Mejores prompts por modelo: Claude vs Gemini vs OpenAI en la práctica

El mismo prompt produce resultados muy distintos en Claude, Gemini y OpenAI: cada modelo fue entrenado con prioridades diferentes y responde mejor a estilos distintos. La idea de un "prompt universal" es cómoda y falsa. Esta guía compara qué pedir distinto a cada modelo —estilo de Claude, multimodal de Gemini, herramientas de OpenAI—, cómo adaptar un prompt al migrar de modelo y tres prompts de referencia por modelo para las tareas más comunes: resumir, programar y analizar.

Cómo piensan distinto los tres

Claude (Anthropic) responde bien a instrucciones de rol y estilo, a formatos de salida estrictos y a la especificación de comportamiento. Su guía de prompt engineering recomienda: roles claros, formato de salida definido, pocas instrucciones por bloque y el uso de ejemplos antes/después. En la práctica, Claude sigue prompts largos con reglas numeradas sin perder el hilo, y su estilo por defecto es más conversacional y detallado.

Gemini (Google) brilla con multimodal: imágenes, audio, video y documentos largos. Sus prompting strategies recomiendan usar el contexto multimodal directamente —pégale la imagen o el documento en vez de describirlo—, pedir pasos intermedios de razonamiento y aprovechar su ventana de contexto amplia para análisis de documentos enteros. Gemini tiende a respuestas directas y estructuradas; se beneficia de pedirle explícitamente el formato.

OpenAI (GPT) se destaca con herramientas y estructura: function calling, structured outputs y flujos tipo agente. La guía de prompt engineering de OpenAI insiste en instrucciones específicas, formato de salida JSON declarado y ejemplos. En la práctica, GPT responde muy bien a prompts con rol, formato y criterios, y es el más predecible cuando defines el JSON de salida.

Resumir: el mismo trabajo, tres enfoques

Claude — rol y estilo:

Eres un editor técnico. Resume el siguiente documento en
español con estructura: hallazgo principal (3 líneas), datos
clave (máximo 5 bullets con números exactos), decisiones
implicadas (2 bullets). No agregues interpretaciones que no
estén en el texto. Documento: {texto}

Gemini — multimodal directo:

Analiza el documento adjunto (puede ser imagen, PDF o texto).
Resume en español: idea central en 2 líneas, 5 datos clave con
números exactos, y qué secciones del documento no entendí o
faltan. Si hay tablas o gráficos, descríbelos con sus valores.
Si el archivo tiene más de 50 páginas, resume por secciones y
luego une los resúmenes.

OpenAI — formato estricto:

Resume el siguiente texto en español y devuelve SOLO JSON:
{"resumen": "3 líneas", "datos_clave": ["bullet", "bullet"],
"decisiones": ["bullet"], "confianza": "alta|media|baja"}
No inventes datos: si el texto no menciona algo, omítelo.
Texto: {texto}

Los tres logran un buen resumen; la diferencia está en el ángulo: Claude con criterio editorial, Gemini aceptando cualquier formato de entrada, OpenAI con salida lista para procesar.

Programar: tarea, contexto y criterios

Claude — especificación y plan:

Eres un desarrollador senior. Analiza el siguiente problema y
propón un plan de implementación antes de escribir código.
Problema: {problema}
Contexto: {stack, archivos, convenciones}
Criterios: {tests, compatibilidad, límites}
Estructura tu respuesta: entendimiento del problema (3 líneas),
plan (pasos), código, y cómo verificar que funciona.

Gemini — con contexto multimodal:

Tengo este error al correr mi app. Adjunto captura de pantalla
del error y del código relevante. Explica la causa raíz en
español, en máximo 5 líneas, y luego da la corrección mínima.
Si el problema requiere ver el archivo completo, dime qué parte
necesito pegarte. Código: {código}

OpenAI — función y formato:

Escribe una función en {lenguaje} que {tarea}. Requisitos:
- Firma exacta: {firma}
- Manejo de errores: {casos}
- Complejidad: {límite}
- Devuelve el código dentro de un bloque, seguido de 3 casos de
  prueba con entrada y salida esperada. Sin explicación extra.

Gemini es el más práctico cuando el error incluye imagen; Claude cuando el cambio es arquitectónico y necesita plan; OpenAI cuando quieres código directo con tests.

Analizar: datos y criterios

Claude — análisis con contexto de negocio:

Eres analista de negocio. Analiza los siguientes datos con
criterio comercial: qué métrica cambió, por qué probablemente,
qué preguntar antes de actuar, y qué no se puede concluir con
los datos actuales. Datos: {datos}

Gemini — documento completo:

Adjunto el dataset completo (CSV con {n} filas y columnas:
{lista}). Ejecuta el análisis: tendencias por mes, top 3
anomalías, correlaciones evidentes entre columnas, y datos
faltantes. Devuelve tablas markdown y una conclusión de 3
líneas. No redondees números sin decirlo.

OpenAI — pipeline estructurado:

Analiza estos datos en dos pasos. Paso 1: limpieza (duplicados,
vacíos, valores raros) y reporta qué cambiaste. Paso 2: calcula
{lista de métricas} y devuelve JSON: {"metricas": {...},
"hallazgos": [...], "advertencias": [...]}. Usa el código que
produzca cada número para que sea reproducible. Datos: {datos}

Cómo adaptar un prompt al cambiar de modelo

Migrar de modelo con el mismo prompt copiado suele degradar la salida. El proceso de adaptación en tres pasos:

1. Identifica la fortaleza del modelo nuevo y cambia el ángulo: si pasas a Gemini, adjunta el material en vez de describirlo; si pasas a OpenAI, declara JSON; si pasas a Claude, refuerza rol y límites.
2. Prueba con 10 casos del mismo tipo antes de migrar todo, y compara con el modelo anterior usando un evaluador A/B. La guía de prompts para evaluar y verificar agentes tiene el comparador listo para copiar.
3. Ajusta el formato de salida: lo que un modelo entrega en markdown limpio, otro lo entrega con texto extra alrededor. Exige el formato en el prompt nuevo.

Verificación al elegir y migrar

1. Probaste el mismo caso de uso en al menos dos modelos con sus prompts adaptados.
2. El formato de salida se validó contra tu pipeline (JSON parseable, secciones fijas).
3. Los resultados se compararon con criterios explícitos, no por impresión.
4. El costo y la latencia se midieron, no solo la calidad: los costos reales de agentes cambian la decisión.
5. La elección de modelo se revisa cuando sale una versión nueva: los benchmarks de cómo elegir modelo para tu agente son el marco para esa revisión.

No hay prompt universal porque no hay modelo universal: Claude rinde con especificación y estilo, Gemini con multimodal y contexto largo, OpenAI con herramientas y estructura. Aprende a escribir el prompt en el idioma de cada uno y la calidad de tus agentes sube sin cambiar nada más. Para decidir entre modelos con datos, el hub de comparativas y decisiones reúne benchmarks, criterios y comparativas, y la base de prompt engineering por tarea está en la guía de prompt engineering para agentes.