Tecnología · July 21, 2026 · 8 min de lectura

Ingeniería de prompts para analistas de datos: definiciones precisas y luego desconfía del número

Para los analistas, un buen prompt es una definición precisa de la métrica, y la habilidad consiste en desconfiar del resultado hasta que se sostenga. Una guía práctica de análisis asistido por IA que no publica un número equivocado, con un ejemplo trabajado y cómo se evalúa.

Para un analista de datos, el resultado de una sesión con IA es un número, y un número se pega en una presentación y se convierte en una decisión. Eso eleva lo que está en juego al escribir prompts de una manera específica: el modo de fallo no es un código feo, es una cifra plausible que discretamente no cuadra. Esta es la entrada del analista en nuestra serie de ingeniería de prompts por rol, y es una de las cosas más claras que revela el AI Sandbox.

Un buen prompt es una definición precisa

La investigación sobre cómo reducir las alucinaciones en el trabajo analítico apunta toda en la misma dirección: la especificidad y los límites superan a las frases ingeniosas. Una petición vaga —'dame los ingresos por mes'— invita al modelo a elegir una definición por ti, y elegirá una plausible pero equivocada. Un buen analista escribe la métrica, las exclusiones y la fuente de verdad en el prompt, y da al modelo permiso explícito para replicar en lugar de adivinar. Eso es fluidez con IA en el puesto de un analista: el prompt y el rigor analítico son el mismo acto.

Un ejemplo trabajado

Pide los ingresos netos por mes. La versión débil se detiene ahí. La versión sólida define 'neto', nombra las exclusiones, especifica qué marca de tiempo cuenta como el mes y le dice al modelo que señale cualquier cosa que no pueda encontrar en lugar de inventar el nombre de una columna. Luego —la parte que realmente importa— el analista verifica la coherencia del resultado contra una cifra en la que ya confía antes de que salga de su pantalla.

## TASK
Write SQL: net revenue by calendar month for 2025.

## DEFINITIONS
- net revenue = gross - refunds
- Exclude internal test accounts (email domain @acme-internal.com)
- "Month" = orders.completed_at, not created_at

## RULES
- If a column I named doesn't exist, tell me — do not guess a name
- Return the query, then list every assumption you made

• Bien: especifica la métrica, las exclusiones y la fuente de verdad; verifica la coherencia del resultado; desconfía de un número que los datos no respaldan.
• Débil: acepta una consulta plausible, reporta una cifra que discretamente cuenta dos veces los reembolsos y nunca se da cuenta.

Buenas prácticas que realmente marcan la diferencia

• Define antes de pedir. Pon la definición de la métrica, las exclusiones y la granularidad temporal en el prompt: la ambigüedad es donde nacen los números equivocados.
• Da permiso para decir 'no lo sé'. Dile al modelo que responda con 'no hay datos suficientes' o 'esa columna no existe' en lugar de adivinar. Alucina mucho menos cuando se le permite negarse.
• Pide las suposiciones. Haz que enumere lo que supuso: ahí es donde detectarás la definición malinterpretada.
• Verifica la coherencia de cada resultado contra un número en el que ya confías. Una cifra que no reconcilia es el hallazgo, no un error de redondeo.

Modos de fallo comunes

• Métrica vaga: 'ingresos' sin definición, así que el modelo elige una discretamente.
• Confiar en el número porque la consulta se ve limpia: un SQL limpio sobre una definición equivocada sigue siendo una respuesta equivocada.
• No reconciliar nunca contra una cifra que se sabe correcta, de modo que el error se publica como un hecho.

Cómo lo evaluamos

No puedes probar esto con un examen de trivia sobre prompts, y no puedes probarlo quitando la IA, eso solo mide una tarea que ya nadie hace de esa manera. Le das al candidato una tarea de análisis realista con herramientas disponibles y observas si define la métrica, detecta el agregado engañoso y respalda un número que realmente se sostiene, que es lo que hace una evaluación con el AI Sandbox, y cómo se puntúa la fluidez con IA como un pilar. Mira lo que cubre una evaluación completa de analista de datos, por qué esta es la prueba honesta en la contratación nativa de IA, o observa cómo se compone una evaluación ajustada al rol.

Los mejores analistas tratan la respuesta de la IA como tratan cualquier número sorprendente: culpable hasta que se reconcilie. Ese instinto —no la redacción del prompt— es lo que mantiene una cifra equivocada fuera de la sala de juntas.