Prompting 2.0: del prompt conversacional al JSON prompt

Hace apenas unos años, interactuar con un modelo de inteligencia artificial era como mantener una conversación con un amigo muy culto pero algo despistado. Le preguntabas algo en español, él te respondía en español, y si tenías suerte, la respuesta venía en el formato que esperabas. Pero si necesitabas algo específico, estructurado, algo que pudieras usar directamente en tu aplicación o sistema... bueno, ahí empezaban los problemas.

Imagínate que le pides a ChatGPT que analice el sentimiento de un comentario de cliente y te diga si es positivo, negativo o neutro. Probablemente te responda algo como: "El comentario parece tener un tono bastante negativo, ya que el cliente expresa frustración por el retraso en la entrega y menciona que está considerando cambiar de proveedor." Perfecto para un humano, pero si tu aplicación necesita procesar automáticamente esa respuesta... ¿cómo extraes que la respuesta es "negativo"? ¿Buscas la palabra en el texto? ¿Y si dice "bastante negativo" o "un poco negativo"?

¿Qué son los JSON Prompts y por qué son tan importantes?

Para entender esto, primero pensemos en cómo solemos hablar con la IA. Normalmente, le lanzamos una pregunta o una instrucción en lenguaje natural, como si habláramos con otra persona. Por ejemplo: "Resúmeme este artículo y dime si el sentimiento general es positivo o negativo". El modelo de lenguaje (LLM) lo lee, lo interpreta y te devuelve una respuesta, también en lenguaje natural. El problema es que, como en cualquier conversación humana, puede haber ambigüedad. ¿Qué significa "resumir" exactamente? ¿Un párrafo? ¿Tres frases? ¿Y el "sentimiento general"? ¿Una palabra? ¿Una explicación?

Aquí es donde los JSON Prompts cambian las reglas del juego. Imagina que, en lugar de una conversación abierta, le entregas a la IA un formulario muy específico. Un JSON Prompt es precisamente eso: una entrada estructurada en formato JSON (JavaScript Object Notation) que le dice al modelo, con una precisión milimétrica, qué información le estás dando, qué tarea debe realizar y, lo más importante, cómo debe ser la respuesta que te devuelva.

{
  "tarea": "resumir_y_analizar_sentimiento",
  "texto_entrada": "Aquí va el artículo completo...",
  "formato_salida": {
    "resumen": "string",
    "sentimiento": "positivo | negativo | neutro"
  }
}

¿Ves la diferencia? Con el JSON Prompt, no hay lugar a dudas. Le estamos diciendo: "Mira, el texto que tienes que procesar está en texto_entrada. Tu tarea es resumir_y_analizar_sentimiento. Y la respuesta, por favor, dámela en un JSON con dos campos: resumen (que será un texto) y sentimiento (que solo puede ser 'positivo', 'negativo' o 'neutro')".

El resultado es mucho más predecible y, lo que es crucial, fácilmente procesable por otras máquinas. Las salidas generadas con JSON tienden a ser consistentes y deterministas, lo que es una bendición para la automatización.

¿Cómo funcionan los JSON Prompts por dentro? La magia de la estructura

Aquí viene la parte un poco más técnica, pero no te asustes, que es más sencilla de lo que parece. Cuando hablamos de cómo funcionan los JSON Prompts, hay que diferenciar entre el nivel técnico y el semántico.

A nivel técnico: el LLM entiende la estructura

Aunque parezca que el modelo de IA "ejecuta" el JSON como si fuera código, la realidad es que no lo hace. Internamente, un JSON Prompt sigue siendo texto para el modelo. Sin embargo, los LLMs modernos, especialmente los más grandes como GPT-4, han sido entrenados con una cantidad ingente de datos que incluyen montones de JSON y código. Esto significa que han "aprendido" a reconocer patrones de clave-valor y estructuras jerárquicas.

Cuando un modelo recibe un JSON Prompt, lo tokeniza (lo divide en pequeñas unidades de significado) como cualquier otro texto. Pero la clave está en que la presencia de esas claves ("tarea", "texto_entrada", "formato_salida") y la estructura anidada le proporcionan un contexto mucho más definido. El modelo no tiene que inferir tu intención solo de frases; puede asociar significados específicos a cada clave. Por ejemplo, si ve "location": "New York", entiende que "New York" es el valor asociado a la clave "location", un parámetro específico de la consulta. Esto le da un control mucho más preciso sobre los parámetros de entrada.

A nivel semántico: un contrato de comunicación

Semánticamente, el JSON Prompt es un esquema de comunicación con el modelo. Es como un contrato formal que define de antemano qué información le estás dando y qué esperas como resultado. En lugar de confiar en que el modelo adivine la estructura de la respuesta, se lo dices explícitamente. Esto transforma la interacción con el LLM en algo muy parecido a una llamada a una API: tú envías una petición con un formato concreto y esperas una respuesta con otro formato concreto.

Volviendo al ejemplo de la clasificación de incidentes. Si le diéramos un prompt natural como: "Clasifica este incidente con severidad, sistema y equipo: 'Error de conexión a base de datos en el microservicio de pagos'", la respuesta podría ser un párrafo donde se mencionen esos datos. Pero con un JSON Prompt como este:

{
  "task": "classify_issue",
  "input": "Error de conexión a base de datos en el microservicio de pagos.",
  "output_format": {
    "severity": "low|medium|high",
    "system": "string",
    "owner_team": "string"
  }
}

Le estamos diciendo al modelo: "Mira, el incidente es este (input), y quiero que me devuelvas un JSON con tres campos: severity (que solo puede ser bajo, medio o alto), system (un texto) y owner_team (otro texto)". El modelo, al seguir este contrato, generará algo como:

{
  "severity": "high",
  "system": "payment microservice",
  "owner_team": "Database Team"
}

¿Cuándo usar JSON Prompts? Casos de uso que te volarán la cabeza

Vale, ya sabemos qué son y cómo funcionan. Pero, ¿cuándo son realmente útiles los JSON Prompts? Pues mira, están despegando en un montón de sitios, especialmente donde la precisión y la automatización son clave.

1. APIs de modelos de lenguaje: El cerebro de tus aplicaciones

Aquí es donde los JSON Prompts se han vuelto la estrella. Las APIs de los modelos de lenguaje, como las de OpenAI, buscan integrar la IA en aplicaciones de forma controlada. Y el function calling de OpenAI es el ejemplo perfecto.

Imagina que le dices al modelo: "Mira, tienes estas funciones disponibles: getWeather(location, date) para saber el tiempo, sendEmail(to, subject, body) para enviar correos, etc." Le describes cada función y los argumentos que espera, todo en JSON. Luego, cuando un usuario pregunta: "¿Qué tiempo hace en Madrid hoy?", el modelo no te da una respuesta en prosa. ¡No! Te devuelve un objeto JSON que dice:

{"name": "getWeather", "arguments": {"location": "Madrid", "date": "2025-07-30"}}

¿Y esto para qué sirve? Pues tu aplicación, al recibir ese JSON, sabe exactamente qué función llamar y con qué datos. Es como si el modelo se convirtiera en un orquestador, decidiendo cuándo y cómo usar herramientas externas. Esto simplifica una barbaridad la conexión de la IA con el mundo real. Es la base de cómo funcionan los agentes de IA que buscan en internet, hacen cálculos o consultan bases de datos.

2. Workflows automatizados en empresas: Adiós a las sorpresas

En el mundo empresarial, donde la fiabilidad es oro, los JSON Prompts están causando furor. Las empresas que usan LLMs para automatizar tareas (generación de informes, análisis de datos, respuestas a clientes) se dieron cuenta de que las respuestas en texto libre podían ser un dolor de cabeza: inconsistentes, difíciles de procesar, ¡o incluso con "alucinaciones" (cuando la IA se inventa cosas)!

Con los JSON Prompts, las salidas son mucho más "encarriladas". Por ejemplo, una tienda online puede pedirle al modelo que genere el título y la descripción SEO de un producto, pero en lugar de una frase abierta, le envía un JSON Prompt con campos como {"tituloSEO": "...", "descripcionSEO": "..."}. La experiencia demuestra que el modelo rellena esos campos de forma concreta, sin divagar. ¡Incluso se ha reportado que reduce las alucinaciones!

3. Agentes conversacionales y asistentes inteligentes: Más allá de la charla

Los agentes conversacionales avanzados, esos que pueden razonar, usar herramientas y mantener una conversación compleja, también se benefician enormemente. Para que un agente sea fiable, las decisiones que toma el modelo (su "cerebro") deben ser entendibles por la máquina que las ejecuta. Y representar las intenciones del agente en JSON es la solución perfecta.

Piensa en un asistente de soporte técnico. Un usuario le cuenta su problema. El agente (el LLM) podría generar internamente un JSON como:

{"accion": "crear_ticket", "categoria": "base de datos", "prioridad": "alta", "descripcion": "..."}

Este JSON es un "comando" que el sistema de soporte procesa para crear el ticket de verdad. Este lenguaje intermedio JSON es invisible para el usuario, pero vital para que el agente haga su trabajo correctamente.

4. Integración con sistemas back-end: Hablando el mismo idioma

La integración de los modelos de lenguaje con sistemas de back-end (servidores, bases de datos, otras APIs) se vuelve muchísimo más sencilla con los JSON Prompts. ¿Por qué? Porque JSON es el formato de datos estándar en la integración de sistemas. APIs web, bases de datos NoSQL, servicios en la nube... todos hablan JSON. Si logramos que un LLM interactúe en JSON, lo estamos haciendo hablar el idioma nativo de las aplicaciones, eliminando pasos intermedios de "traducción".

Ejemplos de JSON Prompts: Poniéndole cara a la estructura

Para que todo esto no suene a chino, vamos a ver un par de ejemplos concretos de cómo se vería un JSON Prompt y qué significa cada parte. Así, entenderás mejor cómo se le da forma a ese "contrato" con la IA.

Ejemplo 1: Clasificación de una incidencia técnica

Imagina que trabajas en soporte técnico y quieres que la IA te ayude a clasificar rápidamente las incidencias que llegan. Un JSON Prompt para esto podría ser algo así:

{
  "task": "classify_issue",
  "input": "Database connection timeout on the payment microservice.",
  "output_format": {
    "severity": "low | medium | high",
    "system": "string",
    "owner_team": "string"
  }
}

Vamos a desgranar cada campo, que es donde está la chicha:

• task: Este campo es como el "verbo" de la acción. Le dice al modelo qué tarea específica debe realizar. En este caso, "classify_issue" le indica que tiene que clasificar una incidencia. Es fundamental para darle contexto a la IA.
• input: Aquí es donde metemos la información que el modelo tiene que procesar. En nuestro ejemplo, es la descripción del problema: "Database connection timeout on the payment microservice." Este campo aísla claramente los datos de la instrucción, lo que ayuda a la IA a centrarse en lo importante.
• output_format: ¡Este es el campo estrella! Es la forma de decirle al modelo cómo queremos la respuesta. En lugar de que el modelo decida libremente, le enumeramos las claves que esperamos en la salida y, opcionalmente, el tipo o rango de valores para cada una.

Cuando el modelo GPT procesa este prompt, entiende que debe devolver un JSON que contenga exactamente esas claves bajo output_format, rellenadas apropiadamente. La respuesta esperada sería algo así:

{
  "severity": "high",
  "system": "payment microservice",
  "owner_team": "Database Team"
}

Ejemplo 2: Traducción de texto con Function Calling

Otro ejemplo, esta vez usando el concepto de function calling de OpenAI, que es una forma más avanzada de usar JSON Prompts. Supongamos que queremos que el modelo nos ayude a traducir texto. La definición de la función translate_text que le pasaríamos a la API de OpenAI podría ser:

{
  "name": "translate_text",
  "description": "Traduce texto al idioma especificado",
  "parameters": {
    "type": "object",
    "properties": {
      "text": { "type": "string" },
      "target_language": { "type": "string", "enum": ["en","es","fr","de"] }
    },
    "required": ["text","target_language"]
  }
}

Aquí, la API le dice al modelo: "Oye, tienes una herramienta llamada translate_text que sirve para traducir. Necesita dos cosas: un text (que es un string) y un target_language (que solo puede ser inglés, español, francés o alemán). Y ambos son obligatorios".

Entonces, si un usuario le pregunta al modelo: "Tradúceme 'Hola, ¿cómo estás?' al inglés", el modelo, en lugar de dar la traducción directamente, podría devolver un JSON como este:

{
  "name": "translate_text",
  "arguments": {
    "text": "Hola, ¿cómo estás?",
    "target_language": "en"
  }
}

Este JSON es la "instrucción" para tu aplicación. Tu código lo recibe, ve que el modelo quiere usar la función translate_text con esos argumentos, y entonces tu aplicación llama a un servicio de traducción real con "Hola, ¿cómo estás?" y "en". ¡Es como si el modelo te diera la receta para hacer la traducción, no la traducción en sí! Esto es potentísimo para construir agentes que interactúan con sistemas externos.

Buenas prácticas y cuándo pensárselo dos veces

Como todo en la vida, los JSON Prompts no son una solución mágica para todo. Tienen sus ventajas, pero también sus cosillas. Aquí te dejo unas buenas prácticas para que los uses como un campeón y también cuándo es mejor dejarlos en el banquillo.

Buenas prácticas: Consejos de un colega

1. Define la estructura como si fuera para tu abuela: Antes de escribir una sola línea de JSON, ten clarísimo qué información vas a meter y, sobre todo, qué esperas que te devuelva el modelo. Si quieres varias piezas de información, lístalas explícitamente como claves. Si la API lo permite (como en OpenAI), usa un JSON Schema formal para que el modelo valide cada campo. ¡Máximo rigor!
2. Nombres de campos que se entiendan solos: Usa nombres descriptivos y consistentes. "fecha_inicio" es mucho mejor que "f_i". Si usas "user_id" en un prompt, no cambies a "id_usuario" en otro. Y si puedes añadir descripciones a los campos (como en el function calling), ¡hazlo! El LLM las lee y le ayudan a no liarse.
3. Si puedes, da ejemplos: Aunque no siempre es posible, incluir uno o dos ejemplos de la estructura de salida deseada dentro del prompt (quizás en comentarios o en la propia instrucción) puede ayudar al modelo a "anclarse". Algo como: "Formato de respuesta esperado: {"campo1": "...", "campo2": ...}" antes de la petición real. Esto es como darle una chuleta al modelo y reduce las desviaciones. Eso sí, ¡cuidado con el límite de tokens!
4. ¡Valida la respuesta, siempre!: Una de las mayores ventajas de los JSON Prompts es que la salida es fácil de validar. Nunca asumas que el JSON vendrá perfecto a la primera. Implementa siempre lógica en tu aplicación para intentar parsear la respuesta del modelo. Si falla (porque el modelo se coló con un texto extra o un formato incorrecto), puedes reintentar o ajustar el prompt. Hay librerías que incluso reintentan automáticamente: si el JSON está mal, le dicen al modelo dónde se equivocó para que corrija. Este ciclo asegura robustez, aunque puede añadir un poco de latencia. Pero créeme, es mejor eso que un error en producción.
5. Sé conciso: Un JSON Prompt muy grande, con muchos campos anidados, consume más "tokens" (las unidades de texto que procesa el modelo) y puede acercarse a los límites del modelo, además de ser más caro. Diseña tus JSON Prompts de forma concisa, incluyendo solo lo necesario. Si el modelo admite funciones, es mejor definir varias funciones pequeñas que una "súper función" con decenas de parámetros. Si un JSON Prompt se vuelve inmanejable, quizás sea mejor dividir la tarea en varios pasos con prompts más pequeños.

Cuándo pensárselo dos veces: Las limitaciones

Conclusión: El futuro es estructurado (y muy emocionante)

Los JSON Prompts son mucho más que una simple forma de darle instrucciones a un modelo de IA; son un cambio de paradigma en cómo concebimos la interacción entre humanos, inteligencia artificial y sistemas de software. Nos permiten pasar de una conversación fluida pero a veces ambigua, a un diálogo preciso, fiable y, sobre todo, automatizable.

Al proporcionar a los modelos de lenguaje una estructura clara para sus entradas y, crucialmente, para sus salidas, abrimos la puerta a una integración mucho más profunda y robusta de la IA en nuestros flujos de trabajo, aplicaciones y procesos empresariales. Ya no se trata solo de generar texto bonito, sino de producir datos accionables que pueden alimentar bases de datos, disparar automatizaciones o guiar a agentes inteligentes.