Saber preguntarle bien a una Inteligencia Artificial no es la habilidad que decide si te encuentran cuando alguien busca a un profesional como tú: eso lo decide la calidad y la estructura de lo que ya existe publicado sobre ti, algo que ocurre antes de que nadie escriba ningún prompt. El prompting sirve para quien usa la Inteligencia Artificial como herramienta de trabajo, no para quien quiere aparecer en las respuestas que esa Inteligencia Artificial le da a otra persona.
¿Qué te están vendiendo cuando te venden «aprende a hacer las preguntas correctas»?
Durante los últimos dos años se ha instalado la idea de que dominar el prompting, la forma de redactar instrucciones a un modelo de lenguaje, es la ventaja competitiva de esta época. Hay cursos, certificados y comunidades enteras construidas sobre esa premisa.
Esa premisa tiene sentido para alguien que usa ChatGPT o Gemini como asistente para escribir, programar o resumir. No tiene ningún sentido para un profesional que solo quiere que le encuentren cuando otra persona, no él, le hace una pregunta a una Inteligencia Artificial sobre quién puede ayudarle.
¿Quién hace la pregunta de verdad, y por qué no eres tú?
Si eres consultor, psicóloga, abogado o tienes una clínica, la pregunta que decide si apareces no la escribes tú. La escribe un desconocido, en su propio lenguaje, cuando le pregunta a Perplexity o a ChatGPT quién puede ayudarle con lo que necesita.
Tú no controlas esa pregunta, no puedes optimizarla ni redactarla mejor. Lo único que puedes controlar es lo que la Inteligencia Artificial encuentra sobre ti cuando alguien la hace. Confundir esos dos papeles, el de quien pregunta y el de quien es preguntado, es la raíz del error de venderle prompting a quien solo necesita visibilidad.
¿Qué mide de verdad si un modelo te cita, según la investigación académica?
Un equipo de investigadores de la Universidad de Princeton, formado por Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan y Ameet Deshpande, publicó el primer marco académico sobre qué hace que un contenido tenga más probabilidades de ser citado por un motor generativo, bajo el nombre Generative Engine Optimization.
El estudio probó cerca de 10.000 consultas distintas sobre nueve conjuntos de datos y encontró que cinco modificaciones concretas del contenido ya publicado, no del prompt del usuario, aumentaban entre un 30% y un 41% la probabilidad de que un modelo citara esa fuente como respuesta.
¿Cuáles son esas cinco cosas, y por qué ninguna depende de cómo se le pregunte al modelo?
Las cinco variables que identificó el estudio de Princeton son citar fuentes propias dentro del texto, añadir citas textuales, incluir estadísticas con su origen, cuidar la fluidez de la redacción y usar un tono con autoridad reconocible. Todas viven en el contenido ya publicado, ninguna vive en la pregunta que hace el usuario final.
La combinación de estadísticas con fluidez produjo el efecto más fuerte de todo el estudio, porque una frase con un dato concreto es, según los propios investigadores, una unidad de información más fácil de citar que una frase sin ningún dato dentro.
¿Por qué esto tiene más sentido para alguien con 27 años de oficio que para un curso de fin de semana?
Llevo 27 años trabajando como consultor, y lo que ese estudio describe con lenguaje académico es algo que cualquiera que haya escrito un informe serio sabe de forma intuitiva: una afirmación sin fuente convence menos que una afirmación con fuente, con fecha y con un ejemplo real detrás.
Lo que cambia ahora no es esa regla, que es antigua, sino quién la aplica de forma automática cada vez que responde. Antes un cliente juzgaba si tu informe tenía criterio. Hoy un modelo de Inteligencia Artificial hace ese mismo juicio, a una escala que ningún cliente individual podría hacer nunca.
¿Qué importa entonces, si no es el prompting?
Importa la calidad y la estructura de lo que ya está publicado sobre ti antes de que nadie te pregunte nada. Importa si lo que has escrito en tu web, en tu blog o en tus entrevistas incluye datos verificables, ejemplos reales con fecha y una forma de escribir clara, en lugar de frases generales que podrían aplicarse a cualquier profesional del mismo sector.
Importa también si esa información está repetida de forma coherente en varios sitios, porque un modelo de Inteligencia Artificial no premia la cantidad de lugares donde apareces, premia la coincidencia entre lo que dicen esos lugares sobre ti.
¿Cómo se nota, en la práctica, la diferencia entre un perfil bien estructurado y uno solo con buenos prompts?
Un profesional que ha dominado el prompting puede conseguir que ChatGPT le redacte una biografía perfecta para su propia web. Pero esa biografía perfecta, una vez publicada, sigue teniendo que competir con la de otros cien profesionales del mismo sector que hicieron exactamente lo mismo, con el mismo tono genérico.
Un profesional cuyo contenido publicado incluye un caso concreto, con una cifra, una fecha y un resultado comprobable, le da a la Inteligencia Artificial algo que las cien biografías genéricas no tienen: un dato que citar en lugar de una afirmación que parafrasear.
¿Es lo mismo publicar mucho que publicar con estructura?
No es lo mismo, aunque se confunden con frecuencia. Publicar mucho, sin ningún dato verificable detrás de cada afirmación, solo multiplica el número de lugares donde existe la misma opinión sin respaldo, y eso no ayuda a que una Inteligencia Artificial te cite con más confianza.
Publicar con estructura significa que cada pieza nueva añade algo comprobable que no estaba antes: un caso con fecha, una cifra con su fuente, una experiencia concreta que solo tú puedes contar de esa manera. Es menos contenido, pero cada pieza pesa más para un modelo que tiene que decidir a quién citar.
¿Qué hacer, entonces, en vez de apuntarte a un curso de prompting para que te encuentren?
Revisar lo que ya está publicado sobre ti, no lo que podrías escribir con ayuda de un modelo. Preguntarte si cada afirmación sobre tu experiencia tiene detrás un dato, una fecha o un caso real que la sostenga, en lugar de un adjetivo que podría llevar el nombre de cualquier otro colega del mismo sector.
Esa revisión no se hace en un fin de semana ni con un curso de dos horas. Se hace con el mismo criterio con el que se revisa cualquier informe que va a defenderse delante de alguien que puede pedir explicaciones, y es un trabajo que empieza mucho antes de que exista la pregunta que alguien le va a hacer un día a una Inteligencia Artificial sobre ti.
El prompting seguirá siendo útil el día que tú mismo necesites usar una Inteligencia Artificial para escribir, resumir o programar algo. Pero ese día no tiene nada que ver con el día en que un desconocido, sin que tú lo sepas, le pregunta a esa misma Inteligencia Artificial quién puede ayudarle con lo que tú sabes hacer, y la respuesta depende de lo que ya está escrito, no de lo bien que sepas preguntar.
¿Qué pasa cuando dos profesionales tienen la misma experiencia, pero uno la ha estructurado y el otro no?
Imagina dos consultores con veinte años de trayectoria cada uno, con clientes parecidos y resultados parecidos. Uno tiene una web con frases como «amplia experiencia» y «resultados probados», sin ningún caso concreto que las respalde. El otro tiene publicado, con fecha, qué problema resolvió para un cliente de un sector determinado y qué cambió después.
Ante una pregunta sobre quién puede ayudar con ese tipo de problema, una Inteligencia Artificial no tiene forma de distinguir al primero de cualquier otro consultor con la misma frase genérica en su web. Del segundo, en cambio, tiene un dato concreto que citar, y ese dato es justo lo que un modelo generativo necesita para construir una respuesta que no sea una vaguedad más.
¿Y si ya llevas años publicando, pero de forma dispersa y sin ese cuidado?
La mayoría de los profesionales con trayectoria larga no parten de cero. Tienen artículos, entrevistas, intervenciones y años de presencia pública, solo que ese material se escribió pensando en el lector humano de aquel momento, no en cómo lo iba a procesar un modelo de lenguaje una década después.
Revisar ese material ya publicado, y no solo pensar en generar contenido nuevo, suele ser más rentable que empezar de cero. Muchas veces el caso concreto, la cifra o la fecha que le falta a tu perfil actual ya existen en una entrevista antigua o en un artículo olvidado, y solo hace falta traerlos de vuelta y conectarlos con lo que publicas hoy.
El patrón se repite en otros casos que ya hemos documentado, como El día que la Inteligencia Artificial empezó a parecerse al cerebro humano o, más recientemente, en Desconfio de cualquier consejo profesional que no venga con fecha.
Sobre el autor
Javier G. Amblar lleva 27 años como consultor y pasó por RTVE, Telemadrid, Onda Cero y EsRadio antes de dedicarse por completo a acompañar a profesionales independientes. Es exprofesor asociado del IE Business School, con el Premio a la Excelencia Docente, y autor del libro Liderazgo (Editatum, 2018). Su comunidad en línea supera ya las 500.000 personas y su canal de YouTube reúne más de 368.000 suscriptores; puedes comprobar cómo te está describiendo hoy la Inteligencia Artificial con RADAR.
