What’s actually new in OpenAI’s GPT-5 prompting guide?

Controls for reasoning effort, tighter structured outputs (including JSON mode), and agentic task patterns. The guide shows how to tune GPT-5 for reliability, not just creativity, with concrete examples and migration tips.

How do I make GPT-5 return clean JSON every time?

Define a schema, enable strict output requirements, and add an error object path for invalid cases. Validate programmatically and ask the model to self-check against the schema before returning.

When should I increase GPT-5’s reasoning effort?

Crank it up for investigations, long-horizon planning, and multi-source synthesis. Keep it low for formatting, extraction, and high-frequency tasks where speed and cost matter more than deep thinking.

How do I migrate old GPT-4 prompts to GPT-5?

Trim fluff, clarify roles and constraints, define output schemas, and add verification steps. Batch-test using prompt optimization techniques and iterate based on format compliance and accuracy.

Is GPT-5 better for coding prompts too?

Yes—use GPT-5-Codex-style prompting: provide environment details, failing tests, and expected behavior. Ask for explain-propose-patch, and request structured diffs and rationales to reduce hallucinations.

Guía oficial de prompting de GPT-5 de OpenAI: Los consejos que realmente usarás

¿Alguna vez has intentado explicarle a un niño pequeño cómo ponerse los zapatos, solo para ver cómo se pone ambos en el mismo pie? Así era la interacción con los modelos de lenguaje grandes durante años: podías llegar allí, pero requería paciencia, respiraciones profundas y, ocasionalmente, una galleta. Con GPT-5, OpenAI finalmente nos ha dado un manual para padres. Sí, existe una guía oficial de prompting para GPT-5, y está repleta de trucos que hacen que el modelo sea más inteligente y predecible. La he leído para que no tengas que hacerlo tú. Vale, la he leído porque soy un friki, y porque una vez que veas lo que hay de nuevo aquí, tus prompts dejarán de tropezar consigo mismos y empezarán a correr maratones.

Aquí está el titular: GPT-5 cambia la forma en que hablas con la IA. Ya no se trata solo de "escríbeme un poema sobre la ensalada". Se trata de ajustar el razonamiento, aplicar formatos de salida y hacer que el modelo se comporte como el asistente meticuloso que desearías haber contratado en el pasado, antes de comprar impulsivamente esa tercera aplicación de tareas pendientes.

Lo que es realmente nuevo en GPT-5

Control del esfuerzo de razonamiento: Puedes decirle a GPT-5 cuánto esfuerzo debe poner en pensar, esencialmente, cuánta energía cognitiva debe aplicar a un problema. Más esfuerzo para las cosas difíciles, menos para lo rutinario. Esto no es una cuestión de sensaciones; es un dial que puedes ajustar para equilibrar calidad y velocidad.

Formatos de salida más estrictos: El modo JSON y la validación de esquemas ahora significan que tu solicitud de "por favor, dame datos limpios" no termina con una interpretación en verso libre de la IA. Tus pipelines te lo agradecerán.

Desempeño de tareas agentic: GPT-5 es mejor para desglosar trabajos complejos y actuar como un verdadero gestor de proyectos. Menos momentos de "oops, olvidé el paso 7".

Ayuda para la migración desde prompts más antiguos: Hay orientación para actualizar prompts para que tus Franken-prompts de la era GPT-4 puedan crecer y dejar de atormentar tus repositorios.

Contexto rápido que puedes usar para parecer inteligente en las reuniones: OpenAI ha comenzado a publicar más documentos y ejemplos al estilo libro de cocina específicamente para GPT-5, incluyendo recetas cortas y prácticas para la optimización de prompts, la migración y casos de uso especializados como la generación de código. Traducción: hemos pasado de "descúbrelo tú mismo" a "aquí está el manual de instrucciones".

Para quién es esto (sí, para ti)

Product managers que necesitan salidas consistentes para los sistemas downstream.

Ingenieros que lidian con datos estructurados y flujos de trabajo LLM.

Personas de contenido que intentan reducir el bucle de "reescribirlo tres veces".

Cualquiera que haya escrito "sé conciso" y haya obtenido una charla TED de 700 palabras.

La nueva mentalidad de prompting de GPT-5: habla como un jefe, no como un poeta

Mira, GPT-5 puede ser creativo, pero esa no es la gran noticia. La gran noticia es el control. No solo estás pidiendo a un loro inteligente que diga cosas bonitas. Estás dirigiendo a un interno capaz que puede pensar, si le das un plan.

Piensa en roles, pasos y comprobaciones. Aquí está la fórmula que funciona:

Rol: Eres X con el objetivo Y.

Tarea: Haz Z con estas limitaciones.

Pasos: 1, 2, 3.

Razonamiento: Piensa con un nivel de esfuerzo N.

Salida: Esquema JSON o estructura markdown.

Medidas de seguridad: Rechaza si… o Pregunta si falta…

Sí, es aburrido. Sí, es eficaz. Como usar hilo dental.

Cómo usar realmente el "esfuerzo de razonamiento" sin quedarte dormido

Imagina que estás pidiendo un itinerario de fin de semana. No necesitas una cadena de pensamiento de 45 pasos que involucre la etimología de "brunch". Pero si estás depurando un fallo intermitente de la API, ¿aumentar el esfuerzo? La guía de GPT-5 enfatiza en decirle al modelo cuándo sudar y cuándo correr. Intenta algo como:

Para tareas simples: "Usa un razonamiento mínimo. Omite las explicaciones a menos que sean críticas".

Para tareas complejas: "Usa un alto esfuerzo de razonamiento. Evalúa enfoques alternativos. Justifica el camino elegido en una sección de justificación concisa".

Movimiento profesional: Separa la justificación de las respuestas. Pon el pensamiento bajo una clave de "justificación"; los resultados bajo "respuesta". Luego puedes ocultar la justificación a los usuarios y registrarla para las auditorías.

La conversación JSON: Haz que el modelo hable como un robot

GPT-5 tiene mejor soporte para salidas estructuradas. Si alguna vez has intentado analizar texto generado por IA y te has sentido como si estuvieras rastreando la web en 2004, bienvenido a 2025. Define un esquema JSON, pide a GPT-5 que lo valide y aplica el modo estricto. El libro de cocina muestra ejemplos de emparejamiento de prompts con la definición del esquema para que tu aplicación no se atragante con un emoji extraviado.

Prueba este patrón:

Sistema: "Eres un formateador de datos. La salida debe coincidir exactamente con este esquema JSON".

Proporciona el esquema.

Usuario: "Transforma el siguiente contenido en el esquema".

Añade: "Si falta algún campo, devuelve un objeto de error con el motivo".

Ahora no solo estás generando texto, estás construyendo salidas fiables y legibles por máquina. La diferencia entre "demo genial" y "grado de producción".

Tareas agentic: El modelo que se gestiona a sí mismo (principalmente)

GPT-5 es mejor para planificar, secuenciar y comprobar el trabajo. Puedes instruirlo para que:

Genere un plan y luego lo ejecute.

Ejecute paso a paso, pidiendo confirmación en los pasos arriesgados.

Autoverifique los resultados con una lista de verificación.

Incluso puedes pedirle que cree pruebas para su propia salida, luego ejecute esas pruebas y muestre el resumen de aprobado/fallido. ¿Significa esto que puedes despedir al control de calidad? Absolutamente no. Pero sí significa que puedes escalar el control de calidad de "esperanza y vibraciones" a "proceso repetible". La guía oficial se apoya en este encuadre agentic para tareas complejas de varios pasos.

Migrar tus prompts antiguos sin romper nada

Los prompts antiguos eran largos, habladores y frágiles. A GPT-5 le gustan las instrucciones estructuradas y concisas, los roles explícitos y las especificaciones de salida claras. La jugada de la migración:

Recorta la pelusa. Reemplaza "exploremos el mundo mágico de..." con "Tarea: Resume en 3 viñetas".

Cambia las peticiones suaves por limitaciones: "Devuelve exactamente 3 viñetas. Sin preámbulos".

Añade un esquema para las salidas utilizadas por el código.

Introduce el ajuste del esfuerzo: "Razonamiento mínimo a menos que se detecten contradicciones".

Incorpora el manejo de errores: "Si faltan entradas, haz una pregunta aclaratoria".

El libro de cocina de optimización de prompts de OpenAI muestra la evaluación iterativa: invoca el modelo repetidamente, compara los resultados y mejora gradualmente la calidad del prompt con datos, no con vibraciones. Piensa en las pruebas A/B, pero para las palabras.

Casos de uso del mundo real que no te hacen poner los ojos en blanco

Triage de correo electrónico de clientes: Clasifica el tono, la urgencia y el área del producto; devuelve JSON con etiquetas de enrutamiento. Añade una puntuación de confianza y un booleano "necesita-humano". Tu cola de soporte pasa del caos a "ahh".

Resúmenes de analítica: Alimenta a GPT-5 con un mes de métricas; pide la detección de valores atípicos, hipótesis y experimentos de próximos pasos, luego formatéalo en un esquema de diapositivas. Esfuerzo de razonamiento: alto.

Asistente de revisión de código: Proporciona el diff, las reglas de lint y una lista de verificación. Pide comentarios categorizados, niveles de gravedad y una recomendación final de fusión con justificación. Si las pruebas fallan, bloquea la fusión. La guía GPT-5-Codex está adaptada aquí, con sugerencias de prompting para desarrolladores.

Generación de contenido a escala: Da un tema, audiencia, guía de voz y estructura SEO. Requiere salidas estructuradas: título, dek, H2s, meta descripción. Si se violan las reglas de la voz de la marca, solicita un reintento con una nota de "violación de estilo".

Los cinco prompts que sigo reutilizando (róbalos)

El Plan-Entonces-Haz

Eres un asistente de proyecto senior. Objetivo: Producir X.

Primero, redacta un plan paso a paso. Luego ejecuta.

Usa un esfuerzo de razonamiento moderado. Si se viola una restricción, detente y pregunta.

Salida: { plan: .

Ignorar los niveles de esfuerzo: Usar por defecto "piensa muy duro" desperdicia tokens; usar por defecto "piensa apenas" pierde matices.

Una breve palabra sobre la exageración versus la utilidad

Sí, internet está zumbando porque OpenAI "lanzó silenciosamente" la guía oficial de prompting, porque lo hicieron, y las técnicas (esfuerzo de razonamiento, salidas estructuradas) son reales y útiles. Ignora las tomas sin aliento; concéntrate en los documentos del libro de cocina, que son la fuente real y te muestran el cómo hacerlo.

Cómo el prompting de GPT-5 cambia los flujos de trabajo del equipo

Producto: Define los contratos de salida por adelantado. Trata los prompts como interfaces con control de versiones. Enviarás más rápido y romperás menos cosas.

Ingeniería: Envuelve los prompts en pruebas. Valida JSON. Añade reintentos con modos más estrictos si la validación falla.

Datos: Realiza un seguimiento de las versiones de los prompts y los resultados. Crea paneles para las métricas de calidad: precisión, cobertura, latencia.

Operaciones: Crea runbooks que incluyan "Si el modelo devuelve un error, escale a un humano con contexto".

Cuándo aumentar el "esfuerzo de razonamiento" del modelo

Investigaciones: análisis de la causa raíz, anomalías de seguridad, caídas de ingresos.

Síntesis: investigación multi-documento con afirmaciones contradictorias.

Planificación: tareas de largo plazo con dependencias y riesgos.

Creatividad con limitaciones: campañas seguras para la marca que sigan destacando.

Cuándo no

Formato, extracción, plantillas.

Resúmenes con una sola fuente.

Cualquier cosa que ejecutes miles de veces por hora.

Vale la pena señalar: Si quieres una forma rápida de prototipar y comprobar la cordura de los prompts antes de implementarlos en tu stack, Sider.AI puede ayudarte a iterar, comparar salidas y bloquear formatos estructurados sin explorar los registros. Es como citas rápidas para prompts, menos la charla trivial, y sí, puedes llevar tu esquema JSON a la cita. Ojo: está en

Patrones de prompts para resultados específicos (marca esto)

Resumen a prueba de balas:

Rol: analista; Tarea: 5 viñetas; Limitaciones: sin adjetivos a menos que se cuantifiquen; Fuentes: lista; Salida: lista JSON.

Lluvia de ideas segura:

Rol: director creativo; Medidas de seguridad: sin violaciones de IP, sin reclamaciones médicas/financieras; Esfuerzo: medio; Salida: 20 ideas con etiquetas.

Documento de requisitos:

Rol: escritor de especificaciones de producto; Entradas: historias de usuario; Salida: secciones: Objetivos, No-objetivos, Criterios de aceptación (Gherkin), Riesgos.

Generador de anuncios con cumplimiento:

Rol: performance marketer; Reglas: archivo de tono de marca; Plataforma: meta/google; Variantes: 10; Salida: campos CSV.

Constructor de preguntas de entrevista:

Rol: hiring manager; Antigüedad: media; Enfoque: diseño del sistema; Salida: preguntas, rúbricas, banderas rojas, respuestas de muestra.

El mini libro de jugadas: envío de características LLM de grado de producción con GPT-5

Escribe el contrato primero

Define el esquema, las limitaciones y los rangos aceptables. Decide qué sucede en caso de fallo.

Redacta el prompt como una especificación de API

Rol, tarea, pasos, esfuerzo, salidas, medidas de seguridad. Hazlo aburrido. Lo aburrido gana.

Incorpora la verificación

Pide a GPT-5 que se autocompruebe con una lista de verificación. Luego valida programáticamente. Doble valla.

Prueba a escala

Procesamiento por lotes de prompts con datos reales. Puntúa la precisión y el cumplimiento del formato. Itera utilizando los patrones del libro de cocina de optimización.

Instrumenta todo

Registra los prompts versionados, los ajustes de esfuerzo de razonamiento, la latencia, el uso de tokens y los tipos de error.

Establece rutas de escalada

Si la confianza < umbral o el esquema falla dos veces, enruta a un humano. Adjunta la justificación para un triage más rápido.

Gestiona las expectativas

Comunica dónde brilla GPT-5 (generación estructurada, planificación, asistencia de código) y dónde está simplemente bien (ensayos abiertos sin limitaciones). Los usuarios perdonan los límites; odian las sorpresas.

¿Qué pasa con la codificación con GPT-5?

Los materiales de OpenAI apuntan a un prompting específico para desarrolladores para GPT-5-Codex: sé explícito con el entorno, las dependencias, los mensajes de error y el comportamiento esperado en tiempo de ejecución. Proporciona pruebas fallidas y pide al modelo que las haga pasar. Estructura las solicitudes como "explicar, proponer, parchear". Esto produce diffs más limpios y menos importaciones alucinadas. Si todavía estás preguntando, "Escríbeme un script que haga X", estás dejando rendimiento sobre la mesa.

Una plantilla de inicio de 10 minutos (sí, puedes copiar esto)

Sistema

Eres un asistente senior especializado en .

Ahora ve y dale a tus prompts antiguos el cambio de imagen que se merecen. Zapatos en los pies correctos. JSON comprimido. Razonamiento ajustado a "lo justo". Y tal vez ten una galleta a mano, para ti.

FAQ

P1: ¿Qué hay de nuevo en la guía de prompting de GPT-5 de OpenAI? Controles para el esfuerzo de razonamiento, salidas estructuradas más estrictas (incluido el modo JSON) y patrones de tareas agentic. La guía muestra cómo ajustar GPT-5 para la fiabilidad, no solo la creatividad, con ejemplos concretos y consejos de migración.

P2: ¿Cómo hago que GPT-5 devuelva JSON limpio cada vez? Define un esquema, habilita requisitos de salida estrictos y añade una ruta de objeto de error para los casos no válidos. Valida programáticamente y pide al modelo que se autocompruebe con el esquema antes de devolverlo.

P3: ¿Cuándo debo aumentar el esfuerzo de razonamiento de GPT-5? Aumenta el esfuerzo para las investigaciones, la planificación a largo plazo y la síntesis de múltiples fuentes. Mantenlo bajo para el formato, la extracción y las tareas de alta frecuencia donde la velocidad y el coste importan más que el pensamiento profundo.

P4: ¿Cómo migro los prompts antiguos de GPT-4 a GPT-5? Recorta la pelusa, aclara los roles y las limitaciones, define los esquemas de salida y añade pasos de verificación. Realiza pruebas por lotes utilizando técnicas de optimización de prompts e itera basándote en el cumplimiento del formato y la precisión.

P5: ¿Es GPT-5 mejor también para los prompts de codificación? Sí, utiliza el prompting al estilo GPT-5-Codex: proporciona detalles del entorno, pruebas fallidas y el comportamiento esperado. Pide explicar-proponer-parchear y solicita diffs y justificaciones estructuradas para reducir las alucinaciones.