La calidad de la respuesta que entrega una inteligencia artificial generativa depende en gran medida de cómo se formula la pregunta. Sobre esa premisa se apoya el meta prompting, una técnica que propone un paso previo: en lugar de escribir directamente la consigna final, se le pide al modelo que la reescriba y la mejore antes de contestar. El método busca achicar la brecha entre lo que el usuario quiere y lo que la herramienta interpreta.
Modelos como ChatGPT, Gemini, Claude o DeepSeek permiten interactuar en lenguaje natural, sin conocimientos técnicos. Esa accesibilidad es una ventaja, pero también expone un problema: una instrucción vaga produce respuestas vagas. El término técnico para esa instrucción es prompt, la petición concreta que se le da a una IA.
El prompt sobre el prompt
La palabra meta proviene del griego y significa “más allá” o “sobre”. El meta prompting es, literalmente, pensar sobre el prompt antes de escribirlo. Si se le pide a una IA “explicame la relatividad especial”, la respuesta será correcta pero genérica: el modelo no sabe a quién va dirigida, en qué contexto se usará ni qué nivel de detalle se necesita. El problema no está en la herramienta, sino en la instrucción.
Un prompt elaborado define cuatro elementos: el contexto que debe tener en cuenta el modelo, el rol que debe adoptar, el formato de respuesta requerido y el objetivo perseguido. Redactar una petición tan detallada no siempre resulta sencillo, y ahí aparece la utilidad del método.
La frase que reescribe la consigna
La forma práctica más simple de aplicar la técnica consiste en sumar, después de la pregunta inicial, la frase: “Antes de responder, reescribí este prompt para que sea más preciso y efectivo. Luego respondé usando esa versión mejorada”. Con ese agregado, el modelo primero refina la instrucción y recién después la ejecuta.
Frente al pedido “explicame la relatividad especial”, un modelo devuelve una versión ampliada que incorpora el rol, como una clase universitaria introductoria, el contexto histórico previo a la formulación de la teoría, los postulados fundamentales, las consecuencias físicas, como la dilatación temporal, la contracción de la longitud, la relatividad de la simultaneidad y la equivalencia masa-energía, además de ejemplos intuitivos, las ecuaciones esenciales y un resumen final. Esa segunda versión delimita mejor el contexto y propicia una respuesta de mayor calidad.
No es un truco mágico
El meta prompting no constituye un mecanismo distinto del prompt engineering, la disciplina que estudia cómo redactar instrucciones eficaces. Es más bien una variación metacognitiva: en vez de entregar solo la consigna final, se le pide al modelo que la refine por su cuenta. Su utilidad concreta está en convertir pedidos vagos en pedidos específicos, algo especialmente valioso cuando el usuario no sabe cómo armar una instrucción precisa de entrada.
Los modelos de lenguaje son sensibles al contexto: la misma pregunta formulada de dos maneras distintas puede producir resultados muy diferentes. El meta prompting aprovecha esa característica de forma consciente. No hay, por ahora, estudios técnicos ni mediciones comparativas ampliamente aceptadas que cuantifiquen cuánto mejora este enfoque frente a otros métodos. Lo que puede afirmarse es que la técnica resulta coherente con la manera en que funcionan los prompts.
