Role Prompting: cómo un simple cambio de rol transforma por completo la respuesta de la IA
En esta sesión del curso oficial de Prompt Engineering de Anthropic, adaptada como clase para mis alumnos de ESO y Bachillerato en monteSTEAM, trabajamos una de las ideas más visuales y fáciles de entender de todo el temario: el Role Prompting, o "asignación de roles".
La pregunta de partida: sin ningún rol
Empezamos haciéndole a Claude una pregunta muy sencilla, sin darle ningún contexto especial: "En una frase, ¿qué opinas del skateboarding?". Sin ningún rol asignado, la respuesta es neutra y equilibrada, del estilo "es un deporte divertido y creativo, aunque también conlleva ciertos riesgos" — una opinión de manual, sin ningún punto de vista particular.
El experimento del gato
A continuación, antes de repetir exactamente la misma pregunta, le decimos a Claude: "Eres un gato". El resultado es sorprendente para cualquier alumno que lo vea por primera vez: la respuesta cambia por completo, adoptando un punto de vista propio de un gato (indiferencia hacia el ruido, preferencia por el descanso, desconfianza hacia esa "tabla ruidosa"). Lo importante aquí es que la pregunta no ha cambiado ni una palabra: solo hemos cambiado el "system prompt", las instrucciones de fondo que le dicen a Claude quién debe ser antes de responder.
El experimento del perro (y por qué no siempre funciona igual)
Repetimos el experimento con "eres un perro", pero esta vez con una pregunta distinta: "¿qué opinas de ser actor?". Aquí observamos algo interesante: el cambio de rol se nota mucho menos que en el ejemplo del gato. La explicación tiene que ver con el tipo de pregunta: "ser actor" es un concepto humano abstracto, sin un anclaje sensorial claro para un perro (a diferencia de una tabla con ruedas, algo mucho más "físico"). Cuanto más abstracta es la pregunta y más escueto el rol asignado, más fácil es que el modelo pierda parte del personaje a mitad de respuesta. Es una buena lección práctica: el role prompting funciona mejor cuando se combina con preguntas o contextos con los que el rol pueda "conectar" de forma natural.
Un puzle de lógica clásico
Después probamos un acertijo lógico bastante conocido: Jack mira a Anne, Anne mira a George. Jack está casado, George no, y no sabemos si Anne lo está. ¿Hay una persona casada mirando a una no casada? La respuesta correcta es sí, siempre, y se demuestra analizando los dos casos posibles (que Anne esté casada, o que no lo esté). Es un buen ejercicio de razonamiento por casos, y también sirve para observar si Claude, sin ningún rol de "experto en lógica" asignado, resuelve bien ambos casos o se queda a medio camino diciendo que "falta información".
Revisar una ecuación matemática
Cerramos la sesión con un ejercicio de corrección automática: comprobar si una ecuación (2x - 3 = 9 → 2x = 6 → x = 3) está bien resuelta. El primer paso está mal (al sumar 3 a ambos lados, 2x debería ser 12, no 6), así que la solución correcta sería x = 6. El ejercicio comprueba si la respuesta de Claude detecta ese error, buscando literalmente las palabras "incorrect" o "not correct" en el texto. Es un ejemplo perfecto para hablar en clase de por qué, en tareas donde la precisión es crítica (como revisar matemáticas), el role prompting puede ayudar a que un modelo sea más riguroso, por ejemplo asignándole el rol de "profesor de matemáticas muy meticuloso que revisa cada paso con cuidado".
La idea que os quiero transmitir con toda esta sesión
La inteligencia artificial no tiene una única forma "correcta" de responder: responde en función del contexto que le damos, incluyendo el papel o rol que le asignemos antes de la pregunta. Aprender a diseñar ese contexto con intención es, en el fondo, el corazón del prompt engineering — y es una habilidad tan útil para escribir mejor con la IA como para entender, de forma crítica, cómo funciona realmente esta tecnología por dentro.
Seguimos avanzando lección a lección, documentando cada sesión real, tanto para mis alumnos de monteSTEAM como para el equipo con el que trabajo en formación de IA.
