Por qué los cursos de IA enseñan la fórmula del prompt y nunca a arreglar uno que falló

En resumen: la fórmula del prompt —rol, tarea, contexto, formato— es gratis. Cualquier vídeo de diez minutos te la regala. El problema llega un paso después: escribiste el prompt siguiendo el manual, pulsaste enviar y la respuesta volvió hecha papilla. A partir de ahí nadie te enseña nada. Reescribes al azar hasta que algo te gusta. Eso no es una habilidad, es una lotería. Abajo tienes un método: nombra el síntoma, haz un diagnóstico, haz exactamente un cambio, compara. Y el orden en el que conviene excavar: contexto → tarea → formato → rol. Los prompts de este artículo son reales: pulsa «Ejecutar» y mira la diferencia con tus propios ojos.

Qué falla en la fórmula

La fórmula no te miente. Rol, tarea, contexto y formato son de verdad los cuatro mandos que dan forma a una respuesta. Los fundamentos los vemos en qué es un prompt y cómo se escribe, y hacen falta. Pero la fórmula responde a una sola pregunta: ¿cómo escribo un prompt desde cero? En el trabajo real casi nunca escribes desde cero. Estás delante de un prompt que ya cumple todas las reglas y aun así ha devuelto basura.

Aquí la fórmula se calla. No te dice cuál de los cuatro mandos tiene la culpa. No te dice si girar uno o los cuatro. No te dice cómo saber si la nueva respuesta es mejor o solo distinta. La fórmula es un plano. Lo que necesitas es un manual de reparación.

Es la diferencia entre «aquí tienes el esquema del motor» y «el coche no arranca, ¿qué miras primero?». Lo primero se aprende en una tarde. Lo segundo es un oficio. Y lo segundo casi no existe en el mercado de la formación.

Los alumnos piden exactamente esto, literalmente

El 17 de julio de 2026 sacamos datos de Udemy (a través de la API interna que hay detrás de sus páginas de curso) y de las páginas de reseñas de Coursera. Leímos a propósito a la minoría: a quien puso notas bajas. El grupo de quejas más denso apareció en cursos que llevan prompt engineering en el propio título. La gente vino a por la habilidad que anunciaba la etiqueta y no la obtuvo. Literal, con autores y estrellas:

«There is nothing teached about creating a good prompt. It is just an overview of types of prompts» — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

«No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.» — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

«i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts» — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

«Too much background on ChatGPT. Get me to how to prompt GPT» — Mark R., 16.09.2025, 1.5★ (Academind).

Párate en Bharat Ram A. Enumera tres cosas y la tercera es «how to give feedback to AI based on its answers». Eso es depuración, descrita con sus propias palabras por alguien que fue a buscarla y volvió con las manos vacías. Manuel L. pide «enhance our current prompts»: arreglar algo ya escrito que funciona mal. Personas distintas, cursos distintos, un mismo agujero.

Junto a ellos está la cita que muestra lo que pasa cuando no se comprueba nada:

«you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not» — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

Y en la misma línea: «quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'» — Cory Covino, 04.05.2024, 2★ (IBM). «All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter» — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs lo formula mejor que nadie sin pretenderlo. «You won't have to debug anything» describe un producto formativo al que le han extirpado la depuración. El ejercicio se ejecuta, parece práctica y nunca hubo nada en juego.

Una más, de otro curso, que cierra el círculo: «Didnt meet expectations, only theory is discussed which we already know» — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). La teoría que ya sabe todo el mundo es la fórmula. Lo que no saben es qué hacer cuando falla.

Por qué existe el agujero: es arquitectura, no pereza

Es tentador culpar a instructores vagos. Esa explicación es peor que la verdad. La verdad es estructural.

Solo hay una forma de comprobar un prompt: ejecutarlo en un modelo y mirar la respuesta. No existe otra: un prompt no se juzga a simple vista, igual que no se juzga código sin ejecutarlo. Y una plataforma de vídeo no tiene ningún modelo dentro de la lección. Así que no hay con qué comprobar. Queda un corrector automático por palabras clave, que otorga «100% correct»: justo lo que dejó sin habla a Shinysheep.

Luego viene el detalle que zanja el asunto. La Prompt Engineering Specialization de Vanderbilt exige una suscripción de pago a ChatGPT+ para hacer las tareas. El curso manda al alumno fuera, a otra pestaña, a buscarse un modelo. Las cuentas del alumno de Coursera salen así: Coursera Plus a 50 €/mes (o 343 €/año con 14 días para devolverlo), más la suscripción al modelo: unos 70 €/mes por ver vídeos y recibir un 100% automático. Sobre el precio exacto de esa suscripción seremos claros: no conseguimos una fuente primaria, todos los dominios de OpenAI devolvieron 403, así que no publicamos ninguna cifra. Los 50 € de Coursera Plus salen de su propia página.

En cuanto el modelo vive fuera del curso, el curso deja de ver tu trabajo. No sabe qué prompt escribiste, qué te devolvió ni por qué salió mal. No se puede enseñar depuración a ciegas. Así que el curso enseña la fórmula: la única parte que cabe en una diapositiva.

Y de ahí sale una queja que parece hablar de otra cosa:

«why read straight from the slide? I can do that. This was not a helpful course at all» — Janie I., 02.07.2026, 1★ (Justin Barnett).

«I can do that» no es un veredicto sobre un mal ponente. Es la constatación de que en una diapositiva solo cabe la fórmula. La depuración no cabe, porque está hecha de una respuesta viva que nadie puede predecir de antemano.

Depurar es diagnosticar, no reescribir

El movimiento del novato es este: la respuesta es mala → seleccionar el prompt entero → escribirlo otra vez, más largo y más bonito. A veces funciona. Por qué funcionó es imposible saberlo, y la próxima vez vuelves a empezar de cero.

El enfoque de ingeniería es otro y tiene cuatro pasos.

1. Síntoma. Nombra qué falla con palabras que puedas comprobar. No «malo», sino: se inventó un dato; ignoró el formato; demasiado genérico; me repitió mi propia entrada; respondió a otra pregunta; se cayó con un texto largo. Mientras el síntoma no tenga nombre, no hay nada que curar.
2. Diagnóstico. Cada síntoma tiene una causa típica. Es una hipótesis, no una sentencia, pero te dice dónde excavar primero.
3. Un solo cambio. Cambia exactamente una cosa. Una.
4. Comparación. Vuelve a ejecutar y compara con la respuesta anterior según tu propio criterio. No «me gusta más», sino «¿mejoró en aquello concreto que estaba tratando?».

Repite hasta que el síntoma desaparezca. Suelen ser dos o tres vueltas, no veinte.

La regla del destornillador único

El paso más infravalorado es el tercero. Cambia una cosa cada vez.

Cambias cinco cosas, la respuesta mejora y no sabes cuál de ellas lo hizo. Peor: quizá cuatro cambios eran neutros, uno era claramente dañino y el quinto lo compensó. Te llevas el paquete entero al siguiente prompt, dañino incluido, y un mes después tienes un muro de texto de dos páginas donde la mitad de las líneas juegan en tu contra.

Esto no lo hemos inventado nosotros. Es la regla básica de cualquier depuración, la misma que cambiar una variable cada vez en un experimento. Lo que pasa es que con texto la tentación de girar todos los mandos a la vez es mucho mayor, porque un cambio cuesta un segundo.

Una pega contra nosotros mismos. La regla tiene un precio. Un cambio por vuelta es lento y, en un encargo real, vas a atajar. El compromiso honesto: la regla del destornillador único es obligatoria mientras sigues buscando la enfermedad. Cuando el diagnóstico está claro y solo estás puliendo, agrupa los cambios: el riesgo ya es pequeño.

Segunda honestidad: los modelos no son deterministas. Una sola ejecución es una muestra de tamaño uno. ¿La respuesta mejoró tras tu cambio? Quizá el cambio no tuvo nada que ver y tuviste suerte. Por eso una comparación merece al menos tres entradas distintas, no una favorita.

El orden de las hipótesis: contexto → tarea → formato → rol

Una vez que el síntoma tiene nombre, la pregunta es qué mando tocar. Tenemos un orden y no es arbitrario: primero la causa más frecuente, al final la más rara; primero el fallo más caro, al final el más barato.

1. Contexto, primero. La inmensa mayoría de las respuestas malas son respuestas a una pregunta sin datos dentro. El modelo no conoce tu producto, tu público, tus limitaciones, tus cifras, tus nombres, tus decisiones pasadas. Rellena el vacío con paja promediada, porque la paja promediada es la respuesta correcta a una pregunta sin contexto. Si lo que sale es aguado, genérico, válido para cualquiera, el culpable casi siempre es el contexto, y ningún juego de rol lo cura.
2. Tarea, segundo. Comprueba que pides una acción y no tres, y que el verbo se puede comprobar. «Analiza» no es un verbo: debajo cabe cualquier cosa. «Enumera cinco riesgos, una línea cada uno» sí lo es. Si el modelo responde a otra pregunta, o responde a la mitad de la tuya, la culpa es de la tarea.
3. Formato, tercero. Barato de arreglar y el resultado se ve al instante. Si el fondo está bien y la forma no, corrige el formato y no toques nada más. Lo que funciona: pega un ejemplo de la salida que quieres, dos o tres líneas. Un ejemplo gana siempre a una descripción.
4. Rol, el último. El rol mueve sobre todo el tono y el vocabulario. «Eres un profesional del marketing con experiencia» no añade ni un dato sobre tu mercado: es la línea que todo el mundo escribe primero y que casi no decide nada. Recurre al rol cuando todo lo demás está en su sitio y simplemente no te gusta la voz.

¿Por qué este orden? Porque sigue la cantidad de información que añades. El contexto añade datos: el máximo. La tarea añade precisión en el objetivo. El formato añade forma. El rol añade estilo. La mayoría lo hace al revés: agoniza con el rol y luego se siente traicionada por la paja.

La tabla: síntoma → diagnóstico → un cambio

• Aguado, genérico, vale para cualquiera. Diagnóstico: falta contexto. Cambio: pega cinco datos concretos: quién lo lee, qué es el producto, cuál es la limitación, una cifra, un ejemplo. No toques nada más.
• Se inventó un dato, un enlace, una cita. Diagnóstico: pediste algo que el modelo no tiene. Cambio: o metes los datos en el prompt, o le permites explícitamente decir «no lo sé». La línea «si no tienes el dato, dilo; no te lo inventes» sale barata y caza mucho. Más sobre esto en por qué se producen las alucinaciones de la IA.
• Ignoró el formato. Diagnóstico: el requisito de formato se ahogó en mitad del prompt, o choca con la extensión que pediste. Cambio: saca el formato a un bloque propio al final y enseña un ejemplo de salida.
• Respondió a otra pregunta. Diagnóstico: dos acciones en una tarea y el modelo eligió una. Cambio: deja un solo verbo. La segunda acción se convierte en un segundo prompt.
• Me repitió mi propia entrada. Diagnóstico: no hay verbo de transformación. «Aquí tienes el texto, échale un vistazo» no es una tarea. Cambio: di qué hacer con el texto: acortar, reestructurar, buscar contradicciones.
• Tono equivocado, «esta no es mi voz». Diagnóstico: describiste un estilo en vez de enseñarlo. Cambio: pega un párrafo tuyo y pídele que lo imite. «Escribe en un tono cercano pero profesional» no hace nada; un ejemplo sí.
• Se cayó con un texto largo. Diagnóstico: la instrucción se perdió dentro de los datos. Cambio: separa con marcas (---TEXTO--- / ---TAREA---) y repite la tarea después del texto, no solo antes.
• Demasiado largo, preámbulo interminable. Diagnóstico: nunca lo prohibiste. Cambio: una línea, «Sin preámbulo y sin resumen final. Solo la lista».

Fíjate: en seis de los ocho casos el arreglo no es «reescribir el prompt», sino añadir o mover una cosa.

Compruébalo tú mismo: un prompt malo, un cambio, la diferencia

Ahora, la parte que una plataforma de vídeo no puede ofrecer físicamente. Cada bloque de abajo tiene un botón «Ejecutar»: púlsalo aquí mismo y mira la respuesta en vivo. El orden importa: ejecútalos en secuencia y compara.

Paso 1. Ejecuta un prompt deliberadamente malo

Es un prompt real escrito «según la fórmula»: hay rol, hay tarea, hay buenas maneras. Ejecútalo y mira qué vuelve. Lo más probable es que salga un texto que le serviría a cualquier empresa del planeta.

Eres un profesional del marketing con experiencia. Escribe un correo a nuestros clientes sobre el lanzamiento de nuestro nuevo producto. Haz que el texto sea profesional, moderno y atractivo.

Qué mirar. ¿Hay una sola afirmación en esa respuesta que no pudieras trasladar tal cual al correo de otra empresa? Normalmente no. Síntoma nombrado: paja. Diagnóstico, según nuestro orden: contexto.

Paso 2. Un cambio: solo contexto

Misma tarea, mismo tono, mismo rol. Cambiamos exactamente una cosa: añadimos datos. Rol intacto, formato intacto, para ver con honestidad qué aporta el contexto por sí solo.

Eres un profesional del marketing con experiencia. Escribe un correo a nuestros clientes sobre el lanzamiento de nuestro nuevo producto.
Haz que el texto sea profesional, moderno y atractivo.

CONTEXTO:
- Producto: un planificador de turnos para cafeterías de 3-15 empleados.
- Lectores: dueños de cafeterías que llevan seis meses usando nuestra app de
  inventario. Confían en nosotros, pero no andaban buscando un botón nuevo.
- Qué hay de nuevo: los turnos se montan ahora automáticamente, teniendo en
  cuenta las peticiones de días libres del personal. Antes el dueño armaba el
  cuadrante en una hoja de cálculo.
- Limitación honesta: solo un local; todavía no admitimos cadenas.
- Precio: incluido en el plan actual, sin coste adicional.
- Qué debe hacer el lector: activar la sección «Turnos» en su cuenta.

Qué mirar. La respuesta se ha vuelto concreta y probablemente sigue siendo larga y abriendo con un preámbulo. Es normal: solo tratamos el contexto. Fíjate en que «profesional, moderno y atractivo» sigue ahí, intacto, como requisito imposible de comprobar, y no ha hecho nada.

Paso 3. Otro cambio: tarea y formato

Ahora arreglamos la extensión y la forma. Quitamos el rol por completo, para poner a prueba la hipótesis de que no aporta nada. Y sustituimos «atractivo» por algo comprobable.

Escribe un correo a los clientes anunciando una nueva función.

CONTEXTO:
- Producto: un planificador de turnos para cafeterías de 3-15 empleados.
- Lectores: dueños de cafeterías que llevan seis meses usando nuestra app de
  inventario. Confían en nosotros, pero no andaban buscando un botón nuevo.
- Qué hay de nuevo: los turnos se montan automáticamente, teniendo en cuenta
  las peticiones de días libres del personal. Antes el dueño armaba el cuadrante
  en una hoja de cálculo.
- Limitación honesta: solo un local; todavía no admitimos cadenas.
- Precio: incluido en el plan actual, sin coste adicional.
- Acción del lector: activar la sección «Turnos» en su cuenta.

FORMATO:
- Asunto: 45 caracteres como máximo. Palabras prohibidas: revolucionario, único, innovador.
- Cuerpo: 120 palabras como máximo.
- Estructura: primera línea - qué ha cambiado; segunda - qué ahorra;
  después la limitación dicha sin rodeos; una acción al final.
- Sin preámbulo, sin «nos complace anunciar», sin párrafo de despedida.

Después, en una línea aparte: tres motivos por los que este correo podría no abrirse o acabar borrado.

Qué mirar. Compara las tres respuestas. Acabas de hacer una sesión de depuración en condiciones: síntoma nombrado, hipótesis planteada, un cambio hecho, resultados comparados. Y de paso has montado un pequeño experimento con el rol: compara la voz de la segunda y la tercera respuesta y decide tú si «eres un profesional del marketing con experiencia» se ha ganado el sitio que le da cualquier curso.

Paso 4. El ejercicio de diagnóstico

La habilidad más difícil es nombrar el síntoma en el trabajo de otro. Aquí el modelo se inventa un caso para ti y corrige tu diagnóstico con dureza. No habrá ningún «100% correct» automático.

Examíname sobre diagnóstico de prompts. Reglas:

- Me das UN caso: la tarea, el prompt completo y la mala respuesta del modelo.
  Invéntate tú el caso: realista, de trabajo de oficina. Escribe también tú la
  mala respuesta, exactamente igual de mala de lo que sería en la realidad.
- Yo nombro el síntoma con un término y digo qué cambiaría PRIMERO.
- Tú corriges con dureza: si el síntoma es el correcto, si la hipótesis es
  correcta, qué hipótesis habría sido más fuerte que la mía y por qué.
  Si propongo cambiar varias cosas a la vez, señálalo aparte.
- No me des la razón por educación. Si me equivoco, dilo sin rodeos.
- Luego el siguiente caso, más difícil. Cinco casos en total.

Empieza por el primer caso. No expliques teoría de antemano.

Lo que un prompt no puede arreglar

La mitad de la depuración consiste en darse cuenta pronto de que el problema no es el prompt. Si no, te dedicas a pulir frases en una capa donde no hay nada roto.

• Faltan datos. Ninguna redacción recupera un dato que nunca le diste al modelo. Si necesitas las cifras de tu hoja de cálculo, pégalas; no las mendigues.
• La tarea no se resuelve con texto. «Calcula exacto», «consulta la web actual», «garantiza»: eso no va de redacción, va de herramientas. Ahí entras en el territorio de los agentes de IA.
• No hay definición de «bueno». Si no sabes decir por qué la respuesta A gana a la B, no estás depurando: estás barajando variantes hasta cansarte. El criterio es la parte del prompt que vive en tu cabeza, y también hay que escribirla.
• Modelo equivocado. La misma tarea se comporta de forma distinta en cada uno; mira nuestra comparativa de ChatGPT, Claude y Gemini. Antes de tocar un prompt veinte veces, prueba el mismo prompt en otro modelo: eso es un cambio, no veinte.

Un registro de versiones: aburrido y decisivo

Abre un archivo. Tres columnas: qué decía el prompt, qué cambiaste, qué pasó con la respuesta. Una línea por vuelta de depuración.

Suena a burocracia. Es lo único que convierte tus ejecuciones en conocimiento. Un mes después abrirás ese archivo y verás que «ejemplo de salida en lugar de descripción del formato» funcionó once veces de doce, mientras que «eres un experto de talla mundial» se quedó a cero. Esa es tu propia estadística, y vale más que cualquier lista de 500 prompts hechos. Nuestros ejemplos de prompts tómalos como materia prima; el registro es lo que convierte la materia prima en tu herramienta.

Efecto secundario: en un mes tienes un porfolio. No un certificado que tienen otras 698 444 personas, sino una docena de casos diseccionados con su antes y su después. En una entrevista son categorías de peso distintas.

Cómo poner a prueba un curso, incluido el nuestro

Nuestra auditoría se reduce a cuatro preguntas. Hazlas a cualquier formación.

1. ¿Dónde voy a ejecutar el prompt? Si la respuesta es «en otra pestaña, con otra suscripción», el curso nunca ve tu trabajo y no puede diseccionarlo. Mira Vanderbilt y su exigencia de ChatGPT+.
2. ¿Quién corrige mi prompt? Un corrector automático por palabras clave te dará un «100% correct» y cero información. Es exactamente el caso de Shinysheep.
3. ¿Hay alguna lección en la que un prompt falle? Abre el temario y búscala. Si no la hay, el curso va de una fórmula.
4. ¿Cuándo se actualizó de verdad el contenido? No por la fecha de la ficha, sino por las reseñas del último mes.

Notas honestas sobre nuestros datos. La proporción de reseñas negativas (≤3.5★) en Udemy es del 9,61% en Generative AI for Beginners y del 10,36% en Complete AI Guide; en Prompt and Context Engineering 101 (la peor nota de nuestra muestra, 4.31) es de ≥4,00%. En Coursera, del 1,5–3,5%. Es decir: la inmensa mayoría de los alumnos está satisfecha, y nosotros leímos a la minoría a propósito. No para demostrar que los cursos son malos: un alumno contento escribe «gran curso», mientras que uno descontento nombra la lección exacta que faltaba. Segunda pega: el filtro de estrellas de Coursera funciona en el navegador, así que las citas a las que pudimos llegar salen de la página por defecto que ve cualquier visitante. No las pescamos del fondo de un filtro de 1★, pero tampoco podemos afirmar que viéramos todas las reseñas.

Y una pega sobre nosotros. Nuestro sandbox tiene un tope diario estricto de ejecuciones. Lo que significa que el método de arriba importa más que el botón. El botón te deja ver la diferencia; el método te deja arreglar prompts donde no hay botón: en el chat de tu trabajo.

La conclusión

La fórmula del prompt es lo que cabe en una diapositiva, y por eso se vende a millones de personas. La depuración no cabe en una diapositiva, no se puede comprobar sin un modelo vivo dentro de la lección y por eso casi no se vende en ningún sitio, mientras los alumnos la piden literalmente, reseña tras reseña. El agujero del mercado está justo ahí, y es también la vía más rápida para ser mejor que la mayoría de quienes tienen un certificado.

Recuerda los cuatro pasos: síntoma → diagnóstico → un cambio → comparación. Y el orden de las hipótesis: contexto, tarea, formato, rol. Empieza por lo básico en qué es un prompt; mira en qué se ha convertido el mercado de esta «profesión» en ingeniero de prompts: cuánto se paga y si sigue existiendo; aprende a pillar al modelo inventándose cosas en alucinaciones de la IA. Y si lo quieres de forma sistemática, con los fallos diseccionados a propósito, tenemos nuestro curso de prompt engineering.