Hay una diferencia enorme entre alguien que "sabe usar IA" y alguien que consigue resultados consistentes y reutilizables con ella. En la mayoría de los casos, esa diferencia no está en el modelo que usan. Está en cómo construyen el prompt.
La realidad es que la mayoría de personas que usan IA a diario solo activan dos o tres de las capas que hacen que un prompt funcione. El resto las omiten sin saberlo, y luego se preguntan por qué el output no da exactamente lo que necesitaban.
Este artículo es la guía completa de ese framework: las 7 capas del prompting, qué contiene cada una, por qué el orden importa, y cómo se ven todas juntas en un prompt real.
Si quieres saber qué es el prompting desde cero, el artículo Qué es el prompting es el punto de partida. Este va un nivel más allá.
Por qué la mayoría de prompts no consiguen lo que el usuario quiere
El problema no es la herramienta. Los modelos de lenguaje actuales son extraordinariamente capaces. El problema es que el modelo no puede adivinar lo que no le dices.
Cuando le pides a Claude o a ChatGPT "escríbeme un email para un cliente", el modelo toma decisiones por su cuenta: ¿qué tono? ¿cuánto largo? ¿qué cliente, de qué empresa, con qué historial? ¿para qué sirve ese email? Rellena los huecos con su mejor estimación. Y esa estimación suele ser genérica, porque no tiene más información.
Lo que resulta es output correcto pero inútil para tu contexto específico.
El framework de las 7 capas no es una metodología académica: es una lista de comprobación de todo lo que el modelo necesita saber para generarte exactamente lo que quieres, sin que tengas que reescribir el prompt tres veces.
Las 7 capas: la estructura completa
Capa 1 — Rol
Le dices al modelo desde qué perspectiva debe responder. No es obligatorio, pero cuando la tarea requiere un punto de vista experto, especializado o situado, el rol cambia el registro de toda la respuesta.
Cómo funciona en la práctica: "Eres un consultor senior de marketing B2B con experiencia en empresas de software" no le da al modelo un título: le da un conjunto de supuestos, prioridades y forma de razonar que afectan a todo lo que venga después.
El error más común: usar roles genéricos ("eres un experto en X") en lugar de roles específicos con contexto ("eres el responsable de contenidos de una pyme industrial que escribe para compradores técnicos, no para marketers").
Cuanto más específico es el rol, más diferenciado es el output.
Capa 2 — Objetivo
La tarea concreta que debe completar. Parece obvio, pero es donde más se pierde precisión.
La diferencia entre "escribe un email de seguimiento a un cliente" y "escribe un email de seguimiento a un cliente que pidió presupuesto hace 10 días y no ha respondido, con el objetivo de reabrir la conversación sin presionar" es la diferencia entre un output genérico y uno accionable.
El criterio de calidad de esta capa: si le lees el objetivo a otra persona y puede hacer exactamente lo mismo que tú querías, es suficientemente preciso. Si deja margen de interpretación, añade más detalle.
Capa 3 — Contexto
Todo lo que el modelo necesita saber sobre la situación, empresa, producto o conversación previa que no puede inferir solo.
Esta es la capa más infrautilizada y la que más impacto tiene en la calidad del output. Los LLMs no tienen acceso a tu empresa, tus datos, tu cliente ni tu historial. Lo que no pegas en el prompt, no existe para el modelo.
El contexto puede incluir: extractos de documentos, datos de ventas, el perfil del cliente, fragmentos de conversaciones previas, la propuesta de valor de tu producto, restricciones internas.
Una buena regla de thumb: si la respuesta cambiaría dependiendo de ese dato, es contexto necesario.
Capa 4 — Audiencia
Para quién es el output que va a generar el modelo. Esto cambia el vocabulario, el tono, el nivel de tecnicismo y la estructura.
Un análisis competitivo para el CEO no se escribe igual que para el equipo de producto. Una explicación de IA generativa para un director de marketing no se escribe igual que para un desarrollador.
Muchos prompts omiten esta capa porque quien pide el output lo va a leer él mismo y asume que el modelo ya lo sabe. No lo sabe. Sin audiencia explícita, el modelo escribe para nadie en concreto, que en la práctica significa para todo el mundo a la vez, y el resultado suele ser aceptable para nadie en particular.
Capa 5 — Formato
La estructura exacta en la que quieres el output: longitud, encabezados, listas, tablas, párrafos, tono formal o informal, con o sin introducción, con o sin resumen.
Esta capa ahorra más tiempo de edición posterior que cualquier otra. Si quieres un output listo para usar (o casi), el formato tiene que ser explícito.
Ejemplos concretos de instrucciones de formato que marcan diferencia:
"Máximo 150 palabras. Sin introducción. Directo al grano."
"Tres opciones numeradas, cada una con un titular y dos frases de justificación."
"Tabla comparativa con columnas para: criterio, opción A, opción B."
"Tono informal, segunda persona, sin adjetivos superlativoss."
Capa 6 — Ejemplos
La capa más poderosa para calibrar el estilo, y la más ignorada.
Mostrarle al modelo un ejemplo del output que quieres vale mucho más que describirlo. Si tienes un email previo que funcionó, un fragmento de texto con el tono que buscas, o un formato que te gustó, pégalo como ejemplo y pide que siga ese patrón.
Esto se conoce en la literatura técnica como few-shot prompting: dar uno o más ejemplos de entrada-salida antes de la instrucción principal. La diferencia en la consistencia del output es significativa, especialmente para tareas de estilo o tono que son difíciles de describir con palabras.
Si no tienes un ejemplo propio, describe el ejemplo: "Un output similar sería algo como: [descripción detallada del estilo, no del contenido]".
Capa 7 — Restricciones
Todo lo que el modelo NO debe hacer, incluir o asumir.
Esta capa es la que más evita el retrabajo. Los modelos tienen comportamientos por defecto —añadir disclaimers, incluir introducciones largas, usar ciertos giros, asumir que el lector no sabe nada del tema— que pueden no encajar con tu uso concreto. Si no los desactivas explícitamente, los vas a ver en el output.
Ejemplos de restricciones útiles:
"No incluyas introducción ni conclusión."
"No uses bullet points."
"No menciones fuentes externas."
"No asumas que el lector no tiene conocimientos técnicos."
"No uses los términos X ni Y porque tienen connotaciones internas negativas."
La capa 7 no es "portarse bien": es calibrar los defaults del modelo a tu contexto.
Cómo se ven las 7 capas en un prompt real
El framework cobra sentido cuando ves todas las capas juntas. Este es un ejemplo de prompt completo con las 7 capas activadas:
Prompt sin framework (lo que hace la mayoría): "Escríbeme un email de seguimiento para un cliente."
Prompt con las 7 capas:
[Rol] Eres el director comercial de una empresa de software B2B con ciclos de venta largos.
[Objetivo] Escribe un email de seguimiento para retomar el contacto con un cliente que pidió una demo hace 12 días y no ha respondido desde entonces.
[Contexto] El cliente es una empresa de logística de tamaño medio. La demo fue positiva, mostró interés en la integración con su ERP actual (SAP). Su principal objeción fue el tiempo de implementación.
[Audiencia] El destinatario es el Director de Operaciones. Lee emails en móvil. Prefiere mensajes concretos y breves.
[Formato] Máximo 100 palabras. Sin introducción genérica. Que empiece directamente con algo relevante para él. Sin firma larga.
[Ejemplo] El tono debe ser similar a: "Hola Carlos, seguimos trabajando en los casos de integración con SAP que mencionaste. ¿Tienes 20 minutos esta semana para revisar los números?"
[Restricciones] No uses frases de seguimiento genéricas ("espero que estés bien", "te escribo para dar seguimiento"). No menciones precio. No incluyas bullet points.
La diferencia entre los dos prompts no es de complejidad: es de información. El modelo no necesita que seas experto en IA para escribir el segundo. Necesitas saber qué quieres, para quién es y qué no quieres ver.
El orden importa (y casi nadie lo sabe)
Las 7 capas no son un checklist donde el orden da igual. Tienen una lógica:
Las capas 1–3 (Rol, Objetivo, Contexto) enmarcan la tarea. Le dicen al modelo desde dónde parte y qué debe hacer.
Las capas 4–6 (Audiencia, Formato, Ejemplos) calibran el output. Le dicen cómo debe verse el resultado.
La capa 7 (Restricciones) poda los defaults. Elimina lo que el modelo haría por inercia y que no quieres.
Si pones las restricciones antes del contexto, el modelo puede aplicarlas de forma demasiado rígida. Si pones los ejemplos antes del objetivo, puede anclar el estilo demasiado pronto y perder flexibilidad. El orden Rol → Objetivo → Contexto → Audiencia → Formato → Ejemplos → Restricciones es el que genera outputs más coherentes y predecibles.
Esto no es teoría: es el patrón que emerge cuando comparas outputs de prompts con el mismo contenido pero en diferente orden.
Los errores más frecuentes en cada capa
Cada capa tiene su trampa habitual:
Capa | Error frecuente | Consecuencia |
|---|---|---|
Rol | Rol demasiado genérico ("experto en marketing") | Output sin voz ni perspectiva diferenciada |
Objetivo | Objetivo ambiguo ("mejora este texto") | El modelo interpreta qué significa "mejorar" |
Contexto | Contexto ausente | El modelo inventa o generaliza |
Audiencia | Omitir la audiencia | Output escrito para nadie en particular |
Formato | Solo pedir "formato breve" | El modelo tiene su propio concepto de "breve" |
Ejemplos | No usar ejemplos por pereza | El estilo del output es el default del modelo |
Restricciones | No desactivar comportamientos por defecto | Aparecen disclaimers, intros y giros no deseados |
Observación basada en patrones de uso recurrentes. El impacto varía según el modelo y el tipo de tarea.
Saber escribir prompts estructurados es el punto de partida. Para los profesionales que quieren dar el siguiente paso —integrar IA en flujos de trabajo completos, automatizar procesos o construir herramientas propias— el prompting es la capa de entrada, no el destino. El artículo sobre agentes de IA explica cómo los prompts son la instrucción que hace funcionar sistemas mucho más complejos.
Preguntas frecuentes sobre las 7 capas del prompting
¿Tengo que usar las 7 capas siempre, en cada prompt?
No. Para tareas simples y de bajo riesgo, 2 o 3 capas suelen ser suficientes. El framework completo tiene sentido cuando el output tiene que ser reutilizable, consistente o va a usarse en un contexto importante — una comunicación con clientes, un informe interno, un contenido que se va a publicar. La regla práctica: a más consecuencias tiene el output, más capas necesita el prompt.
¿Las 7 capas funcionan igual en Claude, ChatGPT y Gemini?
El framework es independiente del modelo. Los tres responden mejor a prompts estructurados que a instrucciones vagas. Hay diferencias en cómo priorizan las instrucciones cuando son contradictorias entre sí, pero las 7 capas como estructura de input son aplicables en cualquiera de ellos. La capa de Restricciones tiende a tener mayor impacto en Claude, que por defecto añade más cautelas.
¿Qué diferencia hay entre Contexto y Rol? Los dos parecen información de fondo.
El Rol define desde dónde habla el modelo — su perspectiva, experiencia y forma de razonar. El Contexto define la situación sobre la que va a trabajar — los datos, el cliente, el proyecto, las restricciones de negocio. El primero moldea cómo responde; el segundo, sobre qué responde. Un buen prompt normalmente necesita los dos.
¿Sirve usar las 7 capas para prompts en automatizaciones con IA o solo para chats?
Las 7 capas tienen más valor aún en automatizaciones. Cuando un prompt se ejecuta cientos de veces sin supervisión humana directa, cada imprecisión en el prompt se multiplica. Un prompt de automatización bien construido con las 7 capas es más estable, más predecible y más fácil de depurar cuando algo no funciona como se esperaba.
¿Existe un estándar universal para las "7 capas"? ¿O es una convención?
No hay un estándar único publicado por un organismo oficial. El framework de 7 capas es una forma estructurada de organizar los elementos que las guías técnicas de prompting de Anthropic, OpenAI y Google ya recomiendan por separado. Lo que sí está ampliamente documentado es que los prompts con rol, tarea, contexto, formato y restricciones explícitos generan outputs significativamente más consistentes que los prompts sin estructura. Las 7 capas son la forma de asegurarte de que no omites ninguno de esos elementos.
¿Cuánto texto puede tener un prompt bien construido?
No hay límite técnico en la mayoría de modelos actuales — algunos admiten contextos de más de 100.000 tokens. El límite práctico es la coherencia: un prompt de 2.000 palabras con instrucciones contradictorias genera peores resultados que uno de 200 palabras bien estructurado. En la práctica, prompts de entre 100 y 400 palabras cubren el 90% de los casos de uso profesionales con las 7 capas completas.
Fuentes
Anthropic Prompt Engineering documentation: docs.anthropic.com/prompt-engineering
OpenAI Prompt Engineering Guide: platform.openai.com/docs/guides/prompt-engineering
Google Gemini Prompting Strategies: ai.google.dev/gemini-api/docs/prompting-strategies
