115/365 · Vibe coding: el prompt como diseño instruccional

Hemos hablado mucho sobre cómo iterar sin perder la pedagogía, cómo establecer límites, cómo estructurar el trabajo. Pero hay algo que atraviesa todo el proceso de vibe coding y que a menudo se trata de forma superficial: el prompt. Y no me refiero solo a «qué le dices a la IA», sino a cómo estructuras esa comunicación, cómo la conviertes en un acto de diseño instruccional. Porque escribir un buen prompt para crear herramientas educativas no es muy diferente de diseñar una buena situación de aprendizaje para tu alumnado — necesitas claridad sobre objetivos, estructura lógica, anticipación de dificultades, criterios de éxito verificables.

Personalmente tardé meses en entender esto. Al principio mis prompts eran vagos, genéricos, improvisados — «crea una actividad para trabajar X» — y después me frustraba cuando la IA generaba algo que no se ajustaba a lo que necesitaba. Pero el problema no era la IA — era mi falta de claridad instructiva. No le estaba dando suficiente información, no estaba estructurando la petición de forma que pudiera entenderla sin ambigüedades, no estaba anticipando qué necesitaba especificar para obtener el resultado deseado. Y cuando empecé a tratar cada prompt como si fuera un diseño instruccional — con objetivos claros, criterios explícitos, ejemplos cuando era necesario — todo cambió.

Y esto conecta directamente con algo que llevamos viendo toda la serie: la importancia de la claridad pedagógica antes que la ejecución técnica. Un prompt bien diseñado es fundamentalmente un acto pedagógico — estás enseñando a la IA qué necesitas, cómo, para qué, con qué restricciones. Y si no tienes claridad sobre esos elementos, no puedes comunicarlos efectivamente. El prompt es donde tu comprensión pedagógica se hace visible.

Por qué los prompts vagos generan resultados mediocres

Voy a empezar por lo que no funciona, porque lo he vivido cientos de veces. Prompt vago típico: «Crea una actividad educativa sobre el ciclo del agua para primaria». ¿Qué va a generar la IA con eso? Algo genérico que podría servir para cualquier edad dentro de primaria, sin saber si tu alumnado tiene 6 u 11 años, sin conocer qué conceptos previos manejan, sin entender si necesitas algo manipulativo o digital, sin saber cuánto tiempo tienen para la actividad, sin criterios claros de qué significa que la actividad sea exitosa.

El resultado será técnicamente correcto pero pedagógicamente hueco. La IA generará algo que cumple formalmente con «actividad sobre ciclo del agua para primaria», pero que probablemente no sirva para tu contexto específico. Y después tendrás que iterar decenas de veces ajustando detalles, cuando podrías haber obtenido un resultado mucho más ajustado desde el primer prompt si hubieras sido más específico.

La investigación sobre prompt engineering — técnicas para comunicarse efectivamente con modelos de IA — muestra claramente que los modelos de Claude están entrenados para seguir instrucciones precisas y se benefician de direcciones explícitas. No necesitas que la IA adivine tu intención — necesitas comunicarla con claridad absoluta. Y eso requiere hacer explícito lo que a menudo mantenemos implícito cuando diseñamos actividades: nuestros supuestos pedagógicos, nuestras restricciones contextuales, nuestros criterios de calidad.

Elementos de un prompt instruccionalmente sólido

Entonces, ¿qué hace que un prompt funcione bien para crear recursos educativos? Primero: contexto específico del alumnado. No «primaria», sino «alumnado de tercero de primaria (8-9 años), nivel medio de competencia lectora, experiencia previa con conceptos básicos de estados de la materia, en un centro público de entorno urbano». Cuanto más específico seas sobre quién va a usar la herramienta, mejor podrá la IA ajustar el nivel de complejidad, el vocabulario, los ejemplos, la extensión.

Segundo elemento: objetivo pedagógico explícito y verificable. No «que aprendan el ciclo del agua», sino «que sean capaces de identificar y secuenciar las cuatro fases principales del ciclo del agua (evaporación, condensación, precipitación, acumulación) y explicar con sus propias palabras qué ocurre en cada fase». Ese objetivo es verificable — puedes diseñar una actividad que compruebe específicamente si lo han logrado. Y la IA puede estructurar la herramienta para facilitar exactamente ese aprendizaje.

Tercer elemento: formato y restricciones técnicas claras. «Aplicación web que funcione en navegador sin instalación, usando solo HTML, CSS y JavaScript vanilla, responsive para tablets, sin requerir conexión a Internet después de la carga inicial, peso máximo 500KB». Esas restricciones eliminan ambigüedad y aseguran que el resultado sea técnicamente viable en tu contexto real. Si no especificas formato, la IA puede generar código que requiere frameworks que no conoces, instalaciones complejas, o funcionalidades que no puedes implementar.

Cuarto elemento: estructura de la interacción. Describe paso a paso cómo debe funcionar la herramienta desde la perspectiva del usuario: «1. El alumnado ve una pregunta con cuatro opciones. 2. Selecciona una respuesta. 3. Recibe feedback inmediato indicando si es correcta y por qué. 4. Si es incorrecta, puede intentar de nuevo. 5. Una vez correcta, pasa a la siguiente pregunta». Esa secuencia clara le da a la IA una estructura sobre la que construir.

Quinto elemento: ejemplos concretos cuando sea necesario. Si quieres un tipo específico de pregunta, proporciona 2-3 ejemplos. Si necesitas un estilo visual particular, describe o enlaza referencias. El prompt engineering funciona efectivamente con aprendizaje de pocos ejemplos (few-shot) o incluso sin ejemplos (zero-shot), pero cuando tu necesidad es específica, proporcionar ejemplos acelera enormemente el proceso.

Estructurar prompts: XML, JSON y delimitadores claros

Algo que descubrí con el tiempo y que mejora radicalmente la efectividad de los prompts: estructurarlos usando delimitadores claros. En lugar de un párrafo largo donde mezclas contexto, objetivos, restricciones e instrucciones, usa etiquetas XML, JSON, o simplemente secciones claramente delimitadas. La investigación reciente demuestra que Claude fue entrenado con prompts estructurados y sabe cómo analizarlos, funcionando muy bien con XML, JSON u otras formas de etiquetado.

Ejemplo práctico de prompt estructurado para crear una herramienta educativa:

<contexto_alumnado>
- Edad: 8-9 años (tercero de primaria)
- Nivel: medio en comprensión lectora
- Conocimientos previos: conocen estados de la materia básicos
- Dispositivos: tablets del aula (la marca y el SO suelen ser interesantes porque contextualiza las posibilidades, ya que no es lo mismo iOS que Android, Samsung que Lenovo)
</contexto_alumnado>

<objetivo_pedagogico>
Que el alumnado sea capaz de identificar y secuenciar las cuatro fases del ciclo del agua y explicar qué ocurre en cada una
</objetivo_pedagogico>

<restricciones_tecnicas>
- HTML, CSS, JavaScript vanilla únicamente
- Sin frameworks ni librerías externas
- Responsive para tablets
- Funciona offline después de carga inicial
</restricciones_tecnicas>

<funcionalidades>
1. Mostrar diagrama interactivo del ciclo del agua
2. El alumnado debe ordenar las fases arrastrando elementos
3. Feedback inmediato sobre si el orden es correcto
4. Si incorrecto, permitir reintentar
5. Una vez correcto, mostrar explicación breve de cada fase
</funcionalidades>

Esa estructura clara hace que la IA entienda exactamente qué necesitas en cada dimensión — contexto, objetivos, restricciones, funcionalidades — sin tener que inferir o adivinar. Y el resultado será mucho más ajustado desde el primer intento.

Iterar prompts: entrenar tu capacidad de comunicación con IA

Escribir buenos prompts no es una habilidad innata — se entrena. Y para entrenarla, necesitas práctica deliberada, feedback, iteración. Por eso desarrollé HTMLs EDUmind Claude Lab, una herramienta que te permite entrenar específicamente tu capacidad de crear prompts efectivos y gestionar diálogos con IA para mejorar tanto la eficacia (obtener el resultado que necesitas) como la eficiencia (obtenerlo con menos iteraciones).

La idea es simple pero potente: practicar conscientemente diferentes estructuras de prompts, comparar resultados, identificar qué funciona mejor para qué tipo de tarea. No es solo usar la IA — es reflexionar sobre cómo la estás usando, qué patrones de comunicación generan mejores resultados, qué errores cometes repetidamente. Es metacognición aplicada al prompt engineering, y funciona exactamente igual que cuando enseñamos al alumnado a reflexionar sobre sus propios procesos de aprendizaje.

Cuando usas una herramienta como esta, empiezas a notar patrones. Descubres que ciertos tipos de instrucciones funcionan mejor para ciertas tareas. Que especificar formato de salida desde el principio ahorra iteraciones. Que proporcionar criterios de éxito claros mejora la calidad del resultado. Que dividir prompts complejos en pasos secuenciales funciona mejor que intentar que la IA lo haga todo de golpe. Todo ese conocimiento tácito se va construyendo con práctica deliberada.

Espero que te haya gustado, nos vemos mañana
Luis V.