Respuesta breve
Un ingeniero de prompts diseña las instrucciones que sigue un modelo de IA dentro de un producto o un proceso y demuestra que funcionan: crea conjuntos de prueba, añade salvaguardas y conecta el modelo con datos y herramientas. Como puesto propio es cada vez menos común, según Wikipedia; en los resultados de búsqueda de empleo ese trabajo aparece sobre todo dentro de otros puestos.
Ingeniero de prompts en 2026: de puesto de moda a habilidad
Quien busca ingeniero de prompts quiere saber qué hace esa persona y si alguien sigue contratando para eso. Wikipedia define la ingeniería de prompts como el proceso de estructurar entradas en lenguaje natural, llamadas prompts, para obtener resultados concretos de un modelo de IA generativa. Tras el lanzamiento de ChatGPT en noviembre de 2022, la práctica pasó a verse como una habilidad empresarial importante y las empresas empezaron a contratar personal dedicado.
El título perdió brillo. Wikipedia señala que desde entonces es menos común, porque los propios modelos producen mejores prompts que las personas, y cita un artículo de The Wall Street Journal de 2025 según el cual fue uno de los empleos más codiciados de 2023 y hoy está obsoleto. El trabajo no desapareció: alguien sigue decidiendo qué hace un modelo en un producto, comprobando su fiabilidad e impidiendo que haga lo que no debe.
Cuatro tareas que esconde el título de prompt engineer
La primera tarea es redactar las instrucciones: el mensaje de sistema de un bot de atención al cliente, la plantilla de un generador de descripciones de producto. La guía de ingeniería de prompts de OpenAI lo describe como escribir instrucciones eficaces para que un modelo genere de forma constante el contenido que necesitas, y lo llama una mezcla de arte y ciencia. Una buena respuesta suelta demuestra poco.
La segunda es probar, porque la misma guía advierte que lo que genera un modelo no es determinista: una misma petición puede devolver textos distintos. Por eso el trabajo incluye conjuntos de evaluación: entradas típicas e incómodas con una regla escrita para calificar las respuestas. La tercera son las salvaguardas, las reglas y comprobaciones que mantienen al modelo dentro de su tarea cuando un usuario o un documento intentan sacarlo de ella.
La cuarta es conectar el modelo con el negocio: su catálogo, sus documentos, su sistema de reservas. Ahí los prompts se cruzan con código, datos y permisos, y quien ocupa el rol trabaja junto a los desarrolladores, no en su lugar.
Cómo describen OpenAI, Anthropic y Google el trabajo con prompts
La guía de OpenAI recomienda fijar las aplicaciones en producción a una instantánea concreta y fechada del modelo, para que su comportamiento no cambie, y crear pruebas y conjuntos de evaluación que midan el comportamiento del prompt cuando cambian el prompt o el modelo. También distingue los mensajes del desarrollador, con prioridad, de los del usuario, que van detrás.
La introducción de Anthropic supone que ya tienes tres cosas: criterios de éxito claros para el caso de uso, alguna forma de comprobarlos empíricamente y un primer borrador que mejorar. A quien no tiene borrador le remite a un generador de prompts del Claude Cookbook. La misma página aclara que no todo fallo se resuelve con prompts: la latencia y el coste a veces mejoran más fácilmente eligiendo otro modelo.
La documentación de Gemini de Google llama a esta práctica diseño de prompts, el proceso de crear peticiones que obtengan respuestas precisas y de alta calidad, y añade: la ingeniería de prompts es iterativa, y sus pautas y plantillas son puntos de partida que se ajustan según las respuestas observadas. Un prompt es un borrador hasta que una prueba demuestra lo contrario.
Conjuntos de evaluación: la parte del oficio que nadie ve
La página de Anthropic sobre criterios de éxito y evaluaciones describe este trabajo con claridad. Los buenos criterios son específicos, medibles, alcanzables y pertinentes: no un buen rendimiento en general, sino, por ejemplo, una clasificación de sentimiento precisa frente a ejemplos etiquetados. Las dimensiones típicas son fidelidad a la tarea, coherencia, tono, privacidad, latencia y precio; la mayoría de las aplicaciones necesita varias.
Fija además tres reglas. Deben reflejar la tarea real e incluir casos límite: entradas irrelevantes o inexistentes, textos demasiado largos, peticiones dañinas y casos ambiguos donde también discreparían las personas. Conviene automatizar la calificación. Y el volumen pesa más que el pulido: muchas preguntas calificadas automáticamente dan más señal que unas pocas revisadas a mano. Si un modelo califica a otro, Anthropic aconseja usar uno distinto del que escribió la respuesta.
El bot de una tienda en línea necesita cincuenta preguntas reales de clientes, las mismas reformuladas con erratas, algunas ajenas a la tienda y algunas que intentan arrancar un descuento que nunca se ofreció. Cada respuesta recibe un aprobado o un suspenso según una regla escrita, y el conjunto se vuelve a ejecutar tras cada cambio. Esa tabla, más que el prompt, muestra si el trabajo está hecho.
Salvaguardas, documentos y herramientas alrededor del modelo
Un modelo sin conexiones solo puede conversar. La guía de llamadas a funciones de OpenAI explica cómo accede a sistemas externos y a datos ajenos a su entrenamiento: la aplicación indica qué herramientas puede usar el modelo, el modelo pide una, la aplicación ejecuta su código y devuelve el resultado, y el modelo responde o solicita otra herramienta. La guía de prompts añade que aportar contexto relevante con la petición a veces se llama generación aumentada por recuperación.
Cada conexión es también una puerta. La página de Anthropic sobre jailbreaks e inyección de prompts separa dos amenazas: un usuario que intenta saltarse las reglas a propósito, y contenido de terceros, como una página web, un correo, un documento o el resultado de una herramienta, que esconde instrucciones aunque el usuario sea inocente. Entre sus consejos está decirle al modelo que ese contenido son datos y no órdenes, y darle solo el acceso que necesita, para que un ataque exitoso cause poco daño.
La misma página recomienda poner a prueba tu propio agente antes del lanzamiento con documentos y correos que contengan intentos de inyección, y vigilarlo después. Las salvaguardas no son una frase amable en el prompt de sistema, sino redacción, permisos, comprobaciones en el código y pruebas pensadas para romperlo todo.
Una profesión aparte o una habilidad dentro de otros puestos
En hh.ru, una búsqueda de la frase rusa que significa ingeniero de prompts devolvió 181 vacantes en toda Rusia el 17 de octubre de 2026. Entre los veinte primeros resultados, solo uno llevaba ese título. Los demás eran ingenieros y desarrolladores de IA, testers, un analista de sistemas, ingenieros de aprendizaje automático, un jefe de proyecto, un diseñador narrativo, un operador de redes neuronales y un becario de IA.
La búsqueda es una foto fija y la cifra cambia a diario, pero el patrón coincide con lo que Wikipedia dice del título. En esos resultados, el trabajo con prompts aparece sobre todo dentro de otros puestos: análisis, pruebas, desarrollo, gestión. Un puesto dedicado es la excepción. Para la mayoría, el camino realista es reforzar su trabajo actual.
Una persona de marketing que escribe un prompt con la voz de la marca, lo prueba en cuarenta fichas de producto y enseña el porcentaje de aciertos es más útil que quien conoce una lista de trucos. Un analista que convierte una petición vaga en criterios de éxito y un conjunto de pruebas ya hace lo esencial del trabajo. La evidencia pesa más que el título.
Habilidades de partida y un portafolio de prompts probados
Lo primero es escribir con claridad. Las buenas prácticas de Anthropic proponen tratar al modelo como a un empleado brillante pero nuevo, al que le falta contexto, con una regla de oro: enseña el prompt a un colega que sepa poco de la tarea, y si él se confunde, el modelo también. La página recomienda de tres a cinco ejemplos; la guía de Google advierte que demasiados pueden hacer que el modelo los copie. Lo demás es sencillo: dominar el tema, llevar los casos de prueba en una hoja de cálculo y anotar la versión del modelo de cada resultado.
Un portafolio para este rol no es una galería de prompts ingeniosos. Cada pieza muestra la tarea, los criterios de éxito, el conjunto de pruebas con sus casos incómodos, cada versión del prompt con su puntuación y lo que todavía falla. Tres piezas de trabajo real, como una plantilla de respuestas de soporte o un generador de descripciones de producto, dicen más que treinta capturas de chat. Quita antes nombres de clientes y datos personales.
Una semana de práctica por tu cuenta y el curso de IA de VITON13 SCHOOL
Esta semana, elige una tarea repetitiva de tu trabajo y describe el buen resultado como una regla que un desconocido pudiera comprobar. Reúne veinte entradas reales, añade cinco incómodas y escribe la respuesta que aceptarías en cada caso. Redacta un prompt, ejecuta las veinticinco, marca cada resultado como aprobado o suspenso, cambia una sola cosa y repite. El viernes sabrás si la tarea encaja con un modelo y cuánta revisión necesita, que es el núcleo de lo que hace un ingeniero de prompts.
Por tu cuenta es fácil quedarse en el prompt y saltarse las pruebas. Un curso estructurado aporta un orden de temas y comentarios sobre tu trabajo. El curso de IA de VITON13 SCHOOL enseña a escribir prompts, automatizar tareas rutinarias con IA y crear agentes de IA sencillos; su página recoge el programa y las condiciones vigentes, y la biblioteca gratuita de la escuela sirve para empezar antes de decidir. Para una web de tu negocio, y no una habilidad, consulta la guía que compara los creadores de webs con IA con un estudio web.
Lista práctica
- Elige una tarea repetitiva de tu trabajo y escribe el resultado deseado como una regla que otra persona pueda comprobar.
- Reúne veinte entradas reales y cinco incómodas, con la respuesta que aceptarías para cada una de ellas.
- Ejecuta cada versión del prompt sobre todo el conjunto y anota el porcentaje de aciertos junto a la versión del modelo.
- Intenta romper tu propio asistente con preguntas fuera de tema y textos que esconden instrucciones dentro.
- Documenta un caso terminado: tarea, criterios, conjunto de pruebas, versiones con puntuación y lo que aún falla.
Preguntas frecuentes
¿Sigue existiendo el puesto de ingeniero de prompts en 2026?
Existe, pero es raro. Wikipedia señala que el título es menos común desde que los modelos escriben buenos prompts por sí mismos, y en hh.ru solo uno de los veinte primeros resultados de la búsqueda rusa lo usaba en octubre de 2026. El trabajo sigue vivo dentro de puestos de analista, probador, desarrollador y gestor.
¿Hace falta programar para trabajar con prompts de forma profesional?
Para empezar, no. Redactar instrucciones, montar un conjunto de pruebas y leer resultados requiere pensamiento claro, conocimiento del tema y una hoja de cálculo. Conectar un modelo con herramientas y datos sí implica código, así que algo de scripting o trabajar codo con codo con un desarrollador ayuda en cuanto el asistente tiene que actuar y no solo responder.
¿Qué debe incluir un portafolio de ingeniería de prompts?
Dos o tres casos terminados de tareas reales. Cada uno muestra el objetivo, los criterios de éxito, las entradas de prueba con las incómodas incluidas, cada versión del prompt con su porcentaje de aciertos y los fallos que quedan. Quita nombres de clientes y datos personales. Un caso probado convence más que una colección de capturas.
¿En qué se diferencia un ingeniero de prompts de un ingeniero de IA?
Las empresas usan ambos títulos con libertad y se solapan mucho. El trabajo con prompts se centra en instrucciones, conjuntos de pruebas y salvaguardas para un modelo que proporciona otro. Un puesto de ingeniero de IA suele abarcar además el software que rodea al modelo: servicios, datos e integraciones. Lee las funciones de la oferta, no solo su título.
¿Puede alguien de marketing o un analista aprender esto sin cambiar de empleo?
Sí, y es un camino natural. Empieza por una tarea que ya haces, como descripciones de producto o resúmenes de informes: escribe criterios de un buen resultado, prueba un prompt con ejemplos reales y guarda las puntuaciones. En unas semanas tendrás una herramienta que funciona y un caso documentado que enseñar.