Expertise en prompting LLM: la clave que nadie te contó

En pocas palabras: Los modelos de lenguaje premian el conocimiento real: el ingeniero Sean Goedecke demostró en 2024 que los LLM ajustan profundidad, precisión y concisión según el dominio del tema que perciben en el prompt, fenómeno llamado ‘expertise en prompting LLM’.

Si alguna vez pensaste que hablar con ChatGPT es como tirarle una moneda y ver qué sale, no sos el único. La creencia popular dice que cualquiera puede obtener resultados decentes de un LLM con un par de instrucciones bien escritas. Pero la evidencia acumulada muestra otra cosa: los modelos de lenguaje premian el expertise, y lo hacen de formas que la mayoría subestima. El artículo de Sean Goedecke, ingeniero de software y escritor técnico, lo dejó claro: la habilidad más importante en prompting no es saber pedir — es saber del tema.

Expertise en prompting LLM es el fenómeno por el cual los modelos de lenguaje grandes ajustan la profundidad, precisión y concisión de sus respuestas según el nivel de conocimiento que perciben en quien consulta. No se trata de un “modo experto” que se activa con un comando: el modelo infiere tu dominio del tema a partir del vocabulario, la estructura de las preguntas y las señales contextuales que dejás en cada mensaje. Lo identificó Goedecke en su análisis y tiene implicancias enormes para cualquiera que use estas herramientas a diario.

¿Todos los usuarios obtienen los mismos resultados de un LLM?

No, y la diferencia es más grande de lo que parece.

En la década de 2010, si no sabías CSS, dependías de un colega que sí o rezabas para que alguien hubiera publicado la solución exacta a tu problema. Hoy cualquier persona puede delegar esa tarea en un LLM y obtener CSS “más o menos pasable”, como lo describe Goedecke. Esto generó la ilusión de que el prompting está al alcance de todos y que los resultados son equivalentes sin importar quién pregunta. La realidad es distinta.

Goedecke lo plantea sin vueltas: los “prompters habilidosos” obtienen lo mismo que alguien que toca un LLM por primera vez solo si ambos carecen de conocimiento real en el tema. La variable que inclina la balanza es el expertise previo. Cuando sabés del asunto, el modelo entra en un modo de conversación entre pares que comprime la respuesta, elimina lo obvio y va directo a lo que importa. Cuando no sabés, te da una explicación genérica que puede ser correcta pero rara vez es útil para resolver un problema concreto y complejo.

¿Por qué el expertise en el dominio es la habilidad más importante en prompting?

Porque los LLMs no son oráculos neutrales: son sistemas que infieren contexto a partir de cada token que les tirás. Si tu prompt está lleno de términos precisos, hace referencia a literatura actual del campo y omite definiciones básicas, el modelo asume que está frente a alguien que sabe y ajusta el output en consecuencia. Goedecke lo observó al analizar la conversación entre el matemático Terence Tao y ChatGPT: los mensajes de Tao son cortos, van al punto y usan jerga matemática avanzada. El modelo respondió en modo “hablando con matemáticos”, no en modo “explicándole a un amateur”. Complementá con nuestra guía sobre seguridad de Microsoft Intune.

Acá viene lo bueno: no necesitás ser Terence Tao para que esto funcione. Cualquier profesional con dominio genuino de su área —un abogado que pregunta sobre jurisprudencia específica, un programador que consulta sobre una implementación concreta de un algoritmo, un médico que discute interacciones medicamentosas poco documentadas— obtiene respuestas cualitativamente superiores a las de alguien que solo sabe armar prompts “bien estructurados” pero desconoce el tema. El modelo detecta la diferencia en pocas oraciones.

Google ya mide expertise, autoridad y confianza en el contenido humano, y los LLMs están haciendo algo análogo en tiempo real durante la conversación. No es un filtro explícito, es un comportamiento emergente del entrenamiento con texto humano donde los expertos escriben distinto que los divulgadores.

El caso Terence Tao: cómo un matemático de primer nivel usa ChatGPT

Terence Tao, ganador de la Medalla Fields y uno de los matemáticos vivos más reconocidos, documentó su conversación con ChatGPT sobre el contraejemplo recién descubierto a la conjetura Jacobiana. Goedecke analizó ese intercambio y encontró patrones que cualquiera puede aplicar, aunque no tenga un Fields en el bolsillo.

Primero, los mensajes de Tao son notablemente cortos. No escribe párrafos extensos ni da contexto innecesario: responde a la idea general del modelo, no punto por punto. Segundo, el output que recibe es mucho más conciso que el que obtendría un usuario sin formación matemática preguntando sobre el mismo tema. El modelo —GPT-5.6 Sol en ese caso— activa lo que Goedecke llama “modo hablando-con-matemáticos”: sin definiciones, sin analogías para principiantes, sin relleno. Directo a la sustancia.

¿Podrías vos replicar esa conversación con tokens ilimitados? Probablemente no. Porque no es cuestión de presupuesto computacional ni de técnica de prompting. Es cuestión de que Tao sabe exactamente qué preguntar, qué omitir y cómo formular sin ambigüedades desde el primer mensaje. Eso solo se logra con años de formación en el área. Lo explicamos a fondo, como se explica en la guía de ChatGPT.

¿Cómo señalizar expertise al interactuar con un LLM?

No hay un comando mágico. Señalizar expertise es, en la práctica, comportarte como lo harías con un colega que sabe tanto como vos. Algunas estrategias que funcionan:

• Usá vocabulario específico sin definirlo. Si sos programador, hablá de “race conditions”, “tail recursion” o “buffer overflow” sin aclarar qué significan. El modelo reconoce la terminología y ajusta el registro.
• Evitá explicar lo obvio para tu campo. No le digas a ChatGPT qué es un “habeas corpus” si sos abogado. Directamente preguntale sobre la aplicabilidad en un caso concreto con jurisprudencia reciente.
• Hacé preguntas de fondo, no superficiales. En vez de “¿cómo funciona X?”, preguntá “¿qué limitaciones encontraron en el paper de tal autor sobre X cuando lo aplicaron a Y?”.
• Mostrá que conocés la literatura actual. Mencioná papers, versiones de software, cambios regulatorios o debates vigentes en tu industria. El modelo contextualiza con eso.
• Respondé a la idea general, no punto por punto. Como hizo Tao: tomá el output del modelo y respondé a lo sustancial, ignorando los detalles menores. Esto refuerza la señal de que estás en modo “par a par”.

Ojo: esto no significa ser arrogante ni forzar un tono pretencioso. Es simplemente no subestimar al modelo tratándolo como si fuera un motor de búsqueda para principiantes. Cuanto más lo tratás como un par, más se comporta como tal.

Errores comunes al pensar que el prompting es solo saber pedir

Veo tres errores que se repiten en equipos y profesionales que recién arrancan con LLMs:

• Creer que una instrucción genérica bien redactada alcanza. No alcanza. Un prompt impecable sobre un tema que no entendés produce una respuesta impecablemente inútil para resolver problemas reales. El modelo no compensa tu falta de conocimiento; la disfraza con prosa convincente (y a veces incorrecta).
• Ignorar que el modelo “presupone” conocimiento. Cada respuesta del LLM parte de asunciones implícitas sobre lo que sabés. Si no detecta expertise, asume que necesita explicarte lo básico. El resultado: respuestas largas, diluidas y frustrantes para quien ya conoce el tema.
• No proporcionar contexto de autoridad. Si estás trabajando en un problema específico de tu industria, mencioná el contexto real: “Estoy migrando una base PostgreSQL 16 con 4 TB de datos y particionamiento por fecha” en vez de “cómo migrar una base de datos”. La diferencia en el output es abismal.

La IA no puede interpretar conocimiento de negocio que no le proporcionás. Si tu expertise queda “enterrado” en tu cabeza y no lo señalizás en el prompt, el modelo responde como si no existiera. No es un bug, es una característica del sistema.

Con expertise vs sin expertise: qué cambia en la práctica

Aspecto	Usuario sin expertise	Usuario con expertise
Longitud de la respuesta	Extensa, con definiciones y ejemplos básicos	Concisa, va directo al punto
Profundidad técnica	Nivel divulgación o introductorio	Nivel profesional, asume conocimiento previo
Precisión en temas complejos	Correcta pero genérica, omite matices	Específica, aborda aristas y limitaciones
Probabilidad de alucinaciones	Mayor (el modelo “rellena” para explicar)	Menor (el modelo se ciñe a lo técnico)
Utilidad para trabajo real	Baja: requiere adaptación y verificación	Alta: output usable con ajustes menores
Costo de tokens	Más alto (respuestas más largas)	Más bajo (respuestas compactas)

Los números exactos de reducción de tokens varían según el dominio, pero la consulta técnica hecha por un experto consume significativamente menos tokens que la misma consulta hecha por alguien que no señaliza expertise (y la calidad del output es superior). Esto se conecta con lo que analizamos en en nuestra guía de modelos de lenguaje.

¿Qué significa esto para profesionales y empresas?

Que la figura del “prompt engineer” genérico —alguien que sabe preguntar pero no sabe del tema— tiene los días contados. El retorno real está en formar a los expertos que ya tenés para que incorporen interacción con LLMs a su caja de herramientas. Dicho de otro modo: tu mejor abogado preguntándole a Claude sobre un contrato complejo obtiene mejores resultados que un prompt engineer sin formación legal que intente intermediar.

Las empresas que entendieron esto están haciendo dos cosas: invertir en entrenamiento de prompting para sus especialistas temáticos y dejar de contratar roles de “prompt engineer” sin expertise de dominio. No es que la técnica de prompting no importe —importa, y mucho—, pero es un multiplicador que potencia el conocimiento previo, no un sustituto.

Para equipos de desarrollo en Latinoamérica, donde muchas veces se trabaja con recursos ajustados, la lección es directa: formá a tus seniors en prompting antes que contratar a alguien que solo sepa prompting. El costo es menor y el impacto en productividad es mayor.

Preguntas Frecuentes

¿Realmente importa el conocimiento del tema al usar ChatGPT?

Sí, y es el factor más determinante en la calidad del output. Los LLMs ajustan profundidad, precisión y concisión según el nivel que perciben en el usuario. Un experto obtiene respuestas en modo “par a par”; un principiante recibe explicaciones genéricas que requieren más trabajo de verificación y adaptación.

¿Por qué algunas personas obtienen mejores respuestas de los LLMs que otras?

Porque señalizan expertise sin darse cuenta. Usan vocabulario técnico, formulan preguntas de fondo y omiten definiciones obvias. El modelo interpreta esas señales y responde en modo experto. Quienes no tienen dominio del tema, aunque escriban buenos prompts, activan el modo “explicativo” del modelo. Te puede servir nuestra cobertura de como vimos en la guía completa de Google.

¿Cómo hacer prompting efectivo si ya soy experto en mi área?

Comportate como si le hablaras a un colega. Usá la terminología de tu campo sin definirla, mencioná literatura o normativa actual, hacé preguntas que solo alguien del rubro haría y respondé a la idea general del modelo sin corregir cada detalle menor. No subestimes al LLM: tratarlo como un par mejora el output.

¿Los LLMs tratan diferente a un experto que a un principiante?

Sí. No es una funcionalidad explícita sino un comportamiento emergente. El modelo infiere tu nivel de conocimiento en pocos mensajes y adapta el registro, la densidad técnica y la longitud de las respuestas. Con un experto, el output es más corto y sustancioso.

¿Qué es el “expertise reward” en modelos de lenguaje?

Es el fenómeno documentado por Sean Goedecke según el cual los LLMs “premian” a los usuarios expertos con respuestas más concisas, técnicas y útiles. No es un sistema de recompensa intencional: surge del entrenamiento con texto humano donde los expertos se comunican distinto. Señalizar expertise en el prompt activa este comportamiento.

Conclusión

La idea de que cualquiera puede sacarle jugo a un LLM con un par de instrucciones bien armadas es un mito cómodo pero falso. Lo que muestran los datos es que el prompting efectivo depende menos de la técnica de redacción y más del conocimiento real que tenés sobre el tema. El expertise en prompting LLM no se construye aprendiendo fórmulas mágicas: se construye siendo bueno en lo tuyo y aprendiendo a dialogar con el modelo desde ese lugar.

Para empresas y equipos, la implicancia es clara: dejá de buscar “prompt engineers” sin expertise de dominio. Formá a tus mejores profesionales para que incorporen la interacción con LLMs como una herramienta más. El retorno aparece rápido —en productividad, en calidad de output y en ahorro de tokens— y el diferencial con la competencia que sigue tratando al prompting como un oficio independiente se vuelve evidente en semanas.

La pregunta no es si los LLMs premian el expertise. Lo hacen. La pregunta es si vos estás señalizando el tuyo o si estás dejando que el modelo te trate como a un principiante.

Fuentes

• LLMs reward expertise — Sean Goedecke: análisis del fenómeno de expertise reward en modelos de lenguaje, con el caso de Terence Tao y GPT-5.6 como ejemplo central.