Si no tienes datos concretos de algún punto, indícalo claramente.
Por qué funciona: El paso explícito de instrucciones activa el modo de razonamiento profundo de Gemini y reduce respuestas genéricas.
Codex 5.3 (OpenAI)
Características clave
Codex 5.3 es el modelo especializado en generación y refactorización de código de OpenAI. A diferencia de sus hermanos generalistas, está optimizado para entender contexto técnico complejo, generar código funcional en múltiples lenguajes y seguir patrones de arquitectura específicos.
Truco principal: Codex rinde mejor cuando le das ejemplos del estilo de código que quieres (few-shot) y defines claramente el contrato de la función (inputs, outputs, casos borde).
Técnica: Contract-First Prompting
Escribe una función en TypeScript que cumpla con este contrato:
NOMBRE: calcularPrecioConDescuento
DESCRIPCIÓN: Calcula el precio final de un producto aplicando descuentos escalonados según la cantidad.
INPUTS:
- precioBase: number (precio unitario en USD, siempre positivo)
- cantidad: number (unidades, entero positivo)
- codigoDescuento?: string (opcional, puede ser nulo)
OUTPUTS:
- precioFinal: number (redondeado a 2 decimales)
- descuentoAplicado: number (porcentaje como decimal, ej: 0.15 para 15%)
- detalle: string (explicación human-readable del descuento)
REGLAS DE NEGOCIO:
- 1-9 unidades: sin descuento
- 10-49 unidades: 10% de descuento
- 50-99 unidades: 20% de descuento
- 100+ unidades: 30% de descuento
- Código "LAUNCH2026": descuento adicional del 5% (se acumula)
- Código inválido: ignorar sin lanzar error
CASOS BORDE:
- cantidad = 0: lanzar Error("La cantidad debe ser mayor a 0")
- precioBase negativo: lanzar Error("El precio debe ser positivo")
TESTS: incluye 5 casos de prueba con Jest que cubran los casos borde y el camino feliz.
Técnica: Few-Shot con estilo de código
Si quieres que Codex siga el estilo de tu codebase existente:
Sigue exactamente el mismo patrón que estos dos ejemplos de mi codebase:
EJEMPLO 1:
[pega aquí una función existente de tu código]
EJEMPLO 2:
[pega aquí otra función similar]
Ahora escribe una función con el mismo estilo, naming conventions y manejo de errores para:
[describe la nueva función]
Ejemplo completo: endpoint de API en Next.js
Prompt:
Escribe un Route Handler de Next.js 14 (App Router) en TypeScript para el siguiente endpoint:
RUTA: POST /api/subscriptions
PROPÓSITO: Crear una nueva suscripción de usuario a un plan de pago.
TECH STACK:
- Next.js 14 App Router
- Supabase (usa el client que importo así: import { createClient } from "@/lib/supabase/server")
- Zod para validación
- Resend para emails
BODY ESPERADO:
```json
{
"userId": "uuid",
"planId": "starter" | "pro" | "enterprise",
"billingCycle": "monthly" | "yearly"
}
LÓGICA:
- Validar el body con Zod (retornar 400 si inválido con mensaje descriptivo)
- Verificar que el usuario existe en la tabla "profiles" de Supabase
- Si ya tiene suscripción activa, retornar 409 con mensaje "Ya tienes una suscripción activa"
- Insertar en tabla "subscriptions": userId, planId, billingCycle, status="pending", createdAt
- Enviar email de bienvenida con Resend a la dirección del usuario
- Retornar 201 con el objeto de suscripción creado
MANEJO DE ERRORES:
- Cualquier error de Supabase: log + retornar 500
- Cualquier error de Resend: log + NO fallar (la suscripción ya fue creada)
- Siempre retornar JSON con la forma { data: ... } o { error: ... }
Incluye los types de TypeScript necesarios. No uses any.
**Por qué funciona**: Codex genera código de producción cuando tiene el contrato exacto, los tipos, la lógica de negocio y el manejo de errores especificados de antemano.
---
## Tabla comparativa: ¿cuándo usar cada modelo?
| Tarea | Claude Opus 4.6 | Gemini Deep Think | Codex 5.3 |
|---|---|---|---|
| Análisis de documentos largos | ★★★★★ | ★★★★ | ★★ |
| Redacción persuasiva | ★★★★★ | ★★★★ | ★★★ |
| Investigación con datos actuales | ★★★ | ★★★★★ | ★★★ |
| Razonamiento multi-paso | ★★★★★ | ★★★★★ | ★★★ |
| Generación de código | ★★★★ | ★★★ | ★★★★★ |
| Refactorización y revisión de código | ★★★★ | ★★★ | ★★★★★ |
| Análisis de datos estructurados | ★★★★ | ★★★★★ | ★★★★ |
| Seguimiento de instrucciones complejas | ★★★★★ | ★★★★ | ★★★★ |
---
## La regla de oro para cualquier modelo
El error más común al usar IA es escribir prompts vagos y esperar resultados específicos. Cuanto más **concreto, estructurado y ejemplificado** sea tu prompt, mejor será el resultado — sin importar el modelo.
Una fórmula simple que funciona en los tres modelos:
> **"Actúa como [ROL ESPECÍFICO]. Dado [CONTEXTO CONCRETO], necesito que [TAREA EXACTA]. El resultado debe estar en formato [FORMATO] y no debe incluir [RESTRICCIONES]."**
¿Quieres que implementemos una solución de IA personalizada para tu negocio usando alguno de estos modelos? [Hablemos](/es/contact).
---
## Preguntas frecuentes sobre prompts de IA
### ¿Qué es el "prompt engineering" y para qué sirve?
El prompt engineering es la técnica de diseñar instrucciones precisas para obtener mejores resultados de los modelos de IA. Un prompt bien estructurado puede multiplicar por 3 o 4 la calidad del output. Incluye definir el rol del modelo, dar contexto relevante, especificar el formato de respuesta y establecer restricciones claras.
### ¿Cuál es el modelo de IA más potente para uso empresarial en 2026?
Para análisis de documentos largos y seguimiento de instrucciones complejas, **Claude Opus 4.6** lidera. Para investigación con datos actualizados y razonamiento multi-paso, **Gemini Deep Think** es superior. Para generación de código de producción, **Codex 5.3** es la opción más especializada. La elección depende del caso de uso específico.
### ¿Funciona el mismo prompt en todos los modelos de IA?
No. Cada modelo tiene "preferencias" diferentes. Claude responde mejor a etiquetas XML estructuradas. Gemini mejora cuando le dices explícitamente los pasos de razonamiento que debe seguir. Codex necesita contratos técnicos claros (inputs, outputs, casos borde). Adaptar el prompt al modelo puede mejorar el resultado hasta un 40%.
### ¿Cuánto texto puedo incluir en un prompt?
Depende del context window de cada modelo. Claude Opus 4.6 tiene 200k tokens (~150,000 palabras). Gemini Deep Think también tiene ventanas de contexto muy largas. En la práctica, el límite no suele ser el contexto sino el costo: más tokens = más costo. Optimiza incluyendo solo el contexto necesario para la tarea.
### ¿Hay alguna forma de guardar y reutilizar mis mejores prompts?
Sí. Puedes crear una librería de prompts en Notion, Google Docs o herramientas especializadas como PromptLayer o LangSmith. En Claude, puedes usar "Projects" para mantener un system prompt fijo por proyecto. En equipos, documentar los prompts que funcionan bien ahorra tiempo y asegura consistencia en los resultados.
---
## También te puede interesar
- [Guía técnica: integrar la API de Claude en tu empresa](/es/blog/integrar-api-claude-anthropic-empresa)
- [Cómo usar las APIs de OpenAI, Claude y Gemini: guía práctica](/es/blog/guia-apis-ia-openai-claude-gemini)