Prompts avanzados de ChatGPT para obtener mejores respuestas a partir de transcripciones

Los patrones que funcionan

La palanca más importante para obtener mejores respuestas de ChatGPT no es una frase ingeniosa: es darle al modelo una fuente concreta con la que trabajar. Cuando pegas una transcripción en la ventana de contexto y dices "basándote solo en este documento", eliminas el principal modo de fallo del modelo: generar texto plausible a partir de sus datos de entrenamiento en lugar de tu contenido real. Los patrones siguientes están organizados según cuánta investigación los respalda, no según lo impresionantes que suenan.

Esta guía aplica esos patrones específicamente al cuestionario sobre transcripciones: extraer respuestas, resúmenes y contenido estructurado de grabaciones de audio o vídeo que ya has convertido a texto.

Por qué las transcripciones son mejor contexto que las notas

Antes de repasar los patrones, unas palabras sobre la calidad de la fuente. Una paráfrasis aproximada de una reunión es una entrada con pérdida de información. Una transcripción limpia y con marcas de tiempo, no.

Cuando le das una transcripción a ChatGPT, le proporcionas:

• Las palabras reales del ponente, no un resumen de estas
• Contexto implícito (vacilaciones, repeticiones, preguntas de seguimiento) que los esquemas omiten
• Un documento de referencia verificable que puedes pedirle al modelo que cite

Si tu transcripción es imprecisa o carece de etiquetas de ponente, la salida del modelo acumulará esos errores. Herramientas como audio a texto y transcripción de reuniones generan resultados lo bastante limpios para usarlos directamente como contenido del prompt.

Patrón 1: El patrón de anclaje (mayor confianza)

Este es el patrón con la evidencia más clara detrás. Indicas al modelo que trate tu transcripción como su única fuente y prohibes explícitamente la alucinación.

You are reviewing a [podcast/interview/meeting] transcript.
The transcript is your single source of truth.
Do not use outside knowledge.

Based ONLY on the content below, [your task here].
If the transcript does not contain enough information to answer, say so explicitly.

[TRANSCRIPT START]
{paste transcript here}
[TRANSCRIPT END]

La instrucción de anclaje hace dos cosas: suprime la tendencia del modelo a rellenar huecos con datos de entrenamiento y te ofrece un criterio para evaluar la calidad de la salida. Si el modelo cita algo que no figura en tu transcripción, el prompt te da motivos para rechazarlo.

La guía de ingeniería de prompts de OpenAI recomienda precisamente esto: incluir datos propietarios o específicos del dominio que el modelo necesite, e indicarle que base sus respuestas en ese contenido en lugar de en conocimiento general (según la guía de developers.openai.com, verificada en julio de 2026).

Patrón 2: El patrón de formato primero (mayor confianza)

Especificar el formato de salida antes de la descripción de la tarea mejora la consistencia de manera fiable. La investigación sobre salidas estructuradas muestra que los modelos que reciben un esquema explícito o un ejemplo resuelto lo siguen con mucha mayor fiabilidad que los modelos que reciben una instrucción vaga como "organiza esto con claridad".

Output a markdown document with this exact structure:
## Key Claims
- [claim 1]
- [claim 2]

## Open Questions
- [question 1]

## Action Items
- [owner]: [task]

Now, using only the transcript below, fill in each section.
Do not invent items not supported by the text.

[TRANSCRIPT]
{paste transcript here}
[/TRANSCRIPT]

El enfoque de formato primero funciona porque el modelo ve la forma objetivo antes de leer tu contenido. Puedes adaptar el esquema a cualquier salida que necesites: actas de reunión, un esquema de artículo de blog, preguntas y respuestas para una página de ventas, citas de ponentes para redes sociales.

Para una reflexión más amplia sobre las decisiones de formato, consulta la guía sobre salida estructurada frente a prosa de resumen.

Patrón 3: El patrón de restricciones (confianza alta)

Añadir restricciones explícitas recorta el relleno genérico. Las restricciones más útiles para el trabajo con transcripciones:

• Longitud: "No más de 150 palabras."
• Alcance: "Cubre solo los temas mencionados por el primer ponente."
• Tono: "Lenguaje llano, sin jerga, nivel de lectura de décimo grado."
• Citas: "Cita la transcripción textualmente para respaldar cada punto."

Using only the transcript below, write a three-paragraph summary.
Each paragraph must be under 80 words.
Every factual claim must include a verbatim quote from the transcript as evidence.
Do not add background context from outside the recording.

[TRANSCRIPT]
{paste transcript here}
[/TRANSCRIPT]

Esta plantilla funciona bien para resúmenes de entrevistas, notas de episodios de pódcast y entrevistas de investigación en las que necesitas distinguir lo que el ponente dijo realmente de lo que tú infieres.

Patrón 4: Ejemplos few-shot (confianza alta)

Incluir uno o dos ejemplos de la entrada y salida deseadas antes de la tarea real es una de las técnicas más consistentes según la investigación. En un estudio de análisis de sentimiento, el prompting few-shot superó al zero-shot por unos 10 puntos porcentuales de precisión. Su valor crece cuanto más específicos sean tus requisitos de formato.

Para el trabajo con transcripciones, una configuración few-shot tiene este aspecto:

I will give you a transcript. Extract every action item in this format:

Example:
Transcript: "Sarah said she would send the contract by Friday and asked Mike to review the Q2 numbers."
Action items:
- Sarah: Send contract by Friday
- Mike: Review Q2 numbers

Now extract action items from this transcript:

[TRANSCRIPT]
{paste transcript here}
[/TRANSCRIPT]

El ejemplo le enseña al modelo qué cuenta como tarea pendiente, qué atribución de ponente utilizar y cuán conciso debe ser, sin que tengas que explicitarlo todo mediante reglas abstractas.

Patrón 5: Rol explícito y encuadre de tarea (confianza moderada)

Asignar un rol al modelo modifica su estilo de salida y su vocabulario. El efecto práctico es real: pedirle a ChatGPT que responda "como investigador de UX que revisa una entrevista de usabilidad" produce una elección de palabras distinta a pedirle que responda como "redactor de marketing". Ese giro estilístico resulta útil.

Lo que la investigación no respalda con claridad es la afirmación más fuerte: que el prompting de roles mejore la precisión fáctica o la calidad del razonamiento. Un estudio de 2025 que probó 162 asignaciones de rol distintas no halló ninguna ganancia de precisión consistente frente a una línea base neutra, y algunos roles introdujeron sesgos. El efecto se manifiesta en el tono y el encuadre, no en lo que el modelo sabe.

Mi opinión: utiliza el encuadre de rol para lograr el registro adecuado, no para invocar experiencia que el modelo no posee. Combínalo con el patrón de anclaje si la precisión importa.

You are a [journalist/researcher/analyst/hiring manager] reviewing a transcript.
Your goal is to [task].
Use only what the speaker said. If you are uncertain, say so.

[TRANSCRIPT]
{paste transcript here}

Patrón 6: Descomposición iterativa para transcripciones complejas (confianza moderada)

Las transcripciones largas y densas rinden mejor cuando divides la tarea en pasos en lugar de pedirlo todo de golpe. Un único prompt que solicite resumen, temas, citas y tareas pendientes suele generar salidas superficiales en los cuatro apartados.

Step 1 prompt:
"Read the transcript below. List the five main topics discussed, in order of how much time was spent on each."

Step 2 prompt (after reviewing the list):
"For topic [X], what is the speaker's stated position? Quote the relevant section."

Step 3 prompt:
"Based on the discussion of [X], what follow-up questions were left unanswered?"

Nota sobre la cadena de pensamiento: un documento de trabajo de Wharton de junio de 2025 ("The Decreasing Value of Chain of Thought in Prompting," Mollick et al.) constató que las instrucciones CoT explícitas paso a paso son menos beneficiosas en los modelos actuales de lo que eran en los anteriores, porque los modelos más recientes ya razonan los problemas de forma implícita. La descomposición anterior no equivale a pedirle al modelo que "muestre su razonamiento" a mitad de respuesta: eres tú quien estructura el trabajo a lo largo de varias llamadas, lo que mantiene cada tarea abordable.

Para extraer resúmenes en particular, la entrada complementaria sobre cómo hacer prompts a la IA para obtener mejores resúmenes cubre variantes de plantilla para este flujo de trabajo.

Cuándo usar cada patrón

Una nota sobre el tamaño de la ventana de contexto

Los modelos actuales de ChatGPT admiten ventanas de contexto de unos 128.000 tokens (GPT-4o) hasta límites superiores en las versiones más recientes. Una transcripción típica de una hora ronda entre 10.000 y 15.000 palabras, lo que cabe con holgura. Pega la transcripción completa, no fragmentos, cuando plantees preguntas que exijan que el modelo razone a lo largo de toda la conversación. Truncarla crea huecos que el modelo rellenará con inferencias.

Si tu herramienta de transcripción genera un archivo con marcas de tiempo y etiquetas de ponente, consérvalas. Las etiquetas de ponente anclan la atribución, y las marcas de tiempo permiten verificar las citas contra el original.

Si quieres una transcripción como punto de partida, ConvertAudioToText procesa archivos de audio y entrega un texto limpio con etiquetas de ponente que puedes pegar directamente en cualquiera de los patrones anteriores.

Preguntas frecuentes

¿Cuál es lo más importante que puedo añadir a un prompt de ChatGPT?

Un documento fuente concreto. Cuando le das al modelo una transcripción y le indicas que responda únicamente a partir de ese documento, eliminas su mayor modo de fallo: recurrir a los datos de entrenamiento en lugar de a tu contenido real. Las instrucciones de formato y el encuadre de rol ayudan en el margen, pero anclar el modelo en un texto concreto tiene el efecto más claro sobre la precisión.

¿Sigue funcionando pedirle a ChatGPT que "piense paso a paso"?

Menos de forma consistente que antes. Un documento de trabajo de Wharton de 2025 constató un beneficio decreciente de las instrucciones explícitas de cadena de pensamiento en los modelos actuales, que ya realizan gran parte de ese razonamiento de forma implícita. Para tareas con transcripciones, estructurar tú mismo el trabajo en varios prompts, planteando una pregunta enfocada cada vez, suele producir mejores resultados que pedirle al modelo que razone en voz alta en una sola respuesta.

¿Qué longitud debería tener mi prompt?

Las propias directrices de OpenAI y la investigación independiente sitúan el punto óptimo práctico entre 150 y 300 palabras para la sección de instrucciones, sin contar la transcripción en sí. Instrucciones más largas elevan el riesgo de que el modelo pierda de vista restricciones clave, especialmente las colocadas en mitad del prompt. Encabeza con la regla más importante: tu formato de salida o tu instrucción de anclaje.

¿Funcionan estos patrones con Claude o Gemini?

Sí. El patrón de anclaje, el patrón de formato primero y el enfoque few-shot no son exclusivos de ChatGPT. Funcionan porque reducen la ambigüedad de la entrada de cualquier modelo de lenguaje grande. Las preferencias de sintaxis difieren ligeramente: Claude maneja bien las etiquetas XML como delimitadores de sección, mientras que ChatGPT maneja bien los encabezados markdown. Ajusta el formato, conserva la lógica.

Fuentes

• Guía de ingeniería de prompts de OpenAI: developers.openai.com (verificada en julio de 2026)
• Mollick et al., "The Decreasing Value of Chain of Thought in Prompting," Documento de trabajo de SSRN, junio de 2025: papers.ssrn.com/sol3/papers.cfm?abstract_id=5285532
• "Principled Personas: Defining and Measuring the Intended Effects of Persona Prompting on Task Performance," arXiv 2025: arxiv.org/pdf/2508.19764
• Documentación de salida estructurada de OpenAI: platform.openai.com/docs
• "Enhancing structured data generation with GPT-4o," Frontiers in AI, 2025: frontiersin.org