Un modelo de lenguaje, si no se le indica lo contrario, produce texto en prosa de longitud variable con el formato que considere más apropiado para la pregunta. Eso está bien cuando quieres una respuesta conversacional. Pero cuando necesitas los resultados en un formato específico —para procesarlos con código, alimentar una base de datos, presentar en una tabla, o integrar en un flujo de trabajo— el formato libre es un problema.

La buena noticia es que los modelos modernos son muy capaces de producir outputs en formatos precisos. La mala es que hay que pedírselo explícitamente y bien.

El problema del formato libre

Imagina que pides al modelo que analice diez productos y los compare. En formato libre, probablemente recibirás varios párrafos de prosa, algunos subepígrafes, quizás una lista al final. El contenido puede ser bueno, pero si necesitas los datos para alimentar una hoja de cálculo o comparar columnas, el formato libre no sirve.

El modelo no sabe cuál es tu caso de uso. No sabe si lo que produces irá a un email, un dashboard, una base de datos o una presentación. Sin instrucciones de formato, elige el que le parece más natural para el contexto del prompt.

La solución es especificar siempre el formato cuando importa.

Formatos de texto estructurado

Para la mayoría de los usos profesionales, estos son los formatos más útiles:

Listas numeradas y con viñetas. Útiles para pasos secuenciales, listas de opciones, puntos clave. Pide: “Responde en forma de lista numerada con exactamente cinco puntos. Cada punto en una sola frase.”

Markdown estructurado. Para documentos con jerarquía. Pide: “Usa encabezados de segundo nivel (##) para cada categoría y listas con guiones para los ejemplos bajo cada una.”

Formato pregunta-respuesta. Para FAQs o documentación. Pide: “Para cada pregunta, escribe ‘P:’ seguido de la pregunta y ‘R:’ seguido de la respuesta en dos o tres frases.”

Formato de ficha. Para información estructurada sobre entidades (productos, personas, empresas). Pide explícitamente los campos que necesitas:

Para cada empresa, usa exactamente este formato:
Nombre: [nombre]
Sector: [sector]
Fundación: [año]
Sede: [ciudad, país]
Puntos fuertes: [2-3 frases]
Puntos débiles: [2-3 frases]

JSON para integrar con sistemas

Cuando necesitas conectar el output del modelo con código o sistemas externos, JSON es el formato estándar. Los modelos modernos producen JSON válido de forma consistente cuando se les pide correctamente.

Pedir JSON básico:

Extrae los datos de este currículum y devuélvelos 
en formato JSON con exactamente estos campos:
{
  "nombre": "",
  "email": "",
  "telefono": "",
  "experiencia": [
    {"empresa": "", "cargo": "", "años": ""}
  ],
  "formacion": [
    {"titulo": "", "institucion": "", "año": ""}
  ]
}
No incluyas texto adicional fuera del JSON.

Instrucciones importantes para JSON:

  • Pide que no incluya texto adicional fuera del JSON (prose introducida antes o después del bloque rompe el parsing)
  • Proporciona el esquema exacto, incluyendo tipos y nombres de campo
  • Si los valores pueden ser null o arrays vacíos, especifícalo
  • Para campos opcionales, indica si deben omitirse o incluirse como null

Los modelos a veces “envuelven” el JSON en bloques de código markdown (json ... ). Si vas a parsearlo programáticamente, pide explícitamente que no lo envuelva, o escribe código que lo extraiga del bloque.

Tablas y comparativas

Las tablas son especialmente útiles para comparar opciones. La clave es especificar las columnas exactas que necesitas:

Compara estas cinco herramientas de gestión de proyectos 
en una tabla markdown con estas columnas:
| Herramienta | Precio/mes | Usuarios máx. | Funciones clave | Mejor para |

Limita cada celda a máximo 10 palabras.

Un error común es pedir “una tabla comparativa” sin especificar las columnas. El modelo elegirá las dimensiones de comparación que le parezcan relevantes, que pueden no ser las que tú necesitas.

Para tablas numéricas (datos financieros, estadísticas), añade siempre: “Usa únicamente los datos que te proporciono. Si un dato no está disponible, escribe ‘N/D’. No inventes ningún número.”

Controlar la longitud

La longitud del output es un parámetro que muchos usuarios ignoran, pero que tiene un impacto grande en la utilidad de las respuestas.

Instrucciones de longitud que funcionan:

  • “Responde en no más de 150 palabras”
  • “Máximo tres frases por punto”
  • “Un párrafo de 4-6 líneas”
  • “Respuesta ejecutiva: una sola frase con la recomendación principal”

Instrucciones que funcionan menos:

  • “Sé breve” (ambiguo)
  • “No te extiendas demasiado” (el modelo decide qué es “demasiado”)
  • “Dame una respuesta larga y detallada” (el modelo puede interpretar “largo” de formas muy distintas)

Cuando necesitas outputs que alimenten sistemas —formularios, plantillas, presentaciones— combina siempre la instrucción de formato con una instrucción de longitud específica. Eso garantiza que lo que produce el modelo encaja directamente en el destino sin necesidad de editar manualmente.

La clave final: prueba y ajusta. La primera versión de las instrucciones de formato raramente es perfecta. Cuando el output no es exactamente lo que necesitas, ajusta la instrucción de formato —no el contenido— y repite. Una vez que tienes un conjunto de instrucciones que produce el formato correcto consistentemente, guárdalo como plantilla para reutilizar.