Rémi Kokabi5 de septiembre de 202610 min de lecturaActualizado: 28 sept 2026

5 técnicas de prompt engineering que reducen el tiempo de investigación en emails en frío (con plantillas de ventas)

La semana pasada vi a un SDR pegar "escríbeme un email en frío para un VP de Ventas" en Claude y enviar el resultado a 200 prospectos. La tasa de respuesta fue de 1,2%. Esa misma tarde, otro rep del equipo usó un prompt con contexto del prospecto, límites de tono y un objetivo claro. Misma herramienta, mismo segmento de lista. Tasa de respuesta: 6,4%.

La diferencia no tuvo nada que ver con el producto ni con el modelo de IA. Todo se redujo al prompt.

En este post te explico paso a paso cómo funciona el prompt engineering para outreach de ventas, las cinco técnicas que realmente mueven la tasa de respuesta, plantillas listas para usar en tu próxima campaña y el flujo de trabajo que lo conecta todo dentro de lemlist.

Qué es el prompt engineering

El prompt engineering es la práctica de escribir y refinar instrucciones (llamadas prompts) para que un modelo de IA genere el resultado que realmente quieres. MCP (Model Context Protocol) es un estándar abierto que permite a los agentes de IA llamar herramientas externas (lemlist MCP | Conecta agentes de IA con outreach de ventas y datos de leads), pero antes de que nada de eso importe, el prompt en sí tiene que estar bien. La forma en que redactas una solicitud influye directamente en la calidad de lo que obtienes. IBM lo define como el proceso de escribir, refinar y optimizar las entradas para obtener resultados específicos y de alta calidad de sistemas de IA generativa.

Si le pides a un modelo que "escriba un email en frío", obtienes algo genérico. Si le dices quién es el prospecto, qué le importa y cuánto debe durar el email, el resultado cambia por completo. Esa distancia entre lo vago y lo específico es toda la habilidad en pocas palabras.

Tip: trata un prompt menos como una búsqueda y más como el brief que le darías a un rep nuevo en su primer día.

Por qué el prompt engineering importa para los equipos de ventas

El outreach escrito con IA ya aparece en casi todas las bandejas de entrada, lo que significa que la mayoría de los prospectos ven mensajes que suenan igual. Los reps que destacan no suelen vender un producto mejor. Están usando mejores prompts.

Siendo honesto: el prompting por sí solo no salva una mala lista ni una oferta débil. Si le estás escribiendo a las personas equivocadas, un prompt más afilado solo hace que te ignoren más rápido. Pero cuando el targeting es correcto, el prompt es donde está la palanca.

Imagina diez SDRs escribiendo "escribe un email en frío para un VP de Ventas" en la misma herramienta. El resultado se ve casi idéntico en los diez. Un prompt construido con contexto del prospecto, límites de tono y un objetivo claro le da al modelo algo con qué trabajar, y el resultado se lee como si hubiera investigación real detrás. lemlist tiene una calificación de 4,6/5 en G2 con más de 2.000 reseñas, y un tema recurrente es que la personalización con IA solo funciona tan bien como los datos que le das.

Esa diferencia se acumula rápido:

  • Un buen prompt puede generar cientos de emails personalizados en todo tu pipeline

  • Un mal prompt repetido cien veces solo agrega ruido a la bandeja de entrada

Cómo funciona el prompt engineering

Componentes de un prompt

Todo prompt, ya sea un email en frío o un resumen para LinkedIn, parte de los mismos bloques básicos. No los vas a usar todos cada vez, pero saber qué tienes disponible te ayuda a escribir mejores entradas.

Componente

Qué hace

Ejemplo en ventas

Instrucción

Le dice al modelo qué hacer

"Escribe un email en frío de 2 oraciones"

Contexto

Aporta información de fondo que el modelo no tiene

"Esta empresa acaba de cerrar una Serie B"

Ejemplos

Muestra cómo se ve un buen resultado

Un email de ejemplo con el tono de tu marca

Formato

Define estructura y extensión

"Máximo 3 oraciones, sin línea de asunto"

Restricciones

Marca límites de tono o contenido

"Sin signos de exclamación"

Cuantos más de estos incluyas, menos tiene que adivinar el modelo. Y cuando adivina, casi siempre cae en lo genérico.

Cómo procesan tus prompts los LLMs

Un LLM funciona como un motor de predicción. Lee tu entrada pieza por pieza y predice el siguiente token, un fragmento de palabra, basándose en patrones aprendidos durante el entrenamiento.

Por eso el orden de las palabras y la especificidad pesan tanto. Mueve una restricción del final del prompt al inicio y el resultado puede cambiar notablemente. Piensa en ello como dirigir una predicción, no como programar una máquina.

Técnicas de prompt engineering para outreach de ventas

Antes de entrar en las cinco técnicas que más uso, una nota sobre el panorama general. Las guías de Google Cloud y promptingguide.ai cubren ocho o más técnicas, incluyendo self-consistency, Tree of Thoughts, ReAct y meta-prompting. Vale la pena entenderlas si trabajas en investigación de IA o construyes pipelines de agentes complejos. Pero para outreach de ventas, las cinco de abajo hacen el trabajo pesado.

Prompting zero-shot y few-shot

El prompting zero-shot le pide al modelo que complete una tarea usando solo su entrenamiento, sin ejemplos. El prompting few-shot agrega un par de entradas y salidas de muestra dentro del prompt para guiar el estilo.

El zero-shot funciona bien para tareas simples y bien definidas, como resumir un perfil de LinkedIn en dos oraciones. El few-shot tiende a rendir mejor cuando quieres que el resultado tenga un tono específico: pega dos de tus mejores emails en frío y pide uno nuevo con el mismo estilo.

Role prompting

Darle al modelo una persona cambia cómo escribe. Empieza con "Eres un SDR experimentado que le vende a compradores SaaS de nivel VP" y el vocabulario cambia en comparación con una solicitud plana.

El role prompting asigna al modelo un rol que define el tono y estilo antes de que genere cualquier cosa. Haz la misma solicitud con y sin un rol asignado, y compara los dos resultados. La diferencia suele ser obvia.

Prompting de cadena de pensamiento

El prompting de cadena de pensamiento le pide al modelo que razone paso a paso antes de llegar a una respuesta final. En vez de saltar directo a una conclusión, trabaja la lógica primero.

Esto ayuda con tareas que requieren juicio. Prueba: "Revisa el LinkedIn y la página de la empresa de este prospecto. Primero, identifica un probable punto de dolor de su equipo. Luego escribe un email en frío que aborde ese punto de dolor." El paso de razonamiento extra suele afinar el resultado final.

Prompting con recuperación de datos

La mayoría de las guías de prompt engineering cubren la Generación Aumentada por Recuperación (RAG) como una técnica independiente, y con razón. Cuando inyectas datos reales y recuperados en un prompt antes de que el modelo genere su respuesta, el resultado se basa en hechos, no en suposiciones.

En un contexto de ventas, esto significa traer notas del CRM, datos del perfil de LinkedIn, noticias recientes de la empresa o transcripciones de llamadas pasadas al prompt. El enriquecimiento agéntico con IA de lemlist hace esto a escala: los agentes de IA analizan páginas clave para entender cómo se posiciona una empresa, leen perfiles de LinkedIn para extraer historial de roles y trayectoria profesional, y detectan señales como contrataciones o lanzamientos (enriquecimiento agéntico con IA de lemlist) (enriquecimiento agéntico con IA de lemlist). Los datos enriquecidos fluyen directo a tus variables de prompt, así que el modelo escribe con un contexto que un prompt genérico nunca tendría.

Encadenamiento de prompts para flujos de trabajo de varios pasos

El encadenamiento de prompts divide una tarea compleja en una secuencia de prompts conectados, donde cada salida alimenta la siguiente. Una cadena típica de ventas podría verse así:

  1. Investigar la empresa y el rol del prospecto

  2. Identificar un punto de dolor relevante a partir de esa investigación

  3. Redactar un primer email basado en ese punto de dolor

  4. Construir una secuencia de seguimiento a partir de ese email

Hazlo manualmente, o pásale toda la cadena a lemlist MCP, que la ejecuta desde Claude, Cursor o Windsurf. MCP es un estándar abierto que permite a los agentes de IA llamar herramientas externas. El servidor MCP de lemlist expone más de 40 acciones: búsqueda de leads, enriquecimiento, creación de secuencias, gestión de campañas. Tu agente gestiona el outbound de punta a punta desde un solo prompt. (lemlist MCP | Conecta agentes de IA con outreach de ventas y datos de leads)

Cómo escribir prompts efectivos para outreach de ventas

  1. Define tu objetivo y formato. Indica qué quieres, un email en frío o un mensaje de LinkedIn, y la forma exacta que debe tener. Si te saltas este paso, el modelo rellena los vacíos con sus propias suposiciones.

  2. Agrega contexto específico del prospecto. Un prompt sin datos del prospecto produce una plantilla. Uno con datos firmográficos o un evento reciente produce algo que suena investigado. Los agentes de enriquecimiento de lemlist extraen este tipo de detalle de LinkedIn y sitios de empresas de forma automática.

  3. Define el tono y los anti-patrones. Dile al modelo qué evitar con la misma claridad que lo que debe incluir: "sin preguntas retóricas, sin signos de exclamación". La mayoría de los resultados débiles ocurren porque el prompt dice lo que quiere pero nunca dice lo que no.

  4. Itera según el resultado. Trata esto como un ciclo, no como una tarea de un solo intento. Por lo general, una o dos rondas de ajuste te llevan de lo genérico a algo que vale la pena enviar.

Ejemplos de prompts para email en frío, LinkedIn y seguimientos

Email en frío:

"Eres un SDR que vende [producto] a [ICP]. Escribe un email en frío de 3 oraciones para [nombre], [cargo] en [empresa]. Su empresa recientemente [evento disparador]. Enfócate en [punto de dolor]. Sin preguntas retóricas, sin signos de exclamación."

Cambia las variables entre corchetes por cada prospecto. La estructura se mantiene fija mientras los detalles cambian, y eso es lo que hace que el resultado se sienta personal incluso a volumen.

Nota de conexión en LinkedIn:

"Escribe una nota de conexión en LinkedIn de menos de 200 caracteres para [nombre], [cargo] en [empresa]. Referencia [contexto compartido]. Sin pitch, solo un motivo para conectar."

Los seguimientos mejoran con un evento disparador, como un cambio de trabajo o un post relevante que el prospecto compartió. Eso le da al modelo algo concreto en vez de un "solo quería saber cómo estás" genérico.

"Escribe un seguimiento de 2 oraciones para [nombre], que no respondió a mi primer email. Referencia [evento disparador]. Da una razón específica para retomar la conversación."

Errores comunes de prompt engineering que afectan la tasa de respuesta

  • Si no incluyes contexto del prospecto, el modelo solo puede adivinar la personalización.

  • Si no pones un límite de extensión, espera párrafos largos y genéricos.

  • Sobrecargar un solo prompt con investigación, calificación y copy al mismo tiempo tiende a debilitar cada parte del resultado. Mejor encadena prompts separados.

  • Si no excluyes las frases trilladas desde el inicio, van a aparecer igual.

  • Si tratas el primer borrador como la versión final, vas a enviar algo a medio hacer. Los primeros resultados son un punto de partida.

Cómo crear una biblioteca de prompts para tu equipo de ventas

Una biblioteca útil cubre los flujos de trabajo que tu equipo usa a diario: prospección por canal, seguimientos, manejo de objeciones, preparación de llamadas y reportes. Cada entrada tiene variables claramente marcadas para que cualquier rep pueda meter sus propios datos y usarla de inmediato.

Guarda la biblioteca donde tu equipo ya trabaja, un documento compartido o dentro de tu plataforma de outbound. Las AI Variables son el bloque de construcción manual de prompts en lemlist. Tú escribes un prompt y lemlist lo ejecuta en todos tus leads. Son una parte de Smart Messaging, la IA de lemlist para generar secuencias de outbound completas. (6 formas de usar las AI Variables de lemlist para personalizar el outreach a escala (2026)) Puedes explorar la biblioteca de prompts preconstruidos dentro de la app, elegir una plantilla y ejecutarla contra tus leads sin salir de lemlist. Etiqueta las entradas por canal y segmento de ICP, y revisa cada mes: retira lo que esté ligado a mensajes desactualizados y agrega lo que algún rep descubra que funciona.

De escribir prompts a hacer outbound con prompts

Escribir buenos prompts te lleva a la mitad del camino. El verdadero resultado aparece cuando un prompt dispara una acción real: encontrar leads, enriquecer contactos, armar una secuencia, lanzar una campaña.

lemlist MCP conecta Claude, ChatGPT y agentes de IA con más de 600 millones de leads, campañas multicanal y flujos de trabajo de outreach automatizados. (lemlist MCP | Conecta agentes de IA con outreach de ventas y datos de leads) En vez de mover datos entre pestañas, describes un resultado, algo como "encuentra CMOs de SaaS en EE.UU. que hayan cerrado ronda recientemente, enriquécelos y lanza una secuencia de 3 pasos", y el agente lo ejecuta.

MCP requiere una configuración local del cliente (Claude Desktop, Cursor, etc.). Claude Skills es la alternativa sin configuración. Ve a lemlist.com/claude-skills, escribe tu solicitud y Claude la ejecuta directo en el navegador. Mismo poder, cero configuración. (lemlist MCP | Conecta agentes de IA con outreach de ventas y datos de leads) Si tus reps no quieren configurar un cliente MCP, Claude Skills les da el mismo flujo de prompt-a-acción sin instalar nada.

Tu turno

El prompt engineering para ventas no se trata de dominar la teoría de IA. Se trata de escribir briefs más claros, alimentar mejores datos y conectar el resultado con una acción que realmente mueva el pipeline.

Empieza con una plantilla de este post. Cárgala con contexto real de un prospecto. Ejecútala contra diez leads y lee cada resultado antes de enviar. Ese ciclo, escribir → probar → ajustar, es toda la habilidad.

¿Quieres gestionar todo tu outbound desde un solo prompt? Comienza una prueba gratis de 14 días. Sin tarjeta de crédito, cancela cuando quieras.

Lanza campañas outbound con IA

Automatiza tu prospección y personaliza secuencias con IA para conseguir más reuniones.

Preguntas frecuentes

Glassdoor indica un salario anual medio cercano a los $126.000 a diciembre de 2025, con sueldos base en EE. UU. que van de $95.000 a $206.000 según el nivel jerárquico. Para la mayoría de los equipos de ventas, capacitar a los representantes actuales para escribir buenos prompts genera más valor que contratar a alguien específicamente para ese rol.

Va camino a serlo. El outreach generado con IA ya es práctica estándar, y los representantes que escriben mejores prompts suelen conseguir tasas de respuesta más altas que los que usan los inputs por defecto.

La ingeniería de prompts cambia lo que le das al modelo. El fine-tuning cambia el modelo en sí, reentrenándolo con datos personalizados. Eso hace que los prompts sean la opción más barata y rápida para la mayoría de los equipos.

Sí. lemlist MCP te permite configurar un prompt una sola vez y ejecutar todo el flujo de trabajo (búsqueda, enriquecimiento, personalización, lanzamiento) de forma automática. El prompt se convierte en el disparador; la plataforma se encarga del resto.

No necesitas conocimientos técnicos. Las habilidades clave son las mismas que hacen efectivo a cualquier representante: tener claro a quién te diriges, por qué debería importarles y qué quieres que hagan después. Si puedes escribirle a un colega un buen brief para un email en frío, puedes escribir un prompt. La curva de aprendizaje está en crear el hábito de especificar contexto, restricciones y formato cada vez, en lugar de lanzar una solicitud vaga y esperar que la IA rellene los huecos.
Rémi Kokabi

Rémi Kokabi

Co-founder @GTM Club

Compartir