¿Tienes que reescribir tus prompts?

Prompting 2026 (Guía definitiva) - GPT Sol, Opus, Kimi

Bajo mi punto de vista es un artículo bien hecho. Cita fuentes oficiales y las afirmaciones que atribuye a las guías de OpenAI y Anthropic están efectivamente ahí.

Además acota su alcance de forma explícita, nombra los modelos a los que se refiere y reconoce al final que un prompt destinado a modelos pequeños sigue necesitando estructura densa. Eso está bien.

No le falta rigor, pero sí echo en falta ser más explícito con la condición que subyace en la información aportada.

Todo lo que propone es correcto si y solo si la tarea se está ejecutando en un modelo de razonamiento avanzado.

En cuanto sales de ese escenario (y la mayoría de las tareas diarias están fuera) deja de aplicarse, y en algunos casos aplicarlo empeora el resultado.

En este análisis no pretendo desmontar el artículo, porque sus consejos son buenos (si estás trabajando con un modelo avanzado).

Voy a poner énfasis en la condición que pasa desapercibida, que se resume en una frase: si no has cambiado de modelo, no tienes nada que reescribir.

Índice de humo: 35% 🟡

• “Respira hondo”

• “Piensa profundamente”

• “Tómate tu tiempo”.

Nunca han afectado a la calidad de la respuesta y hoy siguen sin aportar nada.

En un modelo que razona por defecto, la profundidad se controla con el ajuste de esfuerzo, no con una frase.

“Repórtame solo los errores graves” no funciona, porque el modelo lo cumple al pie de la letra y te oculta hallazgos reales.

La recomendación oficial es pedirle que lo reporte todo y filtrar tú en una segunda pasada.

Quédate con esto: cuanto mejor obedece un modelo, más caro sale cada requisito mal formulado.

Por ejemplo, decir “sé breve” arriba y “explícalo con detalle” abajo.

El modelo no puede cumplir las dos a la vez, así que cumple una. Y no siempre la misma.

Por eso a veces tienes la sensación de que el mismo prompt funciona un día y falla al siguiente, y es porque hay dos órdenes incompatibles y cada vez gana una.

Aquí está el porqué de este análisis, e insisto, no es una crítica: es lo que hace falta saber para aplicar bien lo anterior.

Ahora, antes de hacer una petición, debes escoger, por un lado, qué modelo resuelve la tarea. Por otro, cuánto esfuerzo dedica.

La primera decisión es importante, porque para clasificar correos, resumir una reunión o traducir un texto, el modelo más avanzado no da un resultado mejor.

Los niveles altos se justifican cuando la dificultad de la tarea es compleja, no cuando es cotidiana.

Las guías oficiales de OpenIA y Anthropic no son consejos sobre “prompting”, son fichas de comportamiento de modelos concretos.

Un modelo que verifica solo no necesita que le pidas verificar. Un modelo que no lo hace, sí.

Esto no es una interpretación mía.

Anthropic publicó dos guías la misma semana: para Opus 5 recomienda quitar las instrucciones de verificación, y para Fable 5 recomienda justo lo contrario, hacer explícita la comprobación en las tareas largas.

Misma empresa, misma semana, páginas contiguas, consejos opuestos. Si ni siquiera hay una regla común entre dos modelos de la misma casa, difícilmente la hay para “los modelos de 2026”.

Llevado a tu caso: si tu GPT está trabajando con un modelo intermedio o rápido (que es lo sensato para la mayoría de tareas) quitarle las instrucciones de comprobación no te ahorra nada. Te deja sin la comprobación.

En ChatGPT, el modelo que contesta depende del modo, del plan y del producto desde el que entras, y existe una conmutación automática entre respuesta rápida y razonamiento que se activa o desactiva en la configuración del selector.

Si la tienes activada, el modelo cambia según la petición.

El artículo comenta esto al final, pero merece más peso.

Si el GPT lo usa tu equipo, o si lo publicas, no controlas ni el modelo ni el plan de quien lo ejecuta. Ese prompt tiene que seguir siendo explícito.

Te recomendaría esta regla:

Escribe el prompt pensando en el modelo “más débil” que vaya a ejecutarlo.

Si es solo para ti y has fijado el nivel más alto, aligera. En cualquier otro caso, darle una buena estructura hará que funcione mejor.

“Abre tus GPT personalizados, tus proyectos de Claude, tus plantillas de Notion. Vamos a hacer limpieza.”

Esa frase convierte una recomendación condicional en una tarea pendiente para todo el mundo.

No hay ninguna necesidad de revisar unas instrucciones que funcionan.

El momento de revisarlas es cuando decides subir de modelo o de nivel de esfuerzo.

La guía de Opus 5 recomienda de forma explícita incluir una instrucción breve de concisión, porque ese modelo tiende a responder más largo que sus predecesores.

Y la de OpenAI no dice que sobre, dice que compruebes si te sigue sirviendo y que la mantengas cuando produzca el resultado que necesitas.

Es un ejemplo perfecto de por qué la regla general falla, la misma instrucción sobra en un modelo y hace falta en otro.

Contradice el método que recomienda su propia fuente, que propone retirar un grupo de instrucciones cada vez y volver a comprobar.

Ese prompt lo quita todo de una vez y te devuelve una versión nueva.

Si tuvieras forma de evaluarla, no necesitarías el atajo; y si no la tienes, estás cambiando algo que funcionaba por algo que no sabes juzgar.

“Tu mejor prompt de hace seis meses hoy te da peores resultados” no es lo que dicen las fuentes. Dicen que parte de tus instrucciones puede haber dejado de aportar.

Redundante y perjudicial no son lo mismo.

Si te llevas una sola cosa del artículo que sea esto:

No hay nada que reescribir mientras no cambies de modelo.

Todo lo que propone este artículo es correcto dentro de un escenario concreto: un modelo de razonamiento avanzado, ejecutando una tarea que lo justifica.

El autor lo tiene claro, y lo menciona al principio.

Pero me parece oportuno destacar que la decisión importante viene antes del prompt.

Primero eliges qué modelo merece la tarea. Para la mayoría del trabajo diario la respuesta es un nivel intermedio o instantáneo, y ahí las instrucciones detalladas siguen siendo tan útiles como el año pasado.

Solo cuando subes al nivel alto para algo que de verdad lo pide tiene sentido revisar si sobran comprobaciones y procesos.

Y cuando llegue ese momento, hazlo al revés de como lo propone el artículo:

Quita una cosa, prueba la versión antigua y la nueva con el mismo encargo un par de veces, y decide.

De esta manera, cuando quitas algo y el resultado empeora de forma evidente, lo devuelves.

Lo que sí conviene hacer desde ya, independientemente del modelo, es lo que el artículo dice acertadamente: mira si tus instrucciones contienen suficiente contexto para la tarea.

Ningún ajuste de prompting compensa un prompt que no sabe nada de ti.