Cómo escribir prompts para IA con imágenes y archivos (multimodal)

Los prompts multimodales combinan instrucciones de texto con imágenes, PDFs o capturas de pantalla. Aprendé a dirigir la atención de la IA a lo que importa y extraer salida estructurada de forma confiable.

← Volver a guías

Qué pueden y no pueden hacer los modelos de IA multimodal

Pueden: describir el contenido de imágenes, leer texto en imágenes (tipo OCR), extraer datos de tablas y formularios, analizar gráficos y diagramas, comparar múltiples imágenes y responder preguntas basadas en lo que ven.
No pueden: leer de forma confiable texto muy pequeño en imágenes de baja resolución, contar objetos con precisión en escenas densas, ni garantizar precisión a nivel de píxel en diagramas complejos.
La calidad de la salida depende mucho de la resolución y claridad de la imagen. Las imágenes borrosas o de bajo contraste producen descripciones vagas.
Para PDFs: algunas APIs los aceptan directamente; otras requieren convertir páginas a imágenes primero. Revisá la documentación de tu modelo.

Cómo dirigir la atención de la IA en imágenes

Nombrá lo que querés analizar: 'Enfocate en el gráfico de barras en la esquina superior derecha' es más claro que 'analizá esta imagen'.
Describí qué contiene la imagen si el modelo podría no reconocer el contexto: 'Esta es una captura de pantalla de un dashboard de gestión de almacenes mostrando niveles de inventario.'
Para documentos y formularios, especificá qué campos importan: 'Extraé solo el nombre del proveedor, número de factura, fecha y monto total. Ignorá los ítems de línea.'
Usá anclajes espaciales: 'la tabla en la segunda columna', 'la fila resaltada', 'la leyenda en la parte inferior'.
Si la imagen tiene múltiples elementos, decile al modelo qué priorizar primero y qué omitir.

Errores comunes en prompts multimodales

Sin descripción de la imagen: preguntar '¿qué muestra esto?' sin contexto fuerza al modelo a adivinar el propósito. Decile qué tipo de documento o imagen estás enviando.
Esperar precisión en entradas desordenadas: una foto de una nota manuscrita tomada en ángulo con poca luz producirá resultados inciertos — escaneá o recortá antes de hacer el prompt.
Sin formato de salida especificado: sin uno, el modelo podría describir la imagen en prosa cuando necesitabas JSON, o darte una tabla cuando necesitabas un resumen.
Asumir que lee todo el texto: los modelos procesan imágenes como patrones visuales. Texto muy pequeño, rotado o sobre fondos complejos puede ser omitido o mal leído.

Templates

Extracción de datos visuales de una imagen o captura de pantalla

Te envío [una captura de pantalla de un dashboard / una foto de un formulario / una imagen de un gráfico].

Contexto: [describí qué contiene la imagen y de dónde viene — ej. "Esta es una captura de pantalla del reporte semanal de ventas de nuestra herramienta interna de reporting."]

Extraé los siguientes campos:
- [Campo 1]: [cómo se ve o dónde aparece]
- [Campo 2]: [cómo se ve o dónde aparece]
- [Campo 3]: [cómo se ve o dónde aparece]

Devolvé SOLO JSON:
{
  "campo_1": "valor o null",
  "campo_2": "valor o null",
  "campo_3": "valor o null",
  "notas_extraccion": "cualquier incertidumbre o ambigüedad detectada"
}

Reglas:
- Usá null para cualquier campo que no puedas leer claramente.
- No adivines ni infieras valores no visibles en la imagen.
- Agregá una nota en notas_extraccion si algún campo fue difícil de leer.

Se abre en la home con el prompt precargado.

Abrir en Promptea

Preguntas y respuestas sobre un documento con cita de fuente

Te envío [un PDF / un conjunto de imágenes de un documento / un contrato escaneado].

Contexto: [describí brevemente qué es el documento — ej. "Este es un contrato de proveedor para licenciamiento de software, de aproximadamente 12 páginas."]

Respondé las siguientes preguntas basándote SOLO en el contenido visible en el documento:
1. [Tu pregunta 1]
2. [Tu pregunta 2]
3. [Tu pregunta 3]

Para cada respuesta:
- Citá la oración o sección exacta que respalda tu respuesta.
- Si el documento no contiene la respuesta, decí "No encontrado en el documento" — no inferras.
- Si la respuesta es ambigua, explicá por qué y citá el pasaje relevante.

Formato:
**P1:** [replanteá la pregunta]
**Respuesta:** [tu respuesta]
**Fuente:** "[cita textual del documento]" (Página X / Sección Y si es identificable)

Se abre en la home con el prompt precargado.

Abrir en Promptea

Preguntas frecuentes

¿Qué modelos de IA soportan entradas de imagen?

A mediados de 2026, las entradas de imagen son soportadas por GPT-4o y modelos OpenAI posteriores, Claude 3 y modelos Anthropic posteriores, Gemini 1.5 y modelos Google posteriores, y Grok 2 Vision. DeepSeek y Kimi también tienen variantes multimodales. Siempre verificá el soporte de imágenes en la documentación actual del modelo, ya que las capacidades varían por nivel de API y pueden cambiar.

¿Cómo extraigo una tabla de un PDF usando IA?

El enfoque más confiable: convertí la página del PDF que contiene la tabla a una imagen de alta resolución (300 DPI o superior), luego enviala con un prompt que especifique la ubicación de la tabla, las columnas que necesitás y el formato de salida (JSON o tabla Markdown). Pedí al modelo que marque las celdas que no puede leer claramente. Para PDFs nativos digitales donde el texto es seleccionable, copiá y pegá el texto de la tabla directamente en tu prompt — la extracción de texto es más confiable que el OCR visual.