Cómo enseñar a ChatGPT tu estilo de escritura una sola vez (y mantenerlo) (2026)

Una muestra te da un buen borrador

Pegar muestras funciona dentro de una sola conversación porque las muestras están literalmente en el contexto; el modelo puede verlas mientras escribe. Por eso el primer intento suele ser impresionante y engañoso. Nada en esa conversación guarda las muestras para la próxima vez; cuando termina el hilo, también lo hace la calibración.

Eso no es un fallo de memoria, es cómo funciona una ventana de contexto. Las muestras eran material de trabajo para una sola solicitud.

La aritmética no cuadra en el campo

Supongamos que intentas hacerlo permanente pegando muestras en las instrucciones personalizadas. Tres párrafos de prosa representativa equivalen aproximadamente a entre 1,200 y 1,800 caracteres. En las versiones Free o Go, ese sería todo tu presupuesto, sin dejar espacio para las instrucciones reales. En Plus o Pro, obtendrías quizás unos ocho párrafos, lo suficiente para demostrar un registro en un solo tema, sin espacio para las reglas que le dicen a ChatGPT qué hacer con ellos.

Además, las muestras en un campo de configuración son la codificación menos eficiente posible: estás gastando todo tu presupuesto en datos de los cuales el modelo tiene que deducir reglas cada vez, en lugar de gastarlo en las reglas mismas.

Un archivo de muestra subido tampoco se recuerda

El siguiente intento es subir un documento con tus textos. Esto ayuda en la conversación en la que lo subes, pero no persiste como memoria después; el límite descrito en por qué ChatGPT olvida los archivos subidos.

Los Projects cambian esto un poco, ya que los archivos del proyecto persisten dentro del mismo y la memoria del proyecto está limitada a él. Esa es una opción real para un único cuerpo de trabajo continuo, con la desventaja de que un proyecto está aislado: OpenAI documenta que los proyectos compartidos no tienen acceso al contexto o a las memorias de los miembros fuera del proyecto, y una vez compartido, el modo de memoria de un proyecto "no se puede revertir a la memoria predeterminada". Útil, acotado, pero no es una respuesta general; consulta por qué los ChatGPT Projects no comparten memoria.

La memoria nota tu estilo, pero no lo reproduce

La memoria sí capta algo sobre cómo escribes, ya que OpenAI la describe como "una síntesis continuamente actualizada del contexto de tus chats anteriores". Una síntesis es un resumen, y los resúmenes de estilo se traducen en adjetivos: "prefiere una escritura concisa y directa". Eso es una descripción de tu estilo, no una especificación del mismo, y los adjetivos son exactamente lo que produce ese registro genérico-competente que todo el mundo reconoce.

Tampoco puedes auditarla con precisión; la documentación señala que el resumen "no incluirá todo lo que ChatGPT recuerda basándose en tus chats" y sugiere preguntar en el chat si quieres saber si algo está guardado. Está bien para una preferencia. Es insuficiente para un estilo de escritura.

"Escribe como yo" con muestras, cada vez. Funciona, cuesta tokens en cada conversación y depende enteramente de tus hábitos. Es el impuesto descrito en dejar de volver a explicar el contexto a tu IA.

Un documento de guía de estilo en el chat. Mejor que las muestras en cuanto a eficiencia de tokens, pero sigue siendo por conversación y, por lo general, está escrito en prosa que el modelo tiene que interpretar en lugar de reglas que pueda verificar.

Llenar el campo de instrucciones con adjetivos. "Escribe con una voz clara, atractiva, conversacional y autoritaria". Cada una de esas palabras significa algo diferente para un modelo que para ti, y juntas se anulan entre sí. Así es como obtienes un resultado que suena igual al de todos.

Crear un GPT de estilo. Una idea razonable: un GPT personalizado con tus muestras como Knowledge (Conocimiento). Dos cosas que debes saber primero: los GPT utilizan el Knowledge subido como referencia, que es lo que quieres, pero según OpenAI, "los GPT no utilizan la memoria guardada, las instrucciones personalizadas ni las conversaciones anteriores. Cada conversación comienza desde cero", por lo que tus otras preferencias no se transfieren. Y a partir de ahora, la creación y publicación de nuevos GPT "no están disponibles en cuentas personales de ChatGPT, incluidas Free, Go, Plus y Pro".

Fine-tuning (ajuste fino). Excesivo para un estilo de escritura, y no ayuda en el producto ChatGPT donde realmente estás trabajando.

La estrategia que funciona es una conversión. Lo haces una vez, te lleva unos treinta minutos y produce dos elementos: un conjunto corto de reglas que cabe en el campo de instrucciones y una biblioteca de muestras que permanece disponible para su calibración.

Paso A: Extrae las reglas de tu propia escritura. Toma tres textos que te gustaría clonar. Luego, extrae reglas en estas categorías, ya que son las que cambian visiblemente el resultado:

• Ritmo de las oraciones. Longitud promedio y si mezclas oraciones cortas y largas. "La mayoría de las oraciones deben tener menos de 20 palabras; usa una oración corta por párrafo para dar énfasis".
• Persona y postura. Primera persona del singular o del plural, si te diriges al lector como "tú" o "usted", si haces afirmaciones categóricas o si matizas.
• Política de matización. Esta es la regla de mayor impacto que la mayoría de la gente nunca escribe. "Evita 'cabe destacar', 'podría decirse', 'en muchos casos'. Haz la afirmación directamente o elimínala".
• Introducciones. Con qué nunca debes empezar. "Nunca comiences con una definición, una pregunta retórica o 'En el mundo de hoy...'".
• Estructura. Si usas encabezados, qué tan largos son los párrafos, si te gustan las listas o si las evitas.
• Vocabulario prohibido. Las palabras específicas que no utilizas. Cada escritor tiene una lista; ponerla por escrito vale más que cualquier instrucción positiva.
• Hábitos de puntuación. Guiones largos, puntos y comas, paréntesis: indica cuáles usas y cuáles no.
• Estilo de evidencia. Si citas números, mencionas fuentes directamente en el texto o argumentas a partir de ejemplos.

De ocho a doce reglas con esa estructura caben cómodamente en 1,500 caracteres y, a diferencia de los adjetivos, cada una de ellas es verificable.

Paso B: Mantén las muestras donde puedan ser recuperadas. Las reglas te llevan al 80% del camino; las muestras calibran el resto. Simplemente no pertenecen a un campo de configuración. Para eso sirve MemoryLake aquí: una capa de memoria de la que leen tus asistentes, que contiene tus reglas de estilo, tu biblioteca de muestras y las notas sobre qué registro se aplica a qué tipo de escritura. La configuración consta de tres pasos.

Paso 1: Crea una clave API

Inicia sesión en MemoryLake y crea una clave API. Una sola credencial para todas las herramientas que conectes; vale la pena señalarlo porque la escritura rara vez ocurre en un solo asistente.

Paso 2: Sube tus primeras memorias

Sube el conjunto de reglas como entradas individuales, una regla por entrada, para que la recuperación devuelva las relevantes en lugar de un bloque de texto. Luego, añade la biblioteca de muestras y —esta es la parte que la gente suele saltarse— una breve nota por muestra que indique qué ejemplifica: "este es mi registro para explicaciones técnicas", "así es como escribo cuando rechazo una mala idea". Diferentes tareas necesitan diferentes registros, y las muestras sin etiquetar se promedian en una mezcla sin personalidad.

Añade también los ejemplos negativos. Un párrafo que reescribiste porque sonaba genérico, con una nota de una sola línea sobre lo que estaba mal, enseña más que tres muestras buenas.

Paso 3: Conecta tu IA y tus agentes

Conecta las herramientas en las que escribes. MemoryLake es accesible a través de MCP y de una API, por lo que los agentes nativos de MCP —incluidos Claude Code, Codex y OpenClaw— se conectan apuntando al servidor MCP, y otros asistentes leen la misma memoria a través de la API. Mantén las ocho a doce reglas en tu campo de instrucciones personalizadas como la capa siempre activa; las muestras y las notas de registro entrarán en juego cuando la tarea lo requiera.

Dos límites honestos: una capa de memoria no hace que un modelo escriba como tú, sino que elimina la necesidad de volver a pegar y adivinar; las reglas que escribes siguen siendo las que hacen el trabajo. Y nada aquí es una imposición: las instrucciones de estilo moldean el resultado, no lo garantizan, en ningún asistente.

El primer borrador empieza más cerca. No perfecto, pero sí más cerca. La diferencia medible es la cantidad de edición que tienes que hacer, y las reglas la reducen más que las muestras porque las reglas no son ambiguas.

Tus prohibiciones realmente se cumplen. El mayor salto de calidad para la mayoría de las personas es una lista específica de palabras e introducciones que el modelo no debe usar. Los adjetivos nunca logran esto; una lista de prohibiciones sí.

El registro deja de ser aleatorio. Con muestras etiquetadas, "escribe esto como una explicación técnica" y "escribe esto como una nota interna corta" producen resultados genuinamente diferentes en lugar de la misma voz neutra de siempre.

El campo de instrucciones deja de desbordarse. Las reglas son compactas. Una vez que las muestras viven en otro lugar, tienes espacio para las reglas y tus otras preferencias, sin tener que sacrificar unas por otras.

La misma voz funciona en otras herramientas. Las instrucciones personalizadas son exclusivas de ChatGPT y, según OpenAI, no tendrán una API: "No habrá API para las instrucciones personalizadas". Una capa de estilo portátil es la única forma de que tu voz te acompañe, ya sea que estés redactando en un chat o en un editor de código. La versión de este mismo problema en Claude es por qué Claude olvida tu estilo de escritura.

Escribe reglas, no adjetivos. Si dos personas pudieran leer tu instrucción y producir resultados diferentes, aún no es una regla.

Empieza con las prohibiciones. Lo que nunca haces es más distintivo que lo que haces, y más fácil de cumplir. Las listas de prohibiciones son la parte de mayor rendimiento de cualquier especificación de estilo.

Etiqueta cada muestra con su registro. Una biblioteca sin etiquetar entrena un promedio. Una etiquetada te permite pedir una voz específica.

Conserva ejemplos negativos. Un "aquí está la versión genérica que rechacé y por qué" vale más que varias muestras positivas.

Prueba con un prompt fijo. Usa las mismas instrucciones cada vez que cambies una regla. De lo contrario, no podrás saber si la regla ayudó o si el tema era más fácil.

Itera las reglas, no las muestras. Cuando el resultado sea incorrecto, pregunta qué regla faltaba. Añádela. Añadir otra muestra rara vez soluciona un problema específico recurrente.

Cuenta tus caracteres. 1,500 en Free y Go, 5,000 en Plus, Pro, Enterprise, Business y Education. Las reglas caben; la prosa no.

Separa la voz personal de los estándares de la organización. Tu voz y las reglas de marca de tu empresa son documentos diferentes con propietarios diferentes; esto último se parece más a hacer que ChatGPT recuerde las pautas de tu marca.

"Enseñar a ChatGPT mi estilo de escritura" falla como un problema de memoria y funciona como un problema de compresión. Tu voz se compone de cientos de pequeñas decisiones consistentes; el campo en el que puedes almacenarla admite 1,500 o 5,000 caracteres. Pegar muestras gasta todo el presupuesto en materia prima y le pide al modelo que vuelva a deducir las reglas cada vez.

Haz la deducción tú mismo, una sola vez. De ocho a doce reglas verificables —ritmo, postura, política de matización, introducciones prohibidas, estructura, palabras prohibidas, puntuación, estilo de evidencia— caben en el campo y se mantienen. Guarda las muestras y las notas de registro en una capa de la que puedas recuperarlas, etiquétalas según lo que ejemplifican e itera las reglas en lugar de la biblioteca. Esa es una voz que sobrevivirá al próximo mes y a la siguiente herramienta a la que te cambies. La parte de diagnóstico, si quieres verla primero, está en por qué ChatGPT olvida tu estilo de escritura.