Pruebas de prompts en 2026: mejora tus instrucciones sin romper lo que funciona
Por Emmanuel Abou Chabke, fundador y editor · Revisado por el equipo editorial de AIQuickPrompt · Acerca del editor
Probar un prompt consiste en comprobar una instrucción guardada con ejemplos y criterios de éxito claros. Las pruebas de regresión añaden una pregunta: ¿la nueva versión sigue resolviendo lo que la anterior hacía bien? Antes de sustituir un prompt útil de ChatGPT, Claude o Gemini, compara ambas versiones con las mismas entradas. Una buena respuesta a una petición difícil justifica probar el cambio; no demuestra que deba incorporarse a tu biblioteca.

La noticia de noviembre: optimizar prompts exige comprobar lo que ya funciona
STEVE, publicado en Findings de IJCNLP-AACL 2026 para el congreso del 6 al 10 de noviembre, estudia la inestabilidad de la optimización automática de prompts. Su prepublicación apareció el 20 de septiembre: es una nueva publicación del congreso, no una técnica anunciada hoy por primera vez.
Los investigadores identifican dos problemas: los comentarios sobre respuestas ya correctas pueden introducir cambios inútiles, y optimizar repetidamente para ejemplos difíciles puede perjudicar los sencillos. Su método utiliza los fallos para orientar las revisiones y un conjunto separado de casos de conservación para comprobar las propuestas. Informan de resultados más estables en diez bancos de pruebas de razonamiento.
La aplicación práctica que sigue es nuestra adaptación para bibliotecas de prompts cotidianas. No reproduce STEVE, no compara aplicaciones de chat ni afirma que estas plantillas consigan los resultados del artículo.
Cómo se manifiesta una regresión de prompts en el trabajo
Imagina un prompt guardado que convierte el briefing de un cliente en un correo breve. Funciona hasta que llega un briefing sin fecha límite. Añades: «Haz siempre preguntas antes de redactar». Detecta la fecha que falta, pero ahora el modelo también pregunta cuando el briefing está completo. Has resuelto un caso y empeorado el habitual.
Prueba un cambio más concreto: «Si al briefing le falta un dato necesario para el correo, enumera los datos ausentes en vez de inventarlos. En caso contrario, redacta el correo». Es una revisión ilustrativa que debes probar, no un resultado medido.
| Entrada de prueba | Comportamiento requerido |
|---|---|
| Briefing completo | Redactar el correo sin preguntas innecesarias |
| Briefing sin una fecha esencial | Identificar la fecha ausente sin inventarla |
| Briefing con fechas contradictorias | Señalar el conflicto antes de redactar |
Cómo probar prompts de IA en cinco pasos
Empieza por una tarea que repitas. Define las reglas de aceptación antes de mirar la nueva respuesta, para que una redacción elegante no oculte un requisito incumplido.
- Conserva una referencia: guarda el prompt actual antes de editarlo.
- Crea un pequeño conjunto de casos: incluye entradas habituales, un fallo conocido y una entrada contradictoria o incompleta. Añade ejemplos realistas cuando los encuentres.
- Cambia un requisito: aborda el fallo observado sin reescribir instrucciones ajenas al problema.
- Compara en igualdad de condiciones: utiliza el mismo modelo, entradas, herramientas y ajustes disponibles. Separa las conversaciones para que las respuestas anteriores no influyan.
- Revisa cada caso: conserva el cambio solo si resuelve el problema y mantiene el comportamiento esencial. Repite los casos dudosos y registra los desacuerdos.

Plantilla para copiar: solicita una revisión concreta del prompt
Rellena los campos con un fallo real y tus requisitos. Elimina los datos confidenciales del cliente. Solicita una propuesta y pruébala tú con los casos; la explicación del optimizador no es un resultado de prueba.
Revisa este prompt reutilizable: {{baseline_prompt}}
Fallo observado: {{failed_input_and_output}}
Comportamiento requerido: {{acceptance_rules}}
Comportamiento que debe mantenerse: {{preservation_rules}}
Propón el cambio útil más pequeño.
Devuelve el prompt revisado, el motivo de cada cambio y las posibles regresiones que probar.
No afirmes haber ejecutado pruebas ni mejorado la precisión.Plantilla para copiar: ficha de evaluación de prompts
Separa el comportamiento esperado de las respuestas que recojas. Para tareas factuales, utiliza referencias verificadas; para escritura, define requisitos observables como longitud, afirmaciones respaldadas y campos obligatorios. Una IA puede ayudar a detectar problemas, pero una persona debe resolver las valoraciones dudosas.
Tarea: {{task_name}}
Versión de referencia: {{baseline_version}}
Versión candidata: {{candidate_version}}
Modelo y fecha: {{model_and_date}}
Herramientas y ajustes: {{tools_and_settings}}
Entrada de prueba: {{test_input}}
Comportamiento esperado: {{expected_behavior}}
Respuesta de referencia: {{baseline_output}}
Respuesta candidata: {{candidate_output}}
Comprueba: hechos requeridos, formato, información ausente y pasos innecesarios.
Registra: aprobado, fallido o dudoso para cada versión, con pruebas.
Decisión: conservar, revisar o rechazar la propuesta.
Preguntas pendientes: {{review_notes}}Guarda las versiones en AIQuickPrompt y pruébalas donde trabajas
Guarda la referencia, la propuesta y la ficha reutilizable en tu biblioteca. Utiliza un título claro como «Correo al cliente — comprobar fecha ausente» y variables reutilizables para las entradas cambiantes. Anota qué cambió y qué modelo probaste antes de adoptar la propuesta como versión habitual.
AIQuickPrompt ofrece almacenamiento de prompts, variables reutilizables e historial de versiones. Este flujo utiliza esas funciones para organizar el trabajo; tú ejecutas las comparaciones en la herramienta de IA elegida y registras los resultados. Guardar un prompt no ejecuta automáticamente una batería de regresión.
Si ya utilizas AI Optimise, considera su redacción una propuesta que debe pasar las mismas comprobaciones. Para el proceso de edición completo, consulta nuestra guía de optimización de prompts; usa esta ficha cuando necesites pruebas de que merece la pena conservar un cambio.