Prompts de costes con IA en los que un especialista en costes confía de verdad
Controllers, directores financieros y equipos de finanzas ya le piden a ChatGPT, Claude, Gemini y Copilot que "construyan mi modelo de costes" o que "me ayuden con el presupuesto y la previsión". La mayoría obtiene una respuesta segura de sí misma, construida sobre cifras inventadas. Este hub te da lo contrario: prompts que escribimos y probamos como especialistas en coste y rentabilidad, cada uno con un ejemplo resuelto, una salvaguarda anti-alucinaciones y una nota honesta sobre lo que la IA puede y no puede hacer con tus datos.
Probado en los asistentes de IA actuales. Actualizado en junio de 2026.
En resumen
Un asistente de IA es excelente para darte la estructura de un modelo de costes, explicar un método y hacer la aritmética una vez que le facilitas los datos. Es peligroso cuando le dejas adivinar los datos, porque los grandes modelos de lenguaje producen texto estadísticamente plausible, no hechos verificados. La solución es un prompt bien construido: dale un rol, dale tus cifras reales en una tabla, pídele que muestre cada fórmula y prohíbele inventar números. Los prompts de este hub hacen exactamente eso. No sustituyen a un modelo construido sobre tus propios datos y validado por un especialista, pero te dan un primer borrador limpio y evitan que confíes en uno fabricado.
Por qué "construye mi modelo de costes" suele salir mal
Hicimos la prueba para que tú no tengas que hacerla. Le dimos a un asistente de IA de primer nivel una sola línea: "Ayúdame a construir un modelo TDABC para mi empresa." La respuesta fue elocuente y el método era correcto. El problema fue todo lo que se inventó por el camino: asumió un departamento que costaba 560.000 al año, 28 empleados, una tasa de 0,08 por minuto y tiempos de actividad de 8, 44 y 50 minutos. Nada de eso procedía de ningún negocio real. Y terminó pidiendo los datos que debería haber pedido al principio, lo que significa una segunda ronda completa de conversación antes de obtener algo utilizable.
En un uso informal eso es inofensivo. En finanzas no lo es. Una tasa fabricada que parece razonable es exactamente el tipo de número que sobrevive hasta llegar a un dossier para el consejo. La disciplina que separa una respuesta útil de una arriesgada no es la herramienta. Es el prompt.
Después le dimos al mismo asistente un prompt estructurado: un rol claro, las cifras reales del departamento en una tabla breve, una instrucción paso a paso para mostrar cada fórmula y una regla, no inventes nada, señala cada supuesto. Devolvió un modelo de Costes Basados en Actividades y Tiempos (TDABC) completo y auditable en una sola pasada, con las cuentas correctas y ocho supuestos listados a la vista. Misma herramienta, misma tarea, un resultado distinto, porque el prompt hizo el trabajo.
Una palabra sobre los tokens, con honestidad
Verás afirmaciones de que los buenos prompts "ahorran un 90% de tokens". No es lo que encontramos, y no vamos a fingir lo contrario. Una sola petición vaga y una sola petición estructurada consumen un número similar de tokens. El coste real de un prompt vago es distinto y peor:
- Desperdicia una ronda. Un prompt vago tiene que volver a pedirte los datos, así que pagas por dos conversaciones en lugar de una.
- Inventa cifras. Los tokens que gasta se gastan produciendo números que luego tienes que detectar y eliminar.
- Un prompt estructurado acierta a la primera. Una pasada, aritmética correcta, supuestos señalados, nada que deshacer.
Escala aproximada, texto en inglés: unos 4 caracteres equivalen a 1 token, y 100 tokens son unas 75 palabras (fuente: OpenAI). El portugués y el español usan más tokens por palabra. Los recuentos exactos dependen del modelo, así que trata cada cifra de tokens de este sitio como aproximada.
La biblioteca de prompts
Cada página de abajo te da un prompt listo para copiar, un ejemplo resuelto sencillo para que veas lo que produce, una nota aproximada de tokens y una salvaguarda anti-alucinaciones. Empieza por la tarea que tienes hoy.
Por tarea
Por rol
Lee esto primero
Qué asistente de IA para el trabajo de costes
Cualquiera de estos puede ejecutar los prompts de este hub. Se diferencian en cuántos datos pueden retener a la vez, en lo bien que manejan archivos y en dónde residen tus datos. Esta es una foto de junio de 2026; los modelos y los precios cambian rápido, así que comprueba la versión actual antes de comprometerte.
| Plataforma | Fabricante | Ventana de contexto | Subida de archivos | Mejor para finanzas |
|---|---|---|---|---|
| ChatGPT | OpenAI | ~128K | Sí | Ecosistema más amplio, GPTs personalizados para tareas recurrentes |
| Claude | Anthropic | 200K a 1M | Sí | Mayor contexto práctico, sólido en documentos largos y razonamiento cuidadoso |
| Gemini | 1M | Sí | Contexto enorme, nativo en Google Sheets y Docs | |
| Microsoft Copilot | Microsoft | ~128K | Sí | Vive dentro de Excel y los archivos de Office que ya usas |
| Perplexity | Perplexity | Variable | Sí | Investigación con fuentes citadas |
| Mistral (Le Chat) | Mistral | 128K a 256K | Sí | Bajo coste y residencia de datos en la UE para trabajo sensible al RGPD |
| DeepSeek | DeepSeek | ~128K | Sí | Coste de API muy bajo para análisis de alto volumen |
| Grok | xAI | 131K a 256K | Limitado | Señal de mercado y social en directo desde X |
| Meta Llama | Meta | ~128K | Vía herramientas | Pesos abiertos, autoalojable sin dependencia de un proveedor |
| Notion AI | Notion | Heredado | Sí | Dentro de tu espacio de trabajo y tus bases de datos de Notion |
Fuentes: precios y trackers de modelos publicados en 2026. Verifica el modelo y los límites actuales antes de depender de ellos. No tenemos relación comercial con ninguna de estas plataformas.
Y qué modelo dentro de cada plataforma
La tabla de arriba compara las plataformas. Dentro de las dos que más usamos, la elección no termina ahí: cada una ofrece varios modelos, y el que elija cambia la calidad del razonamiento, la velocidad, y lo que la ejecución le cuesta en tokens. Estos prompts son agnósticos al modelo y corren en cualquier asistente capaz. Construimos y probamos los modelos de nuestros clientes sobre todo en Claude y ChatGPT, así que son los dos de los que podemos hablar con confianza. Los otros funcionan; simplemente tenemos menos kilometraje en ellos para costeo.
Claude Anthropic · preferido, más probado
Claude lee una exportación financiera larga en una sola pasada y es cuidadoso con la aritmética y los supuestos, que es lo que un modelo de costeo necesita. Elija el nivel según lo difícil que sea la tarea.
- Opus 4.8 - el nivel superior. Razonamiento más profundo, ideal para un modelo TDABC multidepartamental completo, una whale curve sobre miles de filas, o una P&L reconstruida sobre varias dimensiones. Más lento y con mayor coste de tokens, así que recurra a él cuando el modelo es complejo y la respuesta tiene que sostenerse ante un consejo de administración.
- Sonnet 5 - la opción equilibrada por defecto. Calidad fuerte con buena velocidad y coste. Adecuado para la mayoría de los modelos de un solo departamento y para el análisis del día a día. Empiece aquí a menos que la tarea sea inusualmente pesada.
- Haiku 4.5 - rápido y económico. Ideal para las pasadas ligeras e iterativas: reformatear una tabla, verificar una fórmula, un análisis de sensibilidad rápido. Itere aquí, y luego confirme el modelo final en Sonnet u Opus.
- Fable 5 - especializado; no es la herramienta para construir un modelo de costes.
ChatGPT OpenAI · preferido, más probado
El ecosistema más amplio, y corre los pasos de cálculo directamente sobre un archivo cargado, lo que es conveniente para costeo en una sola pasada. Ofrece la misma forma de elección que Claude.
- Modelo de razonamiento superior - para los modelos pesados y de varios pasos donde la aritmética y la lógica tienen que estar exactamente correctas. Úselo cuando construye el modelo completo o la P&L multidimensional.
- Modelo más rápido y barato - para iteración y pasadas más ligeras, cuando está afinando tablas o probando un solo supuesto.
- Cargue sus datos y déjelo correr los pasos sobre el archivo en lugar de pegar números a mano.
Gemini Google
- Contexto muy grande y nativo de Google Sheets y Docs, así que conviene a equipos ya en Google Workspace.
- Apúntelo a una hoja con las mismas columnas que el prompt espera.
- Lo hemos probado menos para costeo que Claude y ChatGPT, así que trate su primera pasada como un borrador y verifique la aritmética.
Microsoft Copilot Microsoft
- Su ventaja es la ubicación: vive dentro de Excel y de los archivos Office donde sus cifras ya están.
- Bueno para correr un prompt contra un libro de cálculo sin sacar los datos de su entorno.
- Verifique las cuentas como lo haría con cualquier asistente.
Los demás Perplexity · Mistral / Le Chat · DeepSeek · Grok · Llama
Estos también funcionan, y cada uno tiene una razón para existir: investigación con fuentes citadas, residencia de datos en la UE, bajo coste de API en volumen, señales en tiempo real, self-hosting. Para trabajo de costeo estructurado están en el nivel "también corrió el prompt" y no en nuestro estándar probado. Si usa uno, mantenga la línea de salvaguarda en el prompt y reconcilie el resultado con su libro mayor antes de confiar en él.
Por qué estos prompts son distintos
No somos una empresa de IA. Somos especialistas en coste y rentabilidad que construyen modelos de Costes Basados en Actividades y Tiempos como oficio, y lo hacemos desde 2010. Cada prompt de aquí está escrito en el lenguaje del método, probado en un asistente real y construido en torno a la única regla que importa en finanzas: el modelo es tan bueno como los datos, y los datos tienen que ser tuyos, no la suposición de la máquina. Los prompts te dan un borrador creíble. Cuando necesites un modelo en el que confíen tu consejo, tu auditor o tu comprador, ese se construye sobre tus cifras reales y lo valida una persona.
De un prompt a un modelo que puedes defender
Un prompt te da una estructura y un primer borrador. No puede ver tu libro mayor, conciliar con tus cuentas ni respaldar un número en una disputa. Ese es el trabajo que hacemos nosotros. Tomamos el borrador que un asistente te ayudó a esbozar, sustituimos cada supuesto por tus datos reales, construimos el modelo en CostCtrl para que siga vivo después de terminar el proyecto y te entregamos un resultado que puedes poner delante de cualquiera. Si has usado uno de estos prompts y quieres lo de verdad, esa es la conversación que conviene tener.
Prueba
Un distribuidor en Nueva Zelanda. €1,335M de coste de servir hecho visible, luego reducido a la mitad, y 830 clientes deficitarios reducidos a 295.
Leer el caso →Con quién va a hablar
Miguel Guimarães, Socio fundador
Trabajando en costes y rentabilidad desde hace más de 25 años. Presentó el caso de cost-to-serve de Damco en Managing for Profit (Ámsterdam RAI, diciembre de 2009), en el mismo programa que Robert S. Kaplan.
Llame al +351 910 313 731
