Prompts de IA para analizar feedback de clientes: temas, evidencia y prioridades confiables

Cómo usar ChatGPT, Claude o Gemini para analizar reseñas, respuestas de encuestas y tickets de soporte: definí los temas antes de contar, citá la evidencia, separá frecuencia de gravedad y evitá porcentajes inventados. Incluye plantillas.

Última actualización: · Versión en markdown

Por qué fallan los resúmenes de feedback

  • Preguntar '¿qué dicen los clientes?' devuelve un párrafo prolijo que refleja los comentarios más ruidosos, no los más frecuentes.
  • Cuando les pedís números, los modelos redondean y estiman: 'el 40% menciona el precio' puede no salir de ningún conteo.
  • Los temas cambian entre ejecuciones: 'onboarding', 'configuración' y 'primeros pasos' son tres temas un día y uno al siguiente.
  • El sarcasmo, las reseñas mixtas ('me encanta, pero…') y los comentarios en otros idiomas se clasifican mal fácilmente si no hay reglas explícitas.
  • Antes: 'Resumí estas 300 reseñas.' Después: 'Etiquetá cada reseña con un tema de esta lista, citá la oración que lo justifica y contá las etiquetas al final.'

Un flujo de trabajo que se sostiene

  • Paso 1 — descubrir: sobre una muestra (por ejemplo, 50 comentarios), pedí temas candidatos con una definición de una línea y dos citas de ejemplo cada uno.
  • Paso 2 — fijar el libro de códigos: fusioná vos los temas que se superponen, agregá 'otro' y 'poco claro', y mantené esa lista idéntica en cada tanda.
  • Paso 3 — etiquetar: dale un ID a cada comentario y pedí una fila por comentario (ID, tema, sentimiento, cita). Las filas se revisan fácil; los párrafos no.
  • Paso 4 — contar fuera del modelo: pegá las filas en una planilla, o pedí conteos solo a partir de las filas ya generadas, nunca de memoria sobre el texto original.
  • Paso 5 — priorizar: ordená los temas por frecuencia y por impacto (riesgo de baja, tareas bloqueadas, ingresos) en dos columnas separadas, para que un problema raro pero crítico no quede enterrado.

Controles de privacidad y honestidad

  • Sacá nombres, correos, números de pedido y otros datos personales antes de pegar; mantené tu propio ID para poder rastrear cada fila.
  • Revisá la política de tu empresa sobre qué herramientas de IA pueden recibir datos de clientes.
  • Verificá al menos algunas filas etiquetadas por tema contra el comentario original antes de compartir el informe.
  • Aclará qué son los datos: 'temas en 312 reseñas de la tienda de apps de octubre', no 'lo que piensan nuestros clientes'.

Plantillas

Descubrir temas candidatos a partir de una muestra

Abajo hay [cantidad] comentarios de clientes de [fuente: reseñas / encuesta / tickets de soporte] sobre [producto]. Cada línea empieza con un ID.

<comentarios>
[pegá los comentarios, uno por línea, como "ID: texto"]
</comentarios>

Proponé entre 6 y 10 temas que cubran estos comentarios. Para cada tema dame:
- nombre (2–4 palabras)
- definición (una oración: qué entra y qué no)
- dos IDs con una cita textual corta cada uno

Reglas:
- Los temas no se pueden superponer; si dos son parecidos, fusionalos y decilo.
- Incluí "otro" para los comentarios que no encajan en ninguno.
- Todavía no cuentes ni estimes porcentajes.
Se abre en el analizador con el prompt precargado.

Etiquetar cada comentario con un libro de códigos fijo

Clasificá cada comentario de cliente usando SOLO los temas de abajo.

<temas>
[pegá tu lista final de temas con definiciones de una línea, incluyendo "otro" y "poco claro"]
</temas>

<comentarios>
[pegá los comentarios como "ID: texto"]
</comentarios>

Devolvé una tabla con una fila por comentario y estas columnas:
ID | tema | sentimiento (positivo / negativo / mixto) | cita (las palabras exactas que justifican el tema)

Reglas:
- Exactamente un tema por fila; si aplican dos, elegí la queja o el elogio principal.
- Si el comentario es sarcástico o ambiguo, usá "poco claro" en lugar de adivinar.
- Copiá las citas textuales; no parafrasees.
- No saltees ningún ID y no agregues un resumen.
Se abre en el analizador con el prompt precargado.

Convertir las filas etiquetadas en un informe priorizado

Escribí un informe de feedback de una página para [público: equipo de producto / dirección] a partir de las filas etiquetadas de abajo.

<filas>
[pegá la tabla: ID | tema | sentimiento | cita]
</filas>

Estructura:
1. Alcance: fuente, período y cantidad de comentarios (contá las filas; no estimes).
2. Tabla de temas: tema | cantidad | cantidad negativa | una cita representativa con su ID.
3. Los 3 problemas principales para atacar, según cantidad Y según impacto. Explicá el impacto en una oración cada uno y aclará qué parte es tu criterio.
4. Qué elogian los clientes (para cuidarlo en cambios futuros).
5. Preguntas abiertas que los datos no pueden responder.

Reglas:
- Cada número tiene que salir de contar las filas de arriba.
- Citá solo texto que aparezca en las filas.
Se abre en el analizador con el prompt precargado.

Preguntas frecuentes

¿Puedo pegar miles de comentarios en un solo prompt?
Aunque la ventana de contexto lo permita, las ejecuciones largas son más difíciles de verificar y es más fácil que se salteen filas. Trabajá por tandas (unos cientos de comentarios por vez) con el mismo libro de códigos, después juntá las filas en una planilla y contá ahí.
¿La IA tiene que decidir qué problemas importan más?
Puede proponer un orden, pero la frecuencia es algo que se cuenta y el impacto es una decisión de negocio. Pedile al modelo que muestre las dos columnas y que marque su propio razonamiento, y tomá la decisión final con tu equipo.
¿Cómo verifico que mi prompt de etiquetado sea lo bastante claro?
Corré la misma tanda dos veces y compará las etiquetas; las filas que cambian señalan definiciones de temas vagas. El analizador de Promptea también marca instrucciones de formato de salida y restricciones que faltan antes de usar el prompt con datos reales.