Hay una diferencia enorme entre usar IA para marketing y usarla bien. La mayoría de los equipos que dicen que "la IA no les funciona" están usando prompts del estilo "escribe un post sobre nuestro producto". Los que obtienen resultados consistentes han aprendido a comunicarse con los modelos de forma que aprovecha su arquitectura.

El prompt engineering no es una habilidad técnica. Es comunicación precisa. Y en marketing, la comunicación precisa es lo que hacemos todos los días.

Las cinco técnicas que más impacto tienen

1. Role + Context + Task (el tríptico básico)

El prompt más efectivo para la mayoría de tareas de marketing tiene tres componentes: el rol que debe adoptar el modelo, el contexto del negocio y la tarea específica.

Prompt mediocre: "Escribe un email de seguimiento para un lead que no ha respondido."

Prompt efectivo: "Eres el director comercial de BAI Marketing, una agencia de marketing con IA en Bilbao especializada en pymes industriales. El lead es Pablo Martín, director de Automoción Martín en Vitoria-Gasteiz, que visitó nuestra landing de agente de voz hace 8 días pero no ha respondido al primer email. Su web tiene una velocidad de carga de 6 segundos y no tiene perfil de Google Business reclamado. Escribe un email de seguimiento de máximo 120 palabras que mencione específicamente el problema de Google Business como gancho, proponga una llamada de 15 minutos y tenga un asunto que no empiece por 'Seguimiento de'."

La diferencia en la calidad del output es sustancial. El segundo prompt produce un email que se puede usar directamente. El primero produce un email que hay que reescribir.

2. Few-shot examples para voz de marca

Los modelos de lenguaje aprenden del contexto de la conversación. Si les muestras tres ejemplos de cómo escribe tu marca antes de pedirle que escriba algo, el output respeta la voz de marca mucho más que si solo se lo describes con palabras.

"Aquí hay tres ejemplos de cómo BAI Marketing escribe sus emails de prospección: [ejemplo 1] [ejemplo 2] [ejemplo 3]. Escribe un email con el mismo tono para la empresa Fontanería Bilbao S.L."

Esto es especialmente útil cuando la voz de marca tiene características que son difíciles de describir pero fáciles de demostrar: el ritmo de las frases, el nivel de formalidad, el uso del humor, la tendencia a usar preguntas retóricas.

3. Chain-of-thought para análisis complejo

Para tareas de análisis (interpretar datos de campañas, evaluar una propuesta de estrategia, diagnósticar por qué una campaña no funciona), pedir al modelo que muestre su razonamiento paso a paso mejora la calidad del análisis.

"Analiza estos datos de campaña de Google Ads paso a paso: primero identifica las métricas que están fuera de benchmark, luego explica qué puede estar causando cada anomalía, y finalmente propón las tres acciones prioritarias ordenadas por impacto esperado."

El "paso a paso" activa un modo de razonamiento diferente en el modelo que produce análisis más rigurosos y menos superficiales.

4. Output structure para consistencia

Si el modelo sabe exactamente qué formato debe tener el output, produce outputs más consistentes y más fáciles de procesar (especialmente útil para automatizaciones donde el output se usa como input de otro proceso).

"Responde en formato JSON con esta estructura: {asunto: string, cuerpo: string, cta: string, tono: string, palabras_clave_principales: [array]}. No incluyas texto fuera del JSON."

Para equipos que quieren usar la IA de forma sistemática, crear una biblioteca de prompts con output structures estandarizados es una de las inversiones con mayor retorno: cualquier persona del equipo puede usar el prompt y obtener un output en el formato esperado.

5. Negative constraints para evitar los errores frecuentes

Decirle al modelo lo que NO debe hacer es tan importante como decirle lo que debe hacer. Los modelos tienen sesgos de entrenamiento que producen outputs genéricos o con patrones que no representan tu marca si no se contrarrestan explícitamente.

"No uses palabras como 'potenciar', 'sinergia', 'soluciones integrales' ni ninguna frase corporativa genérica. No empieces frases con 'En el contexto de…' o 'Es importante destacar que…'. No uses el signo de exclamación. No incluyas más de tres puntos en la lista."

Esas constraints parecen pequeñas pero tienen un impacto enorme en que el output suene a tu marca en lugar de a una empresa genérica.

Cómo construir una biblioteca de prompts para tu equipo

La inversión más rentable en prompt engineering no es aprender técnicas avanzadas: es documentar los prompts que funcionan y ponerlos a disposición de todo el equipo. Un prompt bien diseñado para generar asuntos de email tiene valor cada vez que alguien del equipo necesita escribir un email. Sin la biblioteca, cada persona reinventa la rueda.

La estructura de una biblioteca de prompts básica:

  • Prompts de copy: posts, emails, ads, landing pages
  • Prompts de análisis: datos de campañas, feedback de clientes, análisis de competencia
  • Prompts de estrategia: brainstorming, validación de ideas, creación de calendarios editoriales
  • Prompts de automatización: outputs estructurados en JSON para flujos de n8n o Make

La herramienta más simple para empezar: un Notion o un Google Doc con los prompts organizados por caso de uso, con el ejemplo de input y el ejemplo de output esperado para cada uno.