ARTÍCULO

Consulta estructurada desde la perspectiva de la Inteligencia Artificial

Resumen

El artículo explora cómo la estructura de las consultas (prompts) influye en la calidad de las respuestas generadas por sistemas de inteligencia artificial (IA) conversacional. Se repasa brevemente la evolución de la IA, desde sus inicios teóricos hasta su aplicación práctica actual en modelos de lenguaje natural. A través del análisis de siete sistemas de 

IA, se concluye que la estructura a recomendar debe contener preguntas claras, con contexto relevante y formuladas de una en una. Además, se valoran otros aspectos como el uso de ejemplos y la cortesía, aunque esta última no se considera esencial desde el punto de vista técnico, se concluye que una formulación adecuada no solo mejora la interacción con la IA, sino que también desarrolla habilidades comunicativas en el usuario.

Abstrac

The article explores how the structure of prompts influences the quality of responses generated by conversational artificial intelligence (AI) systems. It briefly reviews the evolution of AI from its theoretical beginnings to its current practical application in natural language models. Through the analysis of seven AI systems, it is concluded that the structure to be recommended is to ask clear questions, with relevant context and formulated one at a time. In addition, other aspects such as the use of examples and politeness are valued, although the latter is not considered essential from a technical point of view, it is concluded that an adequate formulation not only improves interaction with the AI, but also develops communicative skills in the user.

Palabras clave

Prompt, Inteligencia Artificial, Consulta de IA, IA conversacional

Introducción

A lo largo de la historia, la inteligencia artificial ha sido definida de diversas maneras, pero todas las definiciones se centran en los procesos mentales relacionados con el razonamiento (pensar) y la conducta (actuar). Además, estas definiciones toman como referencia la inteligencia humana. Esto da lugar a cuatro enfoques posibles: pensar como una persona, actuar como una persona, pensar de manera racional y 

actuar de manera racional. Actualmente, la inteligencia artificial es una inteligencia específica, la cual se centra en resolver problemas concretos y especializados (Troncoso, 2022).

El término ‘inteligencia artificial’ fue acuñado por John McCarthy durante la Conferencia de Dartmouth de 1956. Este evento a menudo se considera un momento crucial en la historia de la IA, marcando la introducción formal del concepto (Anurag, 2024). Martín Torres (2024) señala que la Inteligencia Artificial (IA) es una rama de la informática enfocada en crear sistemas que puedan realizar tareas que requieren una inteligencia similar a 

la humana, como el aprendizaje y la resolución de problemas. 

La IA se divide en cuatro tipos: La conversacional, que ayuda a las máquinas a comprender y responder al lenguaje humano; La débil, que realiza tareas específicas sin aprendizaje independiente; La fuerte, que puede igualar o superar la inteligencia humana; Y la generativa, que crea nuevo contenido como imágenes o texto, aprendiendo de patrones de datos.

Ahora bien, debemos entender cómo funciona la interacción 

en una de sus principales ramas: la IA conversacional, para poder obtener resultados adecuados a nuestra preguntas. Las consultas que realizamos a una IA conversacional como lo es ChatGPT se denominan prompts. El concepto de prompto indicaciones en IA se remonta a los primeros desarrollos en sistemas conversacionales. Ejemplos notables incluyen el chatbot ELIZA de Weizenbaum, uno de los primeros programas en involucrar a los usuarios en un diálogo, y el Frames Paradigma de Minsky, que sentó las bases para la representación del conocimiento en IA. Estos primeros sistemas destacaron la importancia de cómo se estructuran y presentan las indicaciones para facilitar interacciones significativas (Ansara, 2023).

Los llamados modelos tempranos, como los n-gramas, fueron algunas de las primeras formas de entender y predecir el lenguaje usando computadoras. Estos modelos funcionaban observando la frecuencia con la que ciertas palabras aparecían 

juntas. Aunque estos modelos no utilizaban preguntas directas o indicaciones de los usuarios, las palabras anteriores actuaban como una guía, ayudando al modelo a adivinar lo que viene después (Muktadir, 2023). Esto es similar a cómo podrías terminar la frase de otra persona con base en lo que dijo.

De acuerdo con Rincón et al. (2024), inicialmente los modelos respondían a textos sin estructura definida, pero rápidamente se descubrió que la forma en que se plantea la entrada (el prompt) afecta directamente la calidad de la salida. No fue hasta las décadas de 1960 y 1970 cuando se crearon los sistemas que entendían el lenguaje natural, es decir, la forma en que las personas normalmente hablan o escriben. En ese periodo se notó un avance en la interacción. Aunque estos sistemas podían manejar preguntas simples, no eran muy precisos y estaban limitados. 

Las mejoras importantes en el Procesamiento de Lenguaje Natural (PLN) fue de 1990 al 2010, con los sistemas modernos como los motores de búsqueda, pues no 

solo responden a las indicaciones directas de los usuarios sino que también consideran el contexto de las palabras utilizadas (Muktadir, 2023), por ejemplo, si preguntas: “¿Cuál es la capital de Francia?” el sistema entiende que estás buscando una respuesta específica, no cualquier información sobre Francia.

Cortez Vásquez et al. (2009) mencionan que el objetivo principal del PLN es automatizar tareas lingüísticas como la comprensión, producción y adquisición del lenguaje, que los usuarios realizan de forma natural. 

Según Martín Torres (2024), todas las IA conversacionales utilizan modelos de lenguaje grandes que comparten características comunes. Aunque existen técnicas concretas de prompting que funcionan bien para cada herramienta de IA, debido a la naturaleza del lenguaje, estas son similares y presentan denominadores comunes en muchos aspectos.

“Un ‘prompt’ es una instrucción o texto inicial que se proporciona a una herramienta de inteligencia artificial (IA) generativa para guiar su generación de respuestas o resultados” (Sandín, 2024, pag 7).

La estructura de los prompt es crucial para obtener respuestas precisas y relevantes de los sistemas de inteligencia artificial (IA). La ingeniería rápida y efectiva mejora la interacción entre los usuarios y la IA, lo que lleva a una mejor satisfacción del primero. Esta importancia es subrayada por Lemeš (2024) y Patel et al. (2023) que destacan cómo las indicaciones bien estructuradas pueden influir significativamente en la calidad de las respuestas generadas por IA en diferentes aplicaciones. Estos prompt bien estructurados también son mencionados por Rodriguez-Donaire (2024) como una ventaja para los estudiantes ya que proporcionan profundidad y precisión en las respuestas recibidas lo que mejora la experiencia de aprendizaje.

También en cuestiones medicas el construir bien las indicaciones es crucial ya que al usar una IA con un formato estructurado puede entender mejor el contexto y entregar información útil en entornos clínicos y consultas de pacientes (Vaira et al., 2025).

Troncoso Lora (2022) menciona que dotar a una máquina de inteligencia generalizada, como la del ser humano, capaz de resolver cualquier tipo de problema, sigue siendo un objetivo lejano y ambicioso. Esta superinteligencia, como se le ha denominado, es más propia de películas de ficción que de resultados de estudios de investigación. Y aunque actualmente existen sistemas que pueden realizar tareas concretas mejor que las 

personas, si la tarea cambia, habría que reconfigurar el sistema. La transferibilidad del aprendizaje entre diferentes tareas similares es, hoy por hoy, el mayor reto al que se enfrenta la inteligencia artificial.

Debido a la importancia que tiene el generar prompt de forma estructurada, esta investigación se plantea como objetivo el crear un modelo de estructura de prompt que sea claro, sencillo y preciso. El cual pueda ser implementado por cualquier persona en cualquiera de las herramientas de inteligencia artificial. Aunque conocemos la existencia de técnicas de prompting como el método socrático (Chang, 2023) o el diseño de plantillas de estímulo, estímulo continuo o estimulo en cadenas de pensamiento y expansión de metadatos (Kovari, 2024) esta investigación se centra en algo más simple de entender y 

aplicar.

Materiales y métodos

Para llevar a cabo el análisis de la estructura de los prompts, se empleó el método de análisis de contenido. Esta técnica, ampliamente utilizada en las ciencias sociales, permite examinar de manera sistemática textos, medios de comunicación o información con el objetivo de identificar patrones, temas y estructuras recurrentes (Bass & Semetko, 2021)

La muestra analizada estuvo compuesta por las respuestas generadas por siete sistemas de inteligencia artificial conversacional: Claude, Perplexity, Meta, Gemini, Copilot, DeepSeek 

y ChatGPT. A todos ellos se les formuló la misma pregunta: 

“¿Cómo estructurar una consulta para esta IA?”, en un único momento, en abril de 2025.

Las respuestas se recopilaron exclusivamente a partir de las versiones gratuitas de cada herramienta, con el fin de garantizar condiciones de acceso equivalentes y evitar sesgos derivados de funcionalidades premium. Posteriormente, los contenidos fueron codificados y organizados en categorías temáticas emergentes que permitieron realizar una comparación transversal entre las diferencias de IA. 

Análisis y resultados

En las tablas 1 y 2 se estructura un resumen sobre los criterios abordados por los siete sistemas de inteligencia artificial. De los cuales podemos obtener como resultado que todas coinciden en tres criterios: claridad, contexto y estructura, además la mayoría recomienda indicar el formato de respuesta y usar ejemplos.

Tabla 2. Criterios destacados por los sistemas de Inteligencia 

Artificial (parte 2) Las herramientas de IA destacan la claridad y especificidad pidiendo que seas lo más claro y directo, definiendo la información que necesitas y evitando ambigüedades. En cuestión de contexto, la recomendación es que proporciones información adicional relevante y detalles para preguntas complejas. En la última recomendación general, que es la estructura, nos piden que formulemos una 

pregunta a la vez o dividir cuestiones amplias para evitar preguntas complejas.

Uno de los criterios menos uniformes es la cortesía, el cual es mencionado por 4 de las 7 

herramientas, solo se presenta como buena práctica en Perplexity, Gemini y Copilot sin embargo no es un requisito técnico. Solo Meta lo relaciona directamente a la calidad de la escritura (ortografía, gramática).

Conclusiones

En respuesta a la pregunta de investigación que nos refiere a la mejor estructura para elaborar consultas a los sistemas de Inteligencia artificial, el orden propuesto es que nuestras interacciones deben ser claras, con un contexto preciso y de ser posible ejemplificado además de una estructura de una pregunta a la vez, como se muestra en el figura 

1. Con esta combinación nos cercioramos realizar una consulta básica estructurada de 

manera correcta la cual nos puede servir para interactuar básicamente con cualquier 

inteligencia artificial conversacional.

El criterio de cortesía aunque la máquina no tenga sentimientos o se sienta ofendida 

por el tono con que utilizamos las palabras, si mejora la claridad de la comunicación ya 

que al ser cortés por lo general suele ser más estructurada la comunicación, además 

fomenta hábitos positivos al momento de comunicar ya que estás entrenando tu forma de expresarte. En resumen el criterio de cortesía no es para la IA sino para uno mismo ya que nos ayuda a pensar mejor lo que queremos decir. 

Referencias

Ansara, C. (2023). AI and Prompt Architecture – A Literature Review. International Journal of Computer Applications, 185(34), 39–45. https://doi.org/10.5120/ijca2023923133

Anurag, A. S. (2024). Early Beginnings of AI (pp. 1–20). https://doi.org/10.4018/979-8-3693-2643-5.ch001

Cortez Vásquez, A., Vega Huerta, H., & Pariona Quispe, J. (2009). Procesamiento de lenguaje natural. Revista de Ingeniería de Sistemas e Informática, 6(2). 

Bass, L., & Semetko, H. A. (2021). Content Analysis. In Research Methods in the Social Sciences: An A-Z of key concepts (pp. 56–62). Oxford University Press. https://doi.org/10.1093/hepl/9780198850298.003.0013

Chang, E. Y. (2023). Prompting Large Language Models With the Socratic Method. 2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), 0351–0360. https://doi.org/10.1109/CCWC57344.2023.10099179

Kovari, A. (2024). ChatGPT the Omniscient? A Guide to Effective Prompting. 2024 IEEE 7th International Conference and Workshop Óbuda on Electrical and Power Engineering (CANDO-EPE), 000047–000052. https://doi.org/10.1109/CANDO-EPE65072.2024.10772984

Lemeš, S. (2024). Prompt Engineering. Artificial Intelligence in Industry 4.0: The Future That Comes True, 159–170. https://doi.org/10.5644/PI2024.215.08

Martín Torres, P. (2024). Recuperación de Información en IAs conversacionales: un acercamiento al prompt engineering para documentalistas.

Muktadir, G. M. (2023). A Brief History of Prompt: Leveraging Language Models. http://arxiv.org/abs/2310.04438

Patel, D., Kadbhane, S., Sameed, M., Chandorkar, A., & Rumale, A. S. 

(2023). Prompt Engineering Using Artificial Intelligence. IJARCCE, 12(10). https://doi.org/10.17148/IJARCCE.2023.121018

Rincón, A., Brayan, M., & Montoya, R. (2024). Estructura estratégica para el desarrollo de un prompt con IA generativa.

Rodriguez-Donaire, S. (2024). Influence of Prompts Structure on the Perception and Enhancement of Learning through LLMs in Online Educational Contexts. https://doi.org/10.5772/intechopen.1006481

Sandín, M. P. (2024). Explorando ChatGPT, prompts y análisis de datos cualitativos.

Troncoso Lora, A. (2022). Inteligencia artificial: Pasado, presente y futuro. Encuentros Multidisciplinarios.

Vaira, L. A., Lechien, J. R., Abbate, V., Gabriele, G., Frosolini, A., De Vito, A., Maniaci, A., Mayo-Yáñez, M., Boscolo-Rizzo, P., Saibene, A. M., Maglitto, F., Salzano, G., Califano, G., Troise, S., Chiesa-Estomba, C. M., & De Riu, G. (2025). Enhancing AI 

Chatbot Responses in Health Care: The SMART Prompt Structure in Head and Neck Surgery. OTO Open, 9(1). https://doi.

org/10.1002/oto2.70075