La incorporación de herramientas de inteligencia artificial generativa en el ámbito de la información científica y sanitaria ha puesto de relieve una competencia esencial: saber formular buenos prompts. La calidad de las respuestas que obtenemos no depende únicamente del modelo que utilizamos, sino en gran medida de cómo formulamos nuestras preguntas. A esa instrucción que damos a la IA la denominamos prompt.

Un prompt no es solo una pregunta. Es la instrucción que guía el comportamiento del modelo y condiciona de forma directa la calidad, la precisión y la utilidad de la respuesta generada. Lejos de ser un elemento trivial, un prompt eficaz se convierte en una auténtica herramienta de trabajo que permite guiar, acotar y controlar la salida del sistema.

Los modelos de lenguaje de gran escala (LLM) funcionan prediciendo la siguiente palabra, es decir, el siguiente token[1] más probable. No entienden ni razonan como lo hacemos las personas, sino que aprenden correlaciones estadísticas a partir de grandes volúmenes de texto. Por este motivo, cuanto más claro, estructurado y contextualizado sea el prompt, más estable, coherente y fiable será la respuesta obtenida.

En este contexto, el uso de técnicas de promptingadecuadas resulta clave para mejorar la precisión, la utilidad y la fiabilidad de los resultados, especialmente cuando se trabaja con información científica y sanitaria, donde el rigor y el control del contenido son imprescindibles.

De los tokens a los embeddings: por qué importa cómo preguntamos

Cada texto que introducimos se fragmenta en token que se transforman en vectores matemáticos (embeddings). Estos vectores permiten al modelo detectar relaciones semánticas, similitudes y dependencias contextuales. En la práctica, esto significa que:

  • Prompts ambiguos generan respuestas imprecisas.
  • Prompts bien definidos reducen la variabilidad y el “ruido”.
  • La elección del idioma también influye: el inglés suele ofrecer mayor precisión en tareas científicas, mientras que otros idiomas son más adecuados para contenidos divulgativos o locales.

Tipos de prompts y su aplicación práctica

En un primer nivel, los prompts fundamentales buscan asegurar que la IA entienda correctamente qué se le pide y con qué finalidad. Para ello, es esencial formular instrucciones claras, definir la audiencia, indicar el rol que debe asumir la IA y evitar ambigüedades.

Cuando se necesita un mayor control del resultado, entran en juego los prompts de ajuste y estructuración, que permiten solicitar formatos concretos, establecer límites de extensión o definir criterios comparativos. En situaciones donde el formato o el estilo son determinantes, los prompts de ejemplificación resultan especialmente eficaces. Al proporcionar ejemplos del tipo de respuesta esperada, la IA puede replicar mejor el tono, la estructura y el nivel de detalle deseado, mejorando la calidad de los resultados.

Para tareas más complejas, como explicar procesos metodológicos o justificar estrategias de búsqueda, los prompts de razonamiento y transparencia ayudan a obtener respuestas más comprensibles y auditables, facilitando la validación de los resultados y la toma de decisiones informadas.

Finalmente, los prompts de control y verificación y el uso de multi-promptspermiten reducir errores, limitar respuestas a fuentes fiables y dividir tareas complejas en fases sucesivas, lo que mejora la coherencia y la calidad final, especialmente cuando se trabaja con evidencia científica.

Ejemplos de guías para la creación de prompts

Existen en la literatura esquemas estructurados que nos ayudan a crear nuestros prompts, facilitando unos pasos a seguir. Utilizar marcos de trabajo (o frameworks) permite ser preciso y ahorrar tiempo, y sobre todo sistematizar para no olvidarnos de partes importantes a tener en cuenta en un prompt. Algunos ejemplos son:

  • CISCO: Contexto (Context) Intención (Intent) Estilo (Style) Comando (Command) Resultado (Output)
  • RECORD: Rol (Role) Esencia (Essence) Contexto (Context) Objetivo (Objective) Requisitos (Requirements) Diseño (Design)
  • RISEN: Rol (Role) Instrucciones (Instructions) Pasos (Steps) Meta Final (End goal) Restricciones/Delimitación (Narrowing)
  • RODES: Rol (Role) Objetivo (Objective) Detalles (Details) Ejemplos (Examples) Verificación de coherencia (Sense Check)
  • RTF:  Rol (Role) Tarea (Task) Formato (Format)
  • TIC: Tarea (Task) Instrucciones (Instructions) Contexto (Context)

Algunos ejemplos más complejos son:

  • CO-STAR:  C – Contexto (Context): O – Objetivo (Objective) S – Estilo (Style) T – Tono A – Audiencia (Audience) R – Respuesta (Response)
  • CREATE: C – Personaje (Character) R – Petición (Request) E – Ejemplos (Examples) A – Ajustes (Adjustments) T – Tipo de salida (Type of output) E – Extras (Extras)

En función de si tenemos que hacer una tarea simple o compleja, podremos usar un estilo de esquema u otro, RTF o CO-STAR, por ejemplo.

En el mercado también existen herramientas de tipo ‘cowboy prompt‘ que ayudan a traducir nuestra petición al lenguaje técnico. Aunque estas prestaciones pueden ser útiles en entornos concretos (creación visual), en la búsqueda bibliográfica todavía tienen un largo camino de mejora por recorrer. Por tanto, si se busca asistencia, siempre es preferible recurrir a los esquemas estructurados citados anteriormente.

Prompts en la práctica: del concepto al uso real

Más allá de los principios teóricos, el valor del prompting se manifiesta en su aplicación práctica sobre herramientas concretas utilizadas en el ámbito de la información científica. Muchas herramientas de IA, como por ejemplo Elicit, Undermind, etc. o bien bases de datos tradicionales, como por ejemplo Research Assistant de Web of Science ya disponen de generadores especializados o asistentes de prompts que permiten comprobar cómo pequeñas variaciones en la formulación de la instrucción producen resultados muy diferentes en términos de precisión, exhaustividad y utilidad.

Asimismo, se pone de manifiesto que elaborar prompts y efectuar búsquedas bibliográficas tradicionales no requieren las mismas competencias. Mientras que la búsqueda en bases de datos exige control terminológico, dominio de operadores booleanos y conocimiento profundo de cada recurso, el prompting requiere competencias contextuales, comunicativas y estratégicas: definir objetivos, aportar contexto, asignar roles a la IA y refinar iterativamente las instrucciones.

En resumen, saber elaborar buenos prompts es una habilidad informacional emergente, estrechamente alineada con el pensamiento crítico, la precisión terminológica y el uso seguro de la evidencia. No se trata de un simple truco técnico, sino de una competencia clave para un uso responsable y eficaz de la inteligencia artificial en el ámbito de la salud, y se consolida como un complemento natural de las habilidades clásicas de búsqueda, evaluación, gestión y comunicación de la información científica.

En este sentido, su aprendizaje se sitúa al mismo nivel de relevancia que el dominio de las búsquedas bibliográficas tradicionales, exigiendo la misma lógica estructural y rigor técnico que el uso de operadores booleanos y todas las estrategias complejas que conlleva la recuperación de información de calidad.

 “Ahora que hemos ampliado nuestra capacidad de obtener respuestas,nos podemos centrar en lo realmente importante: saber hacer las preguntas”. Genís Roca.

Preguntar mejor no solo mejora la calidad de las respuestas, sino que incrementa el control, la transparencia y la utilidad de estas herramientas en la práctica profesional diaria.

Isabel Coma Campmany (Consorci Sanitari de Terrasa. Biblioteca)

Carme Montcusí Puig (Universitat Rovira i Virgili. CRAI)

 BIBLIOGRAFÍA

[1] Unidad mínima de texto que el modelo procesa, que puede corresponder a una palabra entera, o una parte de una palabra, signo de puntuación o un símbolo.

Prompts: la clave para trabajar eficazmente con la inteligencia artificial en salud
Etiquetado en: