Cómo escribir prompts para modelos de razonamiento en 2026

Por qué importa

Muchos hábitos al escribir prompts se inventaron para modelos que no razonaban antes de responder. Los modelos de razonamiento actuales de Anthropic, OpenAI y Google piensan antes de contestar, y varios trucos antiguos ya no sirven de nada, desperdician esfuerzo o estorban. Este criterio, la adecuación al modelo, comprueba si un prompt encaja con el modelo para el que está escrito. Estos son los cinco cambios que más importan en 2026.

Ajusta el esfuerzo; no guiones el razonamiento. Los modelos Claude usan razonamiento adaptativo, y el parámetro effort de la API (de low a max) es el control principal de la profundidad con la que piensan. OpenAI también ofrece un ajuste de esfuerzo de razonamiento, y sus recomendaciones para modelos de razonamiento dicen que pedirles que piensen paso a paso es innecesario y a veces puede perjudicarlos. Google señala que los modelos Gemini 2.5 y 3 piensan internamente, así que la respuesta no necesita exponer el razonamiento. Anthropic añade que una instrucción general como «piensa a fondo» suele funcionar mejor que un plan paso a paso escrito a mano.

Escribe con calma. Las mayúsculas, los signos de exclamación y las palabras absolutas eran antes una forma de llamar la atención del modelo. Los modelos actuales siguen las instrucciones de cerca, y Anthropic advierte de que una redacción agresiva puede llevarlos a aplicar una regla en exceso; sugiere cambiar una orden en mayúsculas por un simple «usa esta herramienta cuando…». La guía de GPT-5 de OpenAI hace una observación parecida sobre las contradicciones: el modelo gasta esfuerzo en conciliarlas.

Primero el material largo, la pregunta al final. Anthropic aconseja colocar los documentos largos por encima de las instrucciones y la pregunta, y Google da el mismo consejo para Gemini 3: aportar primero el contexto y poner la instrucción al final.

Explica el porqué. Una regla con su motivo («sé breve porque esto va en un correo a un cliente») permite al modelo generalizar; una regla desnuda invita a una obediencia literal y frágil. Anthropic recomienda explicar la motivación de las instrucciones.

Usa salidas estructuradas, no prefill. Empezar la respuesta del asistente por él (el prefill, o prerrelleno) servía para forzar JSON. En los modelos Claude actuales, un último turno del asistente prerrellenado ya no es compatible, y Anthropic remite a las salidas estructuradas. Tanto Anthropic como OpenAI permiten enviar un esquema JSON con la petición para que la respuesta lo siga.

Cómo es un buen prompt

• 0 — Contradicciones, gritos o trucos dañinos. Órdenes en mayúsculas, razonamiento paso a paso forzado, una respuesta que depende del prefill, o «sé breve pero cúbrelo todo».
• 1 — Más tranquilo, pero con hábitos obsoletos. «Piensa paso a paso. ¿Cuáles son los riesgos?» seguido de 20 páginas de contrato.
• 2 — Sencillo y tranquilo, estructura débil. Material y preguntas mezclados en un solo párrafo, sin delimitadores.
• 3 — Tranquilo, coherente y bien colocado. El material largo primero, entre etiquetas, la petición al final, y el motivo indicado donde importa.
• 4 — Todo lo anterior, escrito para el modelo elegido. Estructura en la forma que recomienda el proveedor, la profundidad confiada al ajuste de esfuerzo, una comprobación que el modelo puede hacer por sí mismo y nada redundante.

Errores frecuentes

• Mantener «piensa paso a paso» o «respira hondo» por costumbre.
• Usar mayúsculas o repeticiones para señalar la importancia en lugar de un motivo.
• Pegar un documento largo después de la pregunta.
• Depender del prefill o de «responde solo en JSON» cuando la API ofrece salidas estructuradas.
• Pedir en el prompt que el modelo piense menos o más en lugar de cambiar el ajuste de esfuerzo.

Pruébalo con tu propio prompt

Pega en el espacio de trabajo un prompt antiguo, uno que reutilices desde hace tiempo, y busca los hábitos anteriores: mayúsculas, guiones paso a paso, la pregunta antes del material, reglas sin motivo. Corrígelos uno a uno y sigue la puntuación de adecuación al modelo. Después prueba la optimización para tu familia de modelos de destino y compara su versión con la tuya.