Una guía práctica para conseguir mejores respuestas con menos repeticiones, menos regeneraciones y menos información innecesaria. El objetivo no es escribir prompts mínimos: es dar a la IA exactamente lo que necesita para resolver bien la tarea.
Antes de optimizar conviene entender qué está contando realmente un modelo.
Los modelos procesan texto dividido en unidades llamadas tokens. Un token puede ser una palabra, parte de una palabra, un signo o incluso espacios según el modelo y su tokenizador.
Instrucciones, contexto, conversación previa, texto de archivos y otros contenidos pueden formar parte de la entrada que el modelo debe procesar.
Cuanto más larga sea la salida solicitada, más tokens de salida se generan. En modelos de razonamiento también puede existir consumo interno adicional no visible en el texto final.
Pequeños hábitos que reducen vueltas, contexto repetido y respuestas que no sirven.
Di primero qué necesitas obtener. La IA debe saber cuál es la entrega final antes de interpretar el resto.
Incluye datos, restricciones o antecedentes relevantes. El contexto ornamental añade ruido.
“En 6 puntos”, “tabla de 4 columnas”, “máximo 300 palabras” o “solo modifica este bloque”.
Pide corregir la sección, celda, función, párrafo o componente concreto.
Si el material sigue accesible en el mismo contexto, referencia la parte exacta en lugar de duplicarla.
Diagnóstico → propuesta → ejecución → revisión. Así evitas generar una solución completa sobre una premisa mal entendida.
Si necesitas dos opciones, no pidas diez. Generar opciones que no vas a valorar es trabajo inútil.
Cuando sea posible, delimita hoja, capítulo, páginas, columnas o rango relevante.
Objetivo + contexto imprescindible + restricciones + salida. Reduce improvisación y correcciones posteriores.
Un hilo larguísimo sobre otro asunto puede arrastrar información irrelevante y aumentar complejidad.
No todas las tareas necesitan el máximo nivel de razonamiento. Reserva más capacidad para problemas que realmente la requieran.
Antes de pedir “hazlo otra vez”, identifica qué falla exactamente. La corrección dirigida suele ser mejor y más barata.
No se trata de escribir menos palabras a cualquier precio, sino de reducir ambigüedad y retrabajo.
Una decisión sencilla que puede mejorar mucho la calidad del contexto.
Si estás refinando el mismo documento, código, análisis o decisión, normalmente interesa mantener el hilo.
Si la respuesta depende de acuerdos, restricciones o archivos ya trabajados, conservar contexto evita repetirlos.
Si el nuevo objetivo no depende de lo anterior, abrir un chat nuevo suele reducir ruido y ambigüedad.
| Situación | Mejor opción habitual | Por qué |
|---|---|---|
| Seguir corrigiendo el mismo HTML | Mismo chat | Necesitas el historial de cambios y restricciones. |
| Pasar de ese HTML a preparar un viaje | Chat nuevo | El contexto técnico ya no aporta valor. |
| Proyecto largo con decisiones acumuladas | Mismo espacio/proyecto, contexto ordenado | Conviene conservar decisiones, pero resumir hitos y evitar duplicaciones. |
| Hilo largo con muchas pruebas fallidas | Nuevo chat con resumen limpio | Puede ser más eficiente trasladar solo el estado final y las restricciones vigentes. |
El gran ahorro suele estar en decidir qué parte del material necesita realmente el modelo.
Si la pregunta afecta a un capítulo concreto, indícalo. Un documento completo puede ser necesario para contexto global, pero no por defecto.
“Hoja Ventas, tabla B2:P600, analizar Margen y Cobro” es más eficiente que “mira todo el libro”.
En documentos extensos, una estrategia eficiente es identificar dónde está la información y leer después el rango relevante.
Si conoces el bloque afectado, pide una modificación localizada y exige que se preserve el resto.
En proyectos largos, conserva un pequeño “estado actual”: objetivo, decisiones tomadas, pendientes y restricciones vigentes.
Un ejemplo representativo ayuda a fijar formato y criterio. Añade más solo cuando cubran casos realmente distintos.
No siempre conviene entregar el archivo tal como nació. Para trabajar con IA, a menudo interesa transformar el contenido a un formato más limpio, estructurado y fácil de recorrer.
Si el PDF es principalmente texto y queremos resumir, buscar conceptos, comparar apartados o reutilizarlo muchas veces, Markdown puede ser una excelente representación: mantiene títulos, listas y tablas básicas sin arrastrar toda la complejidad visual del PDF.
Cuando interesa analizar registros, importes, fechas y categorías, exportar únicamente la hoja o tabla relevante a CSV UTF-8 suele ser más compacto y directo que convertir cientos de filas a una tabla Markdown.
Markdown funciona especialmente bien para una tabla de dimensiones moderadas que queremos leer dentro del propio prompt, comparar visualmente o comentar fila a fila.
Para análisis de contenido, Markdown conserva jerarquía mediante títulos, listas y tablas. Si importan estilos, control de cambios, comentarios o diseño, trabaja también con el original.
Una imagen de cada página no equivale a texto limpio. Primero necesitamos OCR y después revisar orden de lectura, tablas, cifras y caracteres dudosos antes de confiar en el Markdown generado.
Si el contenido ya existe como texto, no lo sustituyas por capturas salvo que la apariencia visual sea relevante. El texto estructurado es mucho más fácil de buscar, reutilizar y delimitar.
Una decisión rápida según el objetivo real.
| Material de partida | Objetivo | Formato recomendado | Qué enviar a la IA |
|---|---|---|---|
| PDF de 150 páginas | Buscar y resumir contenido textual | MD limpio | Solo capítulos o secciones relevantes, conservando referencias de página si son importantes. |
| PDF con gráficos y diagramas | Interpretar también lo visual | PDF original + texto/MD si procede | Las páginas necesarias, no una conversión que elimine figuras esenciales. |
| PDF escaneado | Analizar texto | OCR → MD/TXT | Texto revisado y, para puntos críticos, las páginas originales. |
| Excel con 20.000 registros | Análisis de datos | CSV UTF-8 | Solo hoja, columnas y registros necesarios. |
| Excel con tabla de 15×10 | Comentar o comparar datos | Markdown o CSV | La tabla completa puede ser razonable. |
| Excel con fórmulas complejas | Auditar lógica y fórmulas | XLSX original | Hoja concreta y objetivo; no eliminar fórmulas convirtiéndolo solo a CSV. |
| Word largo | Trabajar el contenido | MD | Secciones relevantes con títulos claros. |
| Captura de pantalla | Extraer texto | Texto/OCR | La imagen solo si necesitamos comprobar el aspecto visual. |
Una transformación útil debe conservar estructura y trazabilidad.
El PDF sigue siendo la referencia visual y documental.
Si solo necesitas 30 páginas, no conviertas 600 por rutina.
Herramientas como Docling pueden interpretar PDF y exportar contenido estructurado a Markdown.
Quita cabeceras repetidas, pies, índices redundantes y bloques sin interés.
Conserva títulos, páginas o identificadores que permitan volver al original.
Una conversión automática no sustituye la validación cuando los datos son críticos.
Docling admite PDF y otros formatos de Office y puede exportar a Markdown. Es especialmente interesante cuando queremos un flujo reproducible o trabajar localmente con documentación sensible.
Primero decide si necesitas datos, fórmulas o apariencia.
Antes de subir un archivo, haz una pregunta sencilla.
La elección del modelo y del nivel de razonamiento también forma parte del uso responsable de recursos.
Reformatear, clasificar, resumir textos sencillos, extraer campos o generar borradores básicos no siempre requieren el modelo más potente disponible.
Problemas de programación difíciles, análisis cuantitativo, investigación, planificación multietapa o decisiones con muchas restricciones sí pueden justificar más capacidad.
Cuatro bloques. Lo suficiente para ser preciso sin escribir una novela.
Marca lo que ya has hecho. No mide “calidad absoluta”; sirve como recordatorio de buenas prácticas.
Si solo te quedas con una pantalla, que sea esta.
Documentación primaria para contrastar conceptos y actualizar esta guía.