Prompts para investigación y análisis: resumir, comparar y extraer

Un agente de investigación mal dirigido devuelve un resumen bonito y superficial. Uno bien dirigido devuelve fuentes, datos y conclusiones que puedes verificar. La diferencia está en el prompt: definir la pregunta con precisión, exigir fuentes con URLs, pedir comparación de perspectivas y estructurar la extracción. Esta guía cubre los cinco prompts que forman un flujo completo de investigación con IA y el paso de verificación que nunca debes saltar.

Primero: define la pregunta como un periodista

La pregunta define todo lo demás. "Investiga sobre el mercado de agentes de IA" produce un ensayo genérico; "¿Qué proveedores ofrecen agentes con despliegue en WhatsApp, cuál es su modelo de precios y qué límites reportan los usuarios en foros técnicos durante 2026?" produce una investigación accionable. La guía de deep research de OpenAI recomienda lo mismo: preguntas específicas con alcance temporal, geográfico y de audiencia rinden más que preguntas abiertas.

Investiga la siguiente pregunta y entrega un informe en español:

Pregunta: {pregunta específica}

Alcance:
- Período: {últimos 6 meses | 2026}
- Región o mercado: {global | LATAM | un país}
- Audiencia: {fundadores, desarrolladores, analistas}

Exigencias:
- Cada afirmación importante lleva su fuente con URL.
- Si no encuentras evidencia para una afirmación, dilo
  explícitamente en vez de rellenar.
- Distingue hechos, opiniones y especulaciones en secciones
  separadas.

Pide fuentes con URLs, no resúmenes

El error más común: aceptar el resumen del modelo sin las fuentes. Un buen prompt de investigación exige trazabilidad:

Para cada punto del informe:
- Cita la URL exacta de la fuente (no "según estudios": la URL).
- Indica el tipo de fuente: documentación oficial, paper,
  artículo técnico, foro, noticia.
- Si una URL no se puede verificar, márcala como "no verificada".

Exigir URLs cambia el comportamiento del modelo de dos formas: reduce la invención de datos (sabe que revisarás) y te deja el rastro para verificar. La verificación manual de las fuentes sigue siendo tu trabajo: abre las URLs, confirma que dicen lo que el informe afirma y descarta las que no.

Comparar perspectivas en lugar de promediar

Un solo modelo te da una sola perspectiva. Para temas con posturas encontradas (regulación, costos, seguridad de agentes), pide el contraste explícito:

El tema {tema} tiene posturas encontradas. Presenta:

1. La postura de cada lado, con sus argumentos principales y
   la fuente de cada uno.
2. Los puntos donde coinciden.
3. Los puntos donde la evidencia es débil en ambos lados.
4. Tu lectura neutral: qué se puede afirmar con confianza, qué
   sigue en debate.

No busques un punto medio artificial: si un lado tiene mejor
evidencia, dilo.

Este prompt produce un mapa del debate en vez de un promedio insípido. Es la diferencia entre "los expertos opinan distinto" y un desglose útil para decidir.

Detecta sesgos del modelo y de las fuentes

Los modelos optimizan por parecer útiles y suelen tener sesgos: optimismo por defecto, preferencia por lo reciente, exceso de confianza en fuentes populares. Pídele que los exponga:

Antes de concluir, audita tu propio informe:
- ¿Qué afirmaciones dependen de fuentes no verificadas?
- ¿Qué supuestos tomé que no están en los datos?
- ¿Qué información podría estar desactualizada?
- ¿Dónde hay más confianza de la que la evidencia permite?

Lista los riesgos de sesgo como sección final del informe.

No esperes que el modelo se corrija solo: espera que declare sus incertidumbres para que tú decidas dónde verificar más.

Extracción de datos estructurados

Cuando la investigación es sobre datos repetibles (precios, specs, fechas, métricas), no pidas un ensayo: pide JSON o CSV. El prompt engineering de Claude recomienda declarar el schema completo en el prompt para que la salida sea parseable sin limpieza.

Extrae la información de las siguientes fuentes a JSON.

Schema por ítem:
{
  "nombre": "string",
  "proveedor": "string",
  "precio_mensual_usd": "number | null",
  "incluye": ["string"],
  "limites": ["string"],
  "fuente": "URL exacta",
  "fecha_verificacion": "YYYY-MM-DD"
}

Reglas:
- Si un campo no aparece en la fuente, usa null. No infieras.
- Precios en USD mensuales; si la fuente usa otra moneda,
  anótalo en el campo limites.
- Devuelve solo el JSON, sin texto adicional.

Fuentes:
{URLs o textos}

Con CSV pides lo mismo pero con columnas fijas. La salida estructurada se puede cargar directo en una hoja de cálculo, comparar entre fuentes y actualizar en cada corrida.

El paso de verificación que nunca debes saltar

Ningún prompt convierte al modelo en una fuente confiable: lo convierte en un investigador que te deja el trabajo de verificación bien preparado. El flujo completo:

1. Define la pregunta con alcance temporal, geográfico y de audiencia.
2. Corre la investigación pidiendo fuentes con URLs por afirmación.
3. Compara perspectivas y pide la auditoría de sesgos.
4. Verifica el output: abre al menos las fuentes de las afirmaciones que vas a usar.
5. Extrae lo que necesites en JSON o CSV y archiva el dataset con su fecha.

El punto 4 no es opcional: los agentes de investigación mejoran la productividad de la verificación, no la reemplazan. Si el tema es regulación, seguridad o dinero, verifica el doble. Si es una comparativa de funciones, una pasada sobre las URLs principales basta.

Cuándo conviene un agente de investigación dedicado

Si investigas con frecuencia (competencia, proveedores, tendencias), vale la pena montar un flujo con herramientas de búsqueda en vez de un chat: el agente busca, extrae y estructura solo. La arquitectura y los límites de ese tipo de agentes están en la guía de arquitectura de agentes en producción, y la base de prompt engineering con roles y formato de salida en la guía de prompt engineering para agentes. Para elegir el modelo según el volumen de investigación, el hub de comparativas y decisiones tiene benchmarks y criterios prácticos.

El resumen: pregunta específica, fuentes con URLs, contraste de perspectivas, auditoría de sesgos y verificación manual. Con esos cinco pasos, la investigación con IA pasa de ser un resumen bonito a ser evidencia que puedes usar para decidir.