Metodología

1. Se normaliza el texto y se separa lo que pediste (el núcleo) de cualquier estructura que Promptea haya generado antes, para que re-analizar un prompt optimizado no lo haga crecer ni apile encabezados.
2. Se clasifica la tarea en uno de 14 tipos (por ejemplo código, depuración, extracción de datos, traducción, marketing) según el propósito elegido y la redacción del prompt.
3. Se detectan rasgos: objetivo, inputs, audiencia, ejemplos, restricciones, tono, largo, plazo, formato de salida, criterios de éxito, detalle del error, pasos de reproducción, texto con forma de inyección y contradicciones.
4. Se puntúan las seis dimensiones y se combinan con pesos que dependen del tipo de tarea (la verificabilidad pesa más en depuración que en un pedido de texto cotidiano).
5. Se aplica un tope cuando falta material esencial (por ejemplo, un pedido de traducción sin el texto a traducir no puede puntuar como completo).
6. Se arma el prompt optimizado para la IA elegida a partir de los hallazgos y se vuelve a puntuar con el mismo criterio para mostrar un puntaje antes → después.

Este núcleo corre en el servidor sin llamadas de red y acepta hasta 12.000 caracteres. Sus garantías (idempotencia, IDs de hallazgos estables, localización estricta por idioma, sin amplificar inyecciones de prompt, entradas que nunca lo hacen fallar) están escritas en el contrato del motor y verificadas con tests automáticos.

Claridad

¿Hay un objetivo explícito y suficiente texto para decir qué se quiere? Los pedidos muy cortos o sin objetivo puntúan bajo.

Contexto

¿Incluye el material sobre el que trabajar (inputs), dice para quién es la respuesta (audiencia) o da ejemplos?

Restricciones

¿Hay límites explícitos como tono, largo, plazo, región o reglas que la respuesta deba respetar?

Formato de salida

¿Dice qué forma debe tener la respuesta (lista, tabla, JSON, pasos) y cómo se ve una buena respuesta?

Verificabilidad

¿Se puede comprobar la respuesta? Cuentan los criterios de éxito, el detalle del error y los pasos para reproducirlo; pesa más en depuración y código.

Seguridad

Parte de 100 y baja si el texto parece una inyección de prompt, si hay instrucciones contradictorias o si el idioma no coincide con el pedido.

Cada dimensión se puntúa de 0 a 100 y el total ponderado es el puntaje del prompt. Junto a él, Promptea informa un valor de confianza (0–100) que indica cuánta señal encontró el motor en el texto. No es la probabilidad de que el prompt sea bueno.

• El puntaje, los hallazgos y las recomendaciones nunca los produce un LLM.
• Refinado opcional: cuando hay un proveedor configurado, un LLM puede reescribir el prompt optimizado siguiendo una estrategia elegida por el motor. Los proveedores se prueban en orden (por defecto Groq y, como respaldo, Claude de Anthropic). La reescritura debe pasar un control de calidad; si no lo pasa, o no hay proveedor disponible, se devuelve el prompt determinístico.
• En ese paso tu prompt se trata como dato, no como instrucciones; el texto que intenta anular las instrucciones se elimina antes de la reescritura y una reescritura que lo repite se rechaza.
• Segunda opinión opcional: se puede activar un juez LLM para casos de baja confianza. Solo puede mover un valor combinado que se muestra aparte, como máximo ±10 puntos; el puntaje del motor nunca se modifica.
• El dictado por voz, cuando lo usás, envía el audio a un proveedor de transcripción solo para convertirlo en texto; el audio no se guarda.

El matcher es completamente determinístico y no usa LLM. Extrae señales ponderadas del prompt en 15 categorías de tarea (chat, código, agente de código, investigación, contexto largo, multimodal, extracción de datos, escritura creativa, marketing, traducción, resumen, tutoría, prompts de imagen, razonamiento complejo, rápido/liviano) y puntúa a cada modelo candidato según cuánto encajan sus capacidades verificadas con esas categorías.

• Compuertas de capacidad: un modelo sin entrada de imagen no puede ganar una tarea multimodal, uno sin búsqueda nativa queda limitado en investigación, uno sin salida estructurada queda limitado en extracción de datos.
• Solo se pueden recomendar modelos vigentes; los retirados nunca.
• La confianza es baja, media o alta, y un casi-empate lo dice y nombra el factor decisivo en lugar de aparentar certeza.
• Herramientas como Claude Code o Codex se tratan como entornos, no como modelos.

El registro de Promptea lista 25 modelos vigentes en 7 familias de IA. Los IDs de modelo, ventanas de contexto y capacidades se toman solo de la documentación oficial de cada proveedor; cada entrada guarda la URL de la fuente y la fecha de verificación (última: 9 de octubre de 2026). Los modelos reemplazados quedan en el registro como legados, con un puntero a su reemplazo, para que los enlaces viejos sigan funcionando, pero ya no se ofrecen ni se recomiendan.

• Modelos y sus capacidades

• Una nota principal cada mañana, más un repaso semanal y un vistazo a la semana que viene. Las ediciones semanales indican qué fechas cubren.
• Frescura: una nota diaria debe tratar un hecho del mismo día editorial (hora de Buenos Aires). Una nota sobre un hecho anterior solo puede publicarse con un motivo declarado, visible en el artículo.
• Fuentes: cada artículo lista sus fuentes con editor, tipo y fecha de acceso. Un artículo publicado necesita al menos una fuente primaria (un anuncio oficial, documentación, una model card, un paper). Además necesita una segunda fuente independiente o una justificación explícita, que se muestra al lector como aviso de “nota de una sola fuente”.
• Transparencia de método: las notas se investigan con asistencia de IA y se verifican contra fuentes primarias antes de publicarse. Se firman “Promptea Editorial”.
• Seguridad del formato: los cuerpos de los artículos son bloques tipados simples (párrafos, títulos, listas, citas) y los enlaces a fuentes deben ser https. No hay HTML crudo.
• Las correcciones conservan la URL del artículo y agregan un aviso de corrección visible.
• Imágenes: Promptea genera su propia ilustración de portada; no enlaza imágenes de terceros.

• AI Daily

• Fuente: la API de benchmarks de OpenRouter, que republica resultados de Artificial Analysis, Design Arena y evaluaciones propias de OpenRouter. Promptea la lee en el servidor y muestra la fuente y la fecha de actualización junto a cada ranking.
• Un benchmark, un ranking. Los puntajes de distintos benchmarks usan métricas diferentes (índices, precisión, F1, Elo) y nunca se suman, promedian ni comparan entre sí.
• Un puntaje ausente significa “sin medición”: el modelo queda fuera de ese ranking, nunca se cuenta como cero. Un precio ausente se muestra como “—”, nunca como gratis.
• Los puestos se ordenan por puntaje, de mejor a peor; los empates comparten puesto. Los precios son de lista por millón de tokens, según informa la fuente.
• Un “modelo de frontera” es uno ubicado entre los 5 primeros de al menos un benchmark de capacidad general del snapshot vigente. La lista cambia cuando cambian los datos.
• Las filas que no pasan la validación se descartan y se cuentan. Si la fuente no responde, se muestra el último snapshot válido con su antigüedad, o un estado vacío; nada se inventa.
• Límites: los benchmarks miden pruebas específicas, a menudo índices compuestos que cambian entre versiones. No predicen cómo le irá a un modelo en tu tarea.

• Benchmarks

• No ejecuta tu prompt en el modelo destino, así que no puede saber qué tan buena será su respuesta.
• El puntaje mide la calidad de la especificación, no es un predictor probado de la calidad del resultado. Sus reglas son heurísticas, calibradas contra un conjunto de prompts de ejemplo etiquetados para cada propósito, en ambos idiomas.
• La calidad de la reescritura opcional con LLM no forma parte del puntaje y depende del proveedor.
• No da asesoramiento financiero, legal ni médico; las guías sobre esos temas tratan de cómo escribir prompts, no del tema en sí.

• La telemetría guarda un ID de sesión seudónimo y metadatos del análisis (puntaje, confianza, destino, idioma, tipo de tarea, IDs de hallazgos), no el texto del prompt.
• Tu biblioteca de prompts se guarda en tu navegador, en tu dispositivo.
• Las tarjetas para compartir codifican solo números y valores de una lista cerrada en la URL; el texto del prompt nunca forma parte de ellas.
• La política completa está en la página de privacidad.

• Política de privacidad

El motor de análisis está versionado (hoy 2.3.0). Un cambio en el ID de un hallazgo o en una regla del contrato es una versión mayor; las heurísticas nuevas son menores; los arreglos internos son parches. Cada versión, incluidos los cambios en el puntaje, figura en el changelog público.

• Changelog