Uso del Prompting positivo y negativo

12.3 Uso del Prompting positivo y negativo

El Prompting Positivo y Negativo es una técnica que se enfoca en cómo formular instrucciones para obtener lo que se desea, basada en investigación sobre cómo los modelos de lenguaje interpretan restricciones. El Prompting Positivo proporciona instrucciones sobre qué hacer, qué incluir, qué enfatizar. El Prompting Negativo proporciona instrucciones sobre qué no hacer, qué evitar, qué no incluir. Aunque parece intuitivo que ambos deberían ser equivalentes, investigación empírica demuestra que los modelos de IA responden diferenciadamente a formulaciones positivas versus negativas, y que la combinación estratégica de ambas produce resultados superiores. Entender estas dinámicas es crítico para obtener consistentemente las respuestas deseadas.

Prompting Positivo: definición clara de lo deseado

El Prompting Positivo es explícito sobre lo que se quiere que el modelo haga. "Escribe un análisis de viabilidad que incluya: evaluación de demanda del mercado, proyecciones financieras a 3 años, análisis de competencia, estimación de requerimientos de capital, y plan de operaciones iniciales." Esta instrucción clara define exactamente qué componentes deben estar presentes. El modelo sabe qué incluir y típicamente genera respuestas más estructuradas y completas.

El Prompting Positivo es especialmente efectivo cuando la tarea requiere estructura específica o componentes identifícables. En lugar de "analiza este producto," un Prompting Positivo específico sería: "Analiza este producto bajo los siguientes criterios: fortalezas competitivas, debilidades relativas, posicionamiento en mercado, oportunidades de diferenciación, y amenazas de disruption. Para cada criterio, proporciona evidencia específica." El modelo, con esta hoja de ruta clara, produce respuestas más sistemáticas.

El Prompting Positivo funciona bien también para estilos y tonos. "Redacta un reporte ejecutivo en tono formal, máximo dos páginas, con resumen inicial de hallazgos clave, seguido de análisis detallado, y cierre con recomendaciones accionables" define claramente qué se espera en términos de formato, extensión, estructura y tono. Sin estas especificaciones positivas, el modelo generar respuestas inconsistentes.

Prompting Negativo: exclusión de comportamientos no deseados

El Prompting Negativo especifica lo que el modelo no debe hacer, no debe incluir, no debe enfatizar. "Por favor no incluyas opiniones personales, especulación sobre futuro a más de 12 meses, o comparaciones con competidores no relevantes en el sector específico." Esta negación es particularmente útil cuando el modelo tiene tendencias inherentes a comportamientos problemáticos. Por ejemplo, modelos de IA frecuentemente: generan respuestas excesivamente largas, incluyen información genérica que no añade valor, especulan más allá de su conocimiento confiable, o incluyen disclaimer excesivos.

El Prompting Negativo aborda estas tendencias directamente. "No incluyas advertencias legales innecesarias; solo menciona consideraciones legales si son realmente relevantes para la recomendación" reduce el ruido de disclaimer. "No especules sobre información que no aparece en los documentos que he compartido; si necesitas información adicional, indícalo explícitamente en lugar de asumir" evita alucinaciones. "No te extiendas a más de los párrafos; cada párrafo debe aportar valor específico" combate la verbosidad.

El Prompting Negativo también es valioso para evitar sesgos o perspectivas no deseadas. "No adoptes un tono académico formal excesivamente; usa lenguaje claro y directo apropiado para ejecutivos sin expertise técnico" redirige el registro. "No priorices información sobre tendencias globales genéricas; enfócate en dinámicas específicas del mercado español" limita alcance. "No sugieras cambios radicales de dirección; mantén análisis de mejoras incrementales realistas" establece parámetros de ambición.

Estrategia combinada: Positivo Y Negativo juntos

La potencia máxima se alcanza combinando ambos. Un prompt completo sería: "Redacta un plan de marketing de 3 años para una pyme de servicios. INCLUYE: análisis de segmento target, canales de adquisición con inversión estimada, métricas de éxito, plan trimestral para año 1. NO INCLUYAS: benchmarking con empresas Fortune 500, especulación sobre nuevas tecnologías de marketing no disponibles hoy, análisis de marca completo (asumiré que es existente), ni recomendaciones de agencia externa (asume equipo interno). USA lenguaje claro y práctico, máximo 15 páginas, con foco en acciones inmediatas."

Este prompt combinado es mucho más potente que cualquiera de los componentes por separado. Define exactamente qué incluir (positivo), qué excluir (negativo), límites de alcance (negativos), tono y extensión (positivo), y orientación a acción (positivo). El modelo tiene claridad excepcional sobre qué respuesta es deseada.

Dinámicas particulares en modelos de lenguaje

La investigación ha identificado comportamientos particulares. Los modelos tienden a: (1) sobrecumplir instrucciones positivas si son muy específicas (si dices "incluye 5 recomendaciones," el modelo incluirá exactamente 5 incluso si 3 serían óptimas); (2) ignorar instrucciones negativas vagas ("no seas excesivamente detallado" es ignorado con más frecuencia que "máximo 3 párrafos por sección"); (3) responder mejor a negaciones cuando están seguidas de especificación positiva alternativa ("No hagas X; en su lugar haz Y") que a negaciones aisladas.

Para máxima efectividad, combina negación con alternativa positiva. "No incluyas análisis de competencia genérica; en su lugar, enfócate en cómo nuestros fortalezas diferenciadas nos posicionan contra competencia existente." Esta formulación es más probable de ser seguida que "no hagas análisis de competencia genérica," porque el modelo entiende qué hacer en lugar de solo qué evitar.

Caso práctico: Prompt para estrategia de producto

Una empresa de software solicita análisis de roadmap de producto. Versión débil: "Dame tu pensamiento sobre qué features deberíamos construir." Versión mejorada con Prompting Positivo y Negativo: "ROADMAP DE PRODUCTO: Proporciona recomendación de 5 features principales para próximo año. INCLUYE para cada feature: impacto en retención/adquisición, esfuerzo estimado de desarrollo, riesgos técnicos. PRIORIZA features que dirijan al menos a una métrica de negocio clara. NO INCLUYAS: especulación sobre nuevas plataformas (mobile, IA, blockchain) a menos que sean claramente demandadas por usuarios. NO sugieras features que requieran cambio arquitectónico fundamental. ASUME que tenemos equipo técnico de 3 personas, presupuesto limitado, y prioridad es rentabilidad no crecimiento viral. USA análisis de user feedback actual (estoy compartiendo resumen separado) y datos de uso internos. Cierra con timeline realista y dependencias."

Este prompt, cuando es proporcionado con información de user feedback y datos de uso, produce un roadmap realista, priorizado, alineado con restricciones reales. El mismo problema, con prompt débil, hubiera generado wishlist genérica sin consideración de viabilidad.

Optimización iterativa de prompts positivos y negativos

La mejor práctica es iterar: proporciona un prompt inicial, revisa la respuesta, e identifica qué aspectos no fueron como esperado. Si la respuesta fue demasiado genérica, añade Prompting Positivo más específico. Si incluyó contenido no deseado, añade Prompting Negativo. Si fue demasiado académica o demasiado casual, ajusta instrucciones de tono. Con algunos ciclos de iteración, llega a un prompt que consistentemente produce respuestas que cumplen exactamente con los criterios deseados.

Ideas clave

• Prompting Positivo define explícitamente qué incluir, qué estructura seguir, qué enfatizar
• Prompting Negativo especifica qué evitar, qué excluir, qué no enfatizar
• La combinación de ambos produce respuestas con mayor precisión y relevancia
• El Prompting Negativo es más efectivo cuando va seguido de alternativa positiva ("No hagas X; haz Y")
• Modelos de lenguaje responden diferentemente a vaguedad vs. especificidad en negaciones
• La iteración y refinamiento de prompts basado en respuestas anteriores mejora consistentemente la calidad