JSON fiable de cualquier IA, para que tu automatización no se rompa

En cuanto metes una IA en una automatización, ya no necesitas un bonito resultado en texto corrido, sino datos que una máquina pueda seguir procesando. Casi siempre eso es JSON. Y justo ahí empiezan los problemas. La IA entrega JSON limpio el 90 por ciento de las veces y a la décima le pone delante una amable frase de introducción, mete una coma de más o explica servicialmente lo que acaba de hacer. Tu flujo de n8n o tu script intenta parsear eso, falla, y toda la cadena se para. Este playbook te muestra diez pasos con los que el JSON sale de forma fiable. Nada de magia, solo oficio.

Paso 1, entiende por qué se rompe siquiera

Un modelo de lenguaje genera texto, no estructuras de datos. No tiene una noción incorporada de que una comilla que falta lo estropea todo. Para el modelo, «Claro, aquí tienes tu JSON:» es una frase totalmente natural y amable. Para tu parser es veneno. El primer paso es aceptar que tienes que quitarle activamente al modelo el hábito del texto corrido. Por sí solo no lo hace.

Paso 2, da el formato de destino como ejemplo, no como descripción

No describas con palabras cómo debe verse el JSON, muéstralo. Eso es few-shot prompting aplicado a la estructura. Adjunta un objeto de ejemplo completo al prompt, exactamente tal como lo quieres de vuelta:

Responde exclusivamente con un objeto JSON con exactamente esta forma:
{
  "solicitud": "frase corta",
  "urgencia": 3,
  "respuesta_necesaria": true
}

El modelo copia la forma. Un ejemplo mostrado le gana a tres párrafos de explicación, siempre.

Paso 3, di explícitamente qué NO debe salir

La frase suelta más eficaz de tu prompt es la prohibición de la cortesía. Escríbelo literalmente:

Devuelve SOLO el JSON. Ningún texto de introducción, ninguna explicación,
ninguna code fence, ni una palabra antes o después.

Suena duro y es justo lo que debe ser. La mayoría de las salidas rotas surgen de un «¡Con gusto!» delante o un «Espero que esto ayude» detrás. Si lo prohíbes, casi siempre desaparece.

Paso 4, baja la creatividad

Si tu interfaz de IA conoce un valor de temperatura, ponlo a 0 o cerca. La temperatura controla cuánto tira el modelo los dados. Para escritura creativa quieres tirar los dados, para datos estructurados quieres justo lo contrario, es decir una aburrida previsibilidad. Con temperatura 0 el modelo toma siempre el siguiente bloque más probable, y con un prompt de formato claro el más probable es justo tu JSON.

Paso 5, usa el modo JSON de tu proveedor, si lo tiene

Muchos proveedores de API tienen ya un modo dedicado que garantiza JSON válido, a menudo mediante un esquema fijo. Cómo se llama exactamente ese modo, qué parámetros toma y si tu proveedor ya lo tiene cambia constantemente, así que mira en la documentación de API actual de tu proveedor concreto bajo el término structured output o JSON mode. Si existe el modo, úsalo, porque es más fiable que cualquier truco de prompt. Los bloques de prompt de este playbook siguen teniendo sentido igualmente, porque también surten efecto cuando trabajas a través de la interfaz de chat o de una herramienta sin ese modo.

Paso 6, coloca un paso de validación justo detrás de la IA

No te fíes nunca de la salida a ciegas. Justo después de que la IA haya respondido, intenta parsear el resultado y comprobarlo contra tu esquema esperado. En n8n lo haces con un code node, en un script con un JSON parse dentro de un try-catch. La pregunta es simple: ¿es JSON válido y tiene los campos que espero? Si sí, sigue. Si no, ve al paso 7.

Paso 7, monta un bucle de reintento con el mensaje de error

Este es el paso que convierte un montaje tembloroso en uno robusto. Si el parseo falla, envía la respuesta rota de vuelta a la IA junto con el mensaje de error:

Tu última respuesta no era JSON válido.
Error: {mensaje_de_error_del_parser}
Devuelve la respuesta de nuevo, esta vez como JSON válido puro,
sin ningún texto adicional.

Los modelos son sorprendentemente buenos corrigiendo su propio error cuando les muestras el mensaje de error concreto. Limita el bucle a dos o tres intentos, después corta y aparta el caso para una revisión manual. Un bucle infinito que quema dinero es peor que un fallo.

Paso 8, desactiva de antemano las trampas de formato típicas

Un par de clásicos que aparecen una y otra vez. Las code fences, es decir los tres backticks con json delante, el modelo tiende a envolver la salida con ellas. Si no puedes prohibirlas por prompt, simplemente córtalas en tu paso de validación antes de parsear. Los comentarios en JSON son inválidos, prohíbelos explícitamente. Y los umlauts alemanes en los nombres de campo a veces dan problemas, mantén tus claves en inglés y en minúscula, los valores pueden ir en alemán.

Paso 9, prueba con los casos feos, no con los fáciles

Tu montaje pasa con el correo estándar, claro. La cosa se pone interesante con los casos límite. Una entrada vacía. Una entrada en otro idioma. Una entrada que no encaja en ninguna de las categorías esperadas. Construye una prueba para cada uno de estos casos y mira si igualmente sale JSON válido. Lo mejor es que definas en el prompt qué debe pasar cuando el modelo está inseguro, por ejemplo poner un campo a null en lugar de adivinar. Si no, la IA se inventa un valor y tu automatización procesa basura sin darse cuenta.

Paso 10, registra las salidas en bruto durante las primeras semanas

Durante las primeras dos o tres semanas, guarda por escrito cada respuesta en bruto de la IA, también las que pasaron. Así ves cuántas veces entra de verdad en juego el bucle de reintento y qué entradas dan problemas. Si por ejemplo notas que 8 de cada 100 respuestas necesitaron un segundo intento, sabes que tu prompt aún tiene margen de mejora. Si son 40 de cada 100, algo fundamental no cuadra y vuelves al paso 2. Sin este registro andas a ciegas y notas los problemas solo cuando un cliente se queja.

Qué viene ahora

Cuando tu JSON esté fiable, el siguiente paso lógico es colgarlo en una automatización de verdad. Para eso está el Nivel 3, en especial el capítulo Integrar la IA en tu automatización. Y si no quieres teclear de nuevo cada vez los ejemplos y bloques de prompt de este playbook, móntate una biblioteca de prompts, tal como se describe en el playbook del mismo nombre. Un prompt de JSON fiable vale oro, no querrás inventarlo dos veces.

Fuente

Los modos de JSON y structured output de cada proveedor cambian con frecuencia. Comprueba siempre los parámetros concretos en la documentación oficial de tu proveedor antes de dejarlos cableados fijos:

• Anthropic Claude: https://docs.claude.com/en/docs/build-with-claude/tool-use/overview
• OpenAI: https://platform.openai.com/docs/guides/structured-outputs

Los bloques de prompt de este playbook son independientes del proveedor y funcionan también sin un modo de API dedicado, por ejemplo en la interfaz de chat normal.