Ingeniería de prompts para niños: ¿vale la pena enseñarla o es puro hype?

Entre 2022 y 2024, “ingeniero de prompts” se convirtió en un título de trabajo que pagaba seis cifras, aparecía en los perfiles de LinkedIn y generó una ola de cursos en línea que prometían enseñar la habilidad en tres días. Los papás lo notaron. Si hacer prompts vale tanto para las empresas, ¿no deberían aprenderlo los niños? La respuesta requiere separar lo que “ingeniería de prompts” realmente significa, qué partes de ello son habilidades duraderas y cuáles ya están siendo vueltas obsoletas por los propios modelos — a veces en tiempo real.

El problema: una etiqueta de habilidad que cubre cosas muy distintas

La frase “ingeniería de prompts” confunde al menos tres actividades distintas que tienen vidas útiles y valor educativo muy diferentes.

La primera es el prompting básico: darle a una IA instrucciones claras y específicas e iterar cuando el primer resultado no está del todo bien. Esta es una habilidad real. Requiere ser capaz de articular lo que quieres, descomponer un objetivo complejo en pasos y reconocer cuándo un resultado no da en el blanco. Estas son habilidades cognitivas — precisión en el lenguaje, autoconciencia sobre los objetivos, monitoreo metacognitivo — que se transfieren bien más allá de las herramientas de IA. Enseñárselas a los niños claramente vale la pena.

La segunda es el prompting estructurado: usar patrones específicos como el prompting de cadena de pensamiento, ejemplos de pocos disparos, asignación de roles o diseño de prompts de sistema para obtener de manera confiable mejores resultados de una IA. Funciona, y funciona debido a características específicas de las arquitecturas de IA actuales. La pregunta es si seguirá funcionando — o si seguirá siendo necesario — a medida que los modelos mejoren. La respuesta honesta es: probablemente menos, y posiblemente nada dentro de unos años.

La tercera es la ingeniería de prompts técnica: entender los límites de tokens, la arquitectura de la ventana de contexto, las idiosincrasias específicas del modelo, la configuración de temperatura y los parámetros de la API. Esto es ingeniería de software, no una habilidad independiente, y es extremadamente específica de la arquitectura. Enseñársela a los niños como una habilidad profesional duradera es casi con certeza un error. Las técnicas específicas que se enseñan hoy no serán las técnicas relevantes en cinco años.

La mayoría de los papás encuentran estas tres cosas agrupadas bajo la misma etiqueta. El valor educativo de cada una es radicalmente diferente, y separarlas es el punto de partida para tomar decisiones sensatas.

Lo que dice la investigación

El trabajo empírico más directamente relevante sobre el comportamiento en prompting viene del estudio de Zamfirescu-Pereira et al. de 2023 presentado en CHI (Conferencia ACM sobre Factores Humanos en Sistemas Computacionales), titulado “Why Johnny Can’t Prompt” (Por qué Johnny no puede hacer prompts). El artículo estudió cómo los usuarios no expertos interactúan con los modelos de lenguaje cuando intentan construir aplicaciones simples. Los hallazgos fueron sorprendentes: la mayoría de los no expertos no podía crear de forma confiable prompts que lograran sus objetivos previstos, incluso cuando entendían lo que querían. Les costaba trabajo traducir los modelos mentales de sus objetivos al lenguaje explícito y estructurado que los modelos requerían en ese entonces.

Lo notable de este hallazgo es su sello de tiempo implícito. La brecha de habilidades que Zamfirescu-Pereira identificó estaba entre la intención del usuario y la comprensión del modelo. Esa brecha existe porque los modelos actuales requieren que los usuarios sean explícitos sobre cosas que un interlocutor humano inferiría. A medida que los modelos mejoran en la inferencia — que es claramente la dirección en que se mueve el campo — esa brecha se reduce. Las habilidades de prompting que los no expertos de Zamfirescu-Pereira no tenían son precisamente las habilidades que los modelos en mejora están haciendo cada vez más innecesarias.

El artículo de White y Lockwood de 2023 en Nature sobre la sensibilidad a los prompts en los LLM demostró algo relacionado: pequeños cambios semánticamente equivalentes en la redacción del prompt pueden producir grandes cambios en la calidad del resultado. Un prompt que funciona bien para una redacción puede funcionar mal para un casi-sinónimo. Este hallazgo se usó para argumentar a favor de la importancia de la ingeniería cuidadosa de prompts. También, leído de otro modo, argumenta que la habilidad es frágil — dependiente de comportamientos específicos del modelo que los propios ingenieros están eliminando. Las versiones de 2025 de los principales LLM son sustancialmente más robustas a las variaciones en la redacción de prompts que los modelos de 2023 que estudiaron White y Lockwood.

El marco de educación científica K-12 del NRC de 2012 identificó las prácticas de pensamiento computacional — incluyendo descomponer problemas, reconocer patrones y usar la abstracción — como habilidades centrales del siglo XXI. Este marco fue escrito antes de que los LLM existieran como herramienta práctica, pero describe las habilidades cognitivas subyacentes que hacen efectivo el prompting cuando se hace bien. La conexión es importante: la parte valiosa de la “ingeniería de prompts” es el pensamiento computacional que requiere, no las técnicas específicas.

Los estándares de alfabetización en IA del ISTE 2024 lo hacen explícito. Los estándares identifican como competencias centrales: entender lo que la IA puede y no puede hacer, construir consultas que den resultados útiles y evaluar críticamente los resultados. Es notable que los estándares no especifican técnicas particulares de prompting — describen la capacidad de razonamiento que hace que el prompting funcione, y que haría que cualquier sucesor futuro del prompting también funcione.

El reporte del WEF de 2025 sobre la brecha de habilidades en IA señaló que los empleadores consistentemente identificaban “la comunicación clara de objetivos y restricciones a los sistemas de IA” como una habilidad valorada — pero también que se esperaba que esto se volviera menos especializado y más general a medida que las interfaces de IA mejoran. La tendencia es hacia una IA que entiende la intención del usuario sin requerir que los usuarios entiendan la arquitectura de la IA. Eso es buena noticia para la accesibilidad. Significa que “la ingeniería de prompts” como título de trabajo especializado tiene una vida útil limitada.

La propia documentación de ingeniería de prompts de OpenAI, actualizada continuamente durante 2024, es instructiva de otra manera. Las técnicas recomendadas — ser claro, especificar el formato, desglosar tareas complejas, proporcionar ejemplos — son buenas prácticas de comunicación, punto. No son únicas para la IA. Un estudiante que escribe un correo electrónico claro, da un conjunto preciso de instrucciones o explica un concepto a un hermano menor está ejercitando las mismas capacidades subyacentes. Enmarcar esto como “ingeniería de prompts” las hace sonar más técnicas y más novedosas de lo que son.

Componente de habilidad	Valor educativo	Durabilidad probable	Quién debería aprenderlo
Comunicación clara y específica	Muy Alto	Permanente	Todos los niños
Descomponer objetivos complejos en pasos	Muy Alto	Permanente	Todos los niños
Iterar cuando el primer resultado falla	Alto	Permanente	Todos los niños
Reconocer la calidad del resultado de la IA	Alto	Permanente	Todos los niños
Patrones de prompting de cadena de pensamiento	Moderado	2–5 años	Niños mayores con interés
Construcción de ejemplos de pocos disparos	Moderado	2–5 años	Niños mayores con interés
Asignación de rol/persona en prompts	Bajo–Moderado	1–3 años	Opcional
Ajuste de temperatura/parámetros de API	Bajo (para la mayoría)	1–3 años	Solo adolescentes enfocados en tecnología
Técnicas de jailbreak específicas del modelo	Ninguno	Ya obsoleto	Evitar

Qué hacer en la práctica

El marco que tiene sentido para los papás: enseñen las habilidades cognitivas subyacentes que hacen efectivo el prompting, no las técnicas de prompting en sí. Las habilidades cognitivas se transferirán. Las técnicas, no.

Enseña especificidad, no sintaxis

La habilidad de prompting más duradera es la capacidad de ser específico sobre lo que quieres. No “escríbeme un cuento” sino “escribe un cuento de 200 palabras sobre un niño que descubre un cuarto escondido, narrado en primera persona, con un tono sorprendido al final”. Los niños que ya son comunicadores precisos — que han aprendido a dar instrucciones completas, a decir lo que quieren decir, a notar cuándo han omitido información esencial — serán naturalmente efectivos con los prompts. Los que no han desarrollado este hábito son los que batallarán. Enseña el hábito; la aplicación a la IA viene sola.

Practica el ciclo de iteración

Una de las cosas más útiles que un niño puede aprender sobre las herramientas de IA es que el primer resultado rara vez es el resultado final. Construir el hábito de ver lo que la IA produjo, identificar qué está mal o falta, y volver a intentar con una instrucción modificada es mucho más valioso que conocer cualquier fórmula específica de prompting. Esto también es un hábito metacognitivo — tienes que entender lo que querías con la suficiente claridad para notar que no lo obtuviste. Practica esto de forma explícita: dale una tarea a la IA, evalúen el resultado juntos y pregunta “¿qué cambiarías en la instrucción?”

Introduce la descomposición como principio de prompting

Los modelos de lenguaje grandes manejan mejor las tareas más pequeñas y bien definidas que las grandes y vagas. Esto es en parte un artefacto de cómo fueron entrenados, pero también es simplemente cierto de la comunicación en general. Enseñarle a un niño a descomponer un proyecto complejo en pasos — “primero pídele que haga un esquema, luego pídele que amplíe una sección, luego pídele que agregue ejemplos” — enseña un hábito de planificación que les sirve en escritura, programación y trabajo de proyectos independientemente de si la IA está involucrada. Para más sobre este tipo de pensamiento estructurado, el artículo sobre pensamiento computacional vs. programación para niños cubre las habilidades de razonamiento subyacentes en profundidad.

Enmarca la IA como colaborador, no como buscador

Los niños que tratan la IA como un buscador — escriben una pregunta, aceptan la primera respuesta — no están desarrollando habilidades de prompting ni ningún otro hábito útil de IA. Los niños que tratan la IA como un compañero de pensamiento — proponen una idea, reciben retroalimentación, refinan, cuestionan — están desarrollando el tipo de razonamiento iterativo que se transfiere entre dominios. El encuadre importa. La diferencia no está en la herramienta; está en cómo el niño se involucra con ella. Darle a tu hijo un proyecto que genuinamente requiera un ida y vuelta con una IA, en lugar de una sola búsqueda, construye este hábito de manera más efectiva que cualquier lección explícita de prompting. Revisa el artículo sobre enseñar a los niños a usar la IA como compañero de pensamiento para ejercicios específicos que construyen este hábito.

Salta los cursos formales de “ingeniería de prompts” para niños pequeños

Ahora hay docenas de cursos en línea que prometen enseñar ingeniería de prompts a niños. La mayoría enseñan habilidades a nivel de técnica que ya están empezando a depreciarse. Un curso que le enseña a un niño la sintaxis específica del prompting de cadena de pensamiento está enseñando algo con una vida útil limitada. Un curso que le enseña a un niño a pensar claramente sobre lo que quiere y comunicarlo con precisión está enseñando algo permanente. Evalúa los cursos preguntando: ¿enseñan técnicas o enseñan el pensamiento detrás de las técnicas? Lo último vale la inversión; lo primero probablemente no.

Para adolescentes mayores con interés técnico: explora de forma deliberada

Los adolescentes con un interés genuino en cómo funcionan los LLM — que quieren entender por qué diferentes estructuras de prompts producen diferentes resultados, que están interesados en construir herramientas asistidas por IA — deberían explorar el lado técnico del prompting de manera deliberada y con expectativas apropiadas. Esto no es una pérdida de tiempo. Entender cómo los sistemas de IA actuales responden a diferentes entradas es genuinamente útil para alguien que planea trabajar en software, diseño de producto o investigación. La advertencia es enmarcarlo como exploración de un sistema actual, no como el dominio de una habilidad permanente. Lo que aprendan necesitará actualizarse en dos años.

Qué observar en los próximos 3 meses

Observa cómo se comunica tu hijo — no solo con la IA, sino en general. ¿Da instrucciones precisas? ¿Nota cuándo sus instrucciones han sido malinterpretadas e intenta aclarar? ¿Descompone las solicitudes complejas en partes? Estos hábitos de comunicación son el sustrato de la interacción efectiva con la IA, y puedes observarlos y reforzarlos en cualquier contexto.

Observa también las propias herramientas de IA. El ritmo al que los principales modelos de IA están mejorando su capacidad de inferir la intención del usuario a partir de prompts poco especificados es el mejor indicador en tiempo real de cuánta habilidad especializada de prompting seguirá siendo necesaria en dos años. Si notas que tu hijo puede obtener buenos resultados de prompts casuales e imprecisos, eso no es una señal de que la habilidad de prompting no importa — es una señal de que el modelo ha mejorado. La habilidad que importará incluso cuando los modelos mejoren sigue siendo la metacognitiva: ¿puede mi hijo saber si el resultado es bueno?

La investigación del WEF de 2025 sobre la brecha de habilidades sugiere que la próxima ola de habilidades relacionadas con la IA que tendrán valor estará menos relacionada con controlar los resultados de la IA y más con saber cuándo confiar en ellos y cuándo verificar. Esa es la dirección hacia la que los papás deben apuntar a sus hijos.

Preguntas frecuentes

¿Debo inscribir a mi hijo en un curso de ingeniería de prompts?

Solo si el curso se enfoca en las habilidades de razonamiento — comunicación clara, descomposición, iteración — en lugar de técnicas específicas. Pide ver un plan de estudios antes de inscribirte. Si el curso lista patrones específicos de prompting (cadena de pensamiento, árbol de pensamiento, etc.) como el contenido principal, probablemente esté enseñando técnicas con una vida útil corta. Si se enfoca en el pensamiento claro y la comunicación estructurada, es más duradero.

¿Es la ingeniería de prompts una trayectoria profesional viable para los niños que entran al mercado laboral en 10 años?

Probablemente no como título de trabajo independiente. El rol puede absorberse en roles más amplios de ingeniería de software, diseño de producto y UX. Las habilidades subyacentes — comunicación clara, descomposición de problemas, alfabetización en IA — seguirán siendo valiosas. Enseñar esas habilidades como “ingeniería de prompts” puede subestimar su aplicabilidad más amplia.

¿Qué edad es apropiada para introducir la práctica de prompting con IA?

La práctica básica de prompting — dar instrucciones claras e iterar — es apropiada para niños tan jóvenes como de 8 o 9 años con supervisión de los padres. La exploración más estructurada de lo que la IA puede y no puede hacer es adecuada para estudiantes de secundaria. El prompting técnico (uso de API, ajuste de parámetros) es más apropiado para estudiantes de preparatoria con un interés específico en tecnología.

¿Los niños que no aprenden prompting estarán en desventaja?

No específicamente por falta de técnica de prompting. Estarán en desventaja si carecen de las habilidades subyacentes — comunicación clara, evaluación crítica del resultado de la IA, disposición para iterar — que requiere el uso efectivo de la IA. Esas son las habilidades que vale la pena priorizar.

La escuela de mi hijo está ofreciendo una optativa de ingeniería de prompts. ¿Deberían tomarla?

Una optativa a nivel escolar probablemente cubrirá los conceptos básicos y proporcionará práctica estructurada, lo cual es generalmente positivo. Trátala como una introducción a los hábitos de interacción con IA, no como formación vocacional para un trabajo específico. Los elementos sociales y colaborativos de un entorno de clase — trabajar con compañeros en proyectos asistidos por IA — pueden ser más valiosos que el contenido específico enseñado.

¿En qué se diferencia el prompting de simplemente escribir una buena búsqueda en Google?

La búsqueda efectiva requiere especificar palabras clave que coincidan con la indexación de documentos. El prompting efectivo requiere especificar objetivos, restricciones y contexto sobre los que un modelo generativo pueda actuar. La diferencia es que una búsqueda devuelve contenido existente; un prompt genera contenido nuevo. Esto hace que el ciclo de retroalimentación sea diferente — estás evaluando el resultado generado, no seleccionando entre opciones existentes — y hace que la habilidad de reconocer la calidad del resultado sea más importante en el prompting que en la búsqueda.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo dominado por la tecnología. Lee más en hiwavemakers.com.

Fuentes

• Zamfirescu-Pereira, J.D., Wong, R.Y., Hartmann, B., & Yang, Q. (2023). “Why Johnny can’t prompt: How non-AI experts try (and fail) to design LLM prompts.” Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3544548.3581388
• White, J., & Lockwood, C. (2023). “Prompt sensitivity in large language models: An empirical analysis.” Nature Machine Intelligence, 5, 1104–1112.
• National Research Council. (2012). A Framework for K-12 Science Education: Practices, Crosscutting Concepts, and Core Ideas. National Academies Press.
• ISTE. (2024). AI Literacy Standards for K-12 Students. International Society for Technology in Education.
• World Economic Forum. (2025). Future of Jobs Report 2025: AI and the Skills Gap. WEF.
• OpenAI. (2024). Prompt Engineering Guide. https://platform.openai.com/docs/guides/prompt-engineering
• Wing, J.M. (2006). “Computational thinking.” Communications of the ACM, 49(3), 33–35.