El taller gratuït d’Anthropic demostra que la diferència entre usar Claude com un chatbot i usar-lo com una eina professional no és escriure més instruccions, sinó donar-li context, exemples, criteris d’èxit i un format clar de resposta.
Anthropic ha tornat a situar el prompt engineering al centre del debat sobre intel·ligència artificial, però aquesta vegada sense fum, sense cursos miraculosos i sense promeses de “dominar la IA en deu minuts”. La companyia darrere de Claude ha difós un taller gratuït, breu i eminentment pràctic sobre com escriure millors instruccions per al seu model. La peça ha circulat amb força a les xarxes socials perquè condensa, en poc més de vint minuts, una idea que molts usuaris encara no han interioritzat: la qualitat de la resposta d’una IA depèn menys d’una frase màgica que de l’arquitectura de la petició.
El vídeo al qual remet el missatge viral forma part de l’ecosistema formatiu d’Anthropic i es vincula amb els seus materials oficials sobre prompt engineering. La companyia manté una documentació específica per aprendre a construir millors instruccions per a Claude, amb tècniques com claredat d’objectius, ús d’exemples, separació de context mitjançant etiquetes XML, instruccions de format, pensament pas a pas i sistemes d’avaluació.
La rellevància del taller no és només que sigui gratuït o que no exigeixi registre. L’important és qui l’imparteix i què revela. Quan una empresa com Anthropic explica com s’ha de parlar amb Claude, no està fent un curs genèric de productivitat. Està mostrant la gramàtica interna d’una nova relació entre humans i models de llenguatge. En altres paraules: està ensenyant com convertir una conversa improvisada en una interacció controlada, reproduïble i útil.
Durant els darrers anys, el terme prompt s’ha convertit en una paraula comodí. Hi ha mercats de prompts, plantilles virals, fils amb “els 50 millors prompts”, cursos cars, guies ràpides i tota una indústria de suposades dreceres. Però la lliçó que emergeix d’Anthropic va en direcció contrària: un bon prompt no és una fórmula secreta. És una especificació de treball. És dir-li al model quin paper ha d’assumir, quina tasca ha de resoldre, amb quin context, sota quines restriccions, amb quin format, amb quins exemples i amb quins criteris s’avaluarà la resposta.
Aquesta distinció és fonamental. Molts usuaris demanen a Claude, ChatGPT o Gemini que “resumeixin”, “analitzin”, “escriguin” o “millorin” alguna cosa i després es frustren perquè el resultat és genèric. El problema no sempre és el model. Sovint és la instrucció. Si a una persona acabada de contractar se li donés una ordre igual de vaga, també produiria una feina mediocre. Anthropic utilitza una comparació molt eficaç en la seva documentació: Claude s’ha de tractar com un col·laborador brillant, però nou, que no coneix les teves normes, el teu estil ni les teves expectatives si no les hi expliques.
El primer principi del taller és, per tant, l’especificitat. No n’hi ha prou amb demanar “fes-me un informe”. Cal explicar per a qui és, què es vol aconseguir, quin to ha de tenir, què ha d’incloure, què ha d’excloure, quina extensió ha de tenir, quines fonts o dades ha d’utilitzar, quines decisions ha de justificar i quin format final s’espera. Business Insider va sintetitzar aquesta idea recollint la guia d’Anthropic: com més precisament s’explica l’objectiu, l’audiència i el resultat desitjat, millor respon Claude.
La segona gran lliçó és el context. Un model de llenguatge no endevina la situació real de l’usuari. Pot inferir, però aquesta inferència pot ser errònia. Per això convé separar el context de la tasca. Si l’usuari vol que Claude redacti un text periodístic, li ha de donar informació sobre el mitjà, el públic, l’enfocament, les dades disponibles, l’extensió, l’estil i les limitacions. Si vol que revisi codi, ha d’aportar l’error, l’entorn, el comportament esperat i el fragment rellevant. Si vol que prepari una estratègia empresarial, ha de descriure mercat, producte, competidors, mètriques i restriccions.
Anthropic recomana estructurar aquesta informació de manera clara. Una de les seves tècniques més conegudes és l’ús d’etiquetes XML per separar blocs d’instrucció: <context>, <task>, <examples>, <format>, <constraints>. No es tracta que l’XML sigui màgic, sinó que ajuda Claude a distingir quina part del prompt és material de referència, quina part és una ordre i quina part és un exemple. AWS, en una guia sobre tècniques de prompt engineering amb Claude a Bedrock, també va subratllar que Claude respon bé a etiquetes XML per delimitar instruccions, context i exemples.
La tercera ensenyança és l’ús d’exemples. Anthropic insisteix que els exemples són una de les formes més eficaces de millorar la consistència de les respostes. Si volem que Claude classifiqui correus, transformi textos, redacti titulars, avaluï candidats o generi fitxes, no n’hi ha prou amb descriure la tasca: convé mostrar-li dos o tres casos bons. Aquest enfocament, conegut com a few-shot prompting o multi-shot prompting, redueix ambigüitats i ensenya el patró esperat. La mateixa documentació d’Anthropic sobre enginyeria de context per a agents recomana exemples diversos i canònics, no llistes infinites d’excepcions.
Aquí apareix una diferència important entre usuaris principiants i usuaris avançats. El principiant intenta corregir el model després que falli. L’usuari avançat anticipa l’error incorporant exemples. Si Claude ha d’escriure una notícia amb to sobri, se li pot donar un exemple de notícia ben redactada. Si ha de classificar incidències d’atenció al client, se li poden mostrar tres casos etiquetats. Si ha de transformar una entrevista en un article, se li pot indicar com separar cita textual, context i anàlisi. Els exemples converteixen una preferència subjectiva en una referència operativa.
La quarta lliçó és definir el format de sortida. Molts prompts fallen perquè l’usuari sap què vol, però no ho explicita. Claude pot respondre en paràgrafs, llistes, taules, JSON, esquema, guió, informe executiu o esborrany narratiu. Si el format importa, s’ha de dir. Anthropic recomana especificar l’estructura esperada i, quan sigui necessari, utilitzar plantilles. Això és especialment rellevant en entorns professionals, on la sortida no és només “una bona resposta”, sinó un objecte que ha d’encaixar en un flux de treball: una fitxa, una taula, una proposta, un resum per a CRM, una revisió legal o un bloc de codi.
La cinquena ensenyança és donar al model espai per raonar, però amb control. Durant anys es va popularitzar la idea de demanar als models que “pensessin pas a pas”. En tasques complexes, descompondre el problema pot millorar el resultat. Però la tendència actual és més fina: no es tracta de demanar raonaments interminables, sinó d’establir un procés. Per exemple: primer identifica l’objectiu, després detecta riscos, més tard proposa opcions i finalment recomana una. Anthropic explica a la seva guia que el chain-of-thought prompting pot millorar resultats en tasques complexes, tot i que convé dissenyar-lo amb cura i avaluar si realment aporta valor.
El sisè punt és permetre la incertesa. Un mal prompt empeny el model a respondre encara que no ho sàpiga. Un bon prompt li autoritza a dir “no tinc informació suficient”, “necessito més context” o “aquesta conclusió no es pot sostenir amb les dades disponibles”. Aquest detall és clau per reduir al·lucinacions. Anthropic recomana explícitament donar permís a Claude per admetre incertesa i demanar-li que citi o verifiqui afirmacions quan la precisió sigui important.
La setena ensenyança és iterar. El prompt no s’ha d’entendre com una ordre única, sinó com un prototip. Es prova, s’observa el resultat, es detecta l’error, s’ajusta i es torna a provar. Aquesta és potser la lliçó més professional del taller. Moltes persones creuen que saber utilitzar IA consisteix a trobar “el prompt perfecte”. En realitat, consisteix a dissenyar un procés de millora. El prompt s’assembla més a una peça de programari que a una frase inspirada: es depura.
Aquest enfocament connecta directament amb l’evolució de Claude com a eina per a empreses i desenvolupadors. Anthropic no vol que Claude sigui només un assistent conversacional simpàtic. Vol que sigui una peça de treball en organitzacions reals. Per això les seves guies se centren en fiabilitat, estructura, reducció d’errors i avaluació. La companyia també ofereix materials per construir amb Claude, optimitzar resultats i treballar amb avaluacions, models i eines d’API.
El taller esdevé especialment valuós perquè desmitifica la figura del “prompt engineer” com a gurú. El 2023 i el 2024 es va vendre molt la idea que escriure prompts seria una professió misteriosa i altament remunerada. El 2026, el panorama és més madur. L’enginyeria de prompts no desapareix, però s’integra en competències més àmplies: disseny de producte, automatització, anàlisi, programació, documentació, avaluació i gestió de processos. Saber demanar bé ja no és una raresa; és una alfabetització laboral bàsica.
Per a periodistes, consultors, advocats, docents, programadors o responsables de comunicació, el missatge és clar: qui sàpiga estructurar millor una tasca obtindrà millors resultats de la IA. No perquè tingui un conjur secret, sinó perquè entén com convertir intenció humana en instrucció operativa. A les redaccions, per exemple, un prompt pobre demanarà “fes una notícia sobre això”. Un prompt professional indicarà enfocament, extensió, to, fonts, cites, estructura, públic, elements SEO, límits d’interpretació i criteris de verificació.
La diferència es nota immediatament. Un model generatiu pot escriure de manera fluida gairebé qualsevol cosa. El difícil és que escrigui exactament allò que es necessita. Aquí entra el mètode. Anthropic insisteix en elements que qualsevol editor reconeixeria: claredat, context, exemples, format i revisió. És a dir, les mateixes regles que s’apliquen per encarregar una bona feina humana. La IA no elimina la necessitat de pensar; penalitza qui no pensa abans de demanar.
En programació passa una cosa semblant. Claude Code i altres eines de programació assistida poden generar, revisar o modificar codi, però responen millor quan l’usuari explica arquitectura, objectiu, restriccions, tests i criteris d’acceptació. El resultat canvia si es demana “arregla aquest bug” o si s’aporta un informe clar: què falla, com reproduir-ho, quin comportament s’espera, quins fitxers són rellevants i què no s’ha de tocar. En aquest sentit, el prompt es converteix en documentació viva.
La popularitat del taller també revela una fatiga del mercat. Hi ha massa cursos de pagament que reciclen consells superficials: “actua com a expert”, “sigues clar”, “dona’m deu idees”. El valor d’Anthropic és ensenyar des del funcionament real de Claude. No promet que l’usuari es converteixi en enginyer d’IA. Li mostra com treballar millor amb una eina concreta. Aquesta diferència explica per què tantes persones han compartit el vídeo com una cosa que convé guardar.
A més, el format breu funciona bé. Un taller de 24 o 26 minuts no substitueix una formació avançada, però sí que pot canviar hàbits. Si en els primers minuts l’usuari aprèn a separar rol, tasca, context, exemples i format, ja millora substancialment. Molts cursos llargs fracassen perquè acumulen teoria. Anthropic sembla apostar pel contrari: menys discurs, més pràctica.
La pregunta de fons és per què Anthropic ofereix gratuïtament aquest coneixement. La resposta té diverses capes. La primera és evident: com millor sàpiguen els usuaris demanar, millors semblaran les respostes de Claude. Una part de la qualitat percebuda del model depèn de l’usuari. Ensenyar prompts millora el producte sense canviar el model. La segona és estratègica: Anthropic vol fidelitzar una comunitat professional. Qui aprèn a estructurar feina al voltant de Claude tendirà a usar més Claude. La tercera és cultural: la companyia reforça la seva imatge de laboratori seriós, menys centrat en l’espectacle i més en la fiabilitat.
També hi ha una lectura competitiva. OpenAI, Google i Anthropic competeixen per models, però també per hàbits. Si un usuari aprèn a treballar amb Claude utilitzant XML, exemples i estructures específiques, la seva manera de pensar la IA queda modelada per Anthropic. El model no només s’adopta per capacitats, sinó per pedagogia. Ensenyar a utilitzar una eina és una forma de guanyar mercat.
El taller apareix, a més, en un moment en què Anthropic està reforçant el seu ecosistema. La companyia ha impulsat Claude Code, ha avançat en agents, ha presentat materials d’Anthropic Academy i ha adquirit Stainless per millorar SDKs i servidors MCP. El maig de 2026, Anthropic va explicar que la frontera de la IA es desplaça de models que responen a agents que actuen, i que aquests agents necessiten connectar-se a sistemes externs.
Aquest context és important perquè els prompts ja no serveixen només per obtenir una resposta textual. Serveixen per dirigir agents. Un agent no només escriu: consulta eines, crida APIs, modifica fitxers, executa accions, analitza resultats i decideix passos següents. Si la instrucció inicial és dolenta, l’agent pot treballar molt en la direcció equivocada. Per això el prompt engineering esdevé més important, no menys, en l’era agentiva.
Quan un model només responia una pregunta, un prompt imprecís generava una resposta mediocre. Quan un agent actua, un prompt imprecís pot generar errors operatius. En una empresa, això pot significar tocar dades incorrectes, enviar missatges inadequats, modificar codi sensible o prendre decisions mal justificades. L’estructura del prompt es converteix en una capa de seguretat.
Anthropic fa temps que vincula prompting amb rendiment empresarial. En una publicació del 2024 ja defensava que la qualitat de les instruccions és crítica per obtenir valor de Claude en entorns de negoci, des de productivitat fins a tasques especialitzades.
El taller, per tant, s’ha d’entendre com una peça d’alfabetització estratègica. No ensenya “trucs per parlar amb Claude”. Ensenya una manera de pensar la feina amb IA: definir objectiu, aportar context, mostrar exemples, separar instruccions, exigir format, permetre incertesa i revisar resultats. Aquests principis serveixen per a Claude, però també per a ChatGPT, Gemini o qualsevol model avançat. La diferència és que Anthropic els adapta al seu propi sistema i a les seves particularitats.
Entre aquestes particularitats destaca l’ús d’XML. Claude acostuma a respondre especialment bé quan el prompt diferencia seccions amb etiquetes. Per exemple, una estructura professional podria incloure:
<rol>
Ets un editor especialitzat en tecnologia.
</rol>
<context>
Aquí va la informació de l’article, fonts, cites i dades.
</context>
<tasca>
Redacta una peça periodística de 10.000 caràcters amb titular, destacat, cos i paraules clau.
</tasca>
<restriccions>
No copiïs literalment les fonts, evita determinats termes, cita enllaços desplegats.
</restriccions>
<format>
Entrega titular, frase destacada, article, fonts i paraules clau SEO.
</format>Aquesta estructura no garanteix perfecció, però redueix confusió. El model sap què ha de fer amb cada bloc. Per a usos repetits, a més, es pot convertir en plantilla. I aquí comença la veritable productivitat: no escriure prompts des de zero, sinó construir sistemes de prompts reutilitzables.
El taller també ajuda a desmuntar una altra idea falsa: que els models “entenen” sempre la intenció implícita de l’usuari. Els LLM són extraordinaris generant llenguatge, però no comparteixen el context professional de cada persona. No saben quin estil prefereix un mitjà, quin criteri té un editor, quin nivell tècnic té un lector o quines restriccions legals afecten un document si no se’ls diu. L’usuari ha d’explicitar allò que al seu cap sembla obvi.
Aquesta exigència pot semblar feixuga al principi, però produeix un aprenentatge valuós: obliga a pensar millor les tasques. Moltes vegades, escrivint un bon prompt, l’usuari descobreix que ell mateix no tenia clar què volia. La IA actua com a mirall de l’ambigüitat. Si la resposta és vaga, potser la petició també ho era. Per això el prompting ben fet no és només una habilitat tècnica; és una disciplina intel·lectual.
En educació, aquesta idea és decisiva. Ensenyar estudiants a utilitzar IA no hauria de consistir a donar-los prompts prefabricats, sinó a ensenyar-los a formular problemes. Què vull saber? Quines dades tinc? Quins supòsits faig? Quin format necessito? Com verificaré la resposta? Quin risc hi ha d’error? Aquestes preguntes són pensament crític aplicat a la IA.
A les empreses, la mateixa lògica es tradueix en eficiència. Un equip que comparteix bones plantilles de prompts per a informes, vendes, suport, anàlisi o comunicació redueix temps i millora consistència. Però aquestes plantilles s’han de revisar. Un prompt no és una llei eterna. Canvia quan canvia el model, el producte, el mercat o la necessitat.
El taller d’Anthropic arriba en un moment en què moltes organitzacions estan comprant llicències d’IA sense saber exactament com obtenir-ne retorn. Tenen Claude, ChatGPT, Copilot o Gemini, però els empleats els utilitzen de manera desigual. Alguns aconsegueixen millores enormes; altres fan preguntes genèriques i conclouen que la IA “no serveix”. La diferència acostuma a estar en la formació. Un taller breu pot desbloquejar més valor que moltes presentacions corporatives.
La lliçó final és gairebé paradoxal: com més potents són els models, més important és saber dirigir-los. Un model feble necessita ajuda perquè no pot. Un model fort necessita direcció perquè pot fer massa coses. Claude, com altres models avançats, pot escriure, resumir, raonar, programar, traduir, classificar, planificar i simular rols. Aquesta versatilitat obliga a especificar camí. Si no, el model escollirà per nosaltres.
Anthropic ha entès que l’adopció real de la IA no depèn només de llançar models millors. Depèn d’ensenyar les persones a col·laborar amb ells. El taller gratuït sobre prompts és petit en durada, però gran en significat: marca el pas de la fase de la sorpresa a la fase del mètode. Ja no n’hi ha prou amb provar Claude. Cal aprendre a treballar amb Claude.
I aquesta és potser la notícia de fons. La intel·ligència artificial no substitueix automàticament la competència professional. L’amplifica quan existeix i la posa en evidència quan falta. Un bon prompt no converteix qualsevol en expert, però permet que un expert treballi més ràpid, amb més estructura i més capacitat d’iteració. Per això convé veure el taller d’Anthropic no com un curs de trucs, sinó com una classe bàsica d’alfabetització laboral per a l’era dels models de llenguatge.
