Este estudio investiga la efectividad de estrategias de ingeniería de prompts para Modelos de Lenguaje Grandes (LLMs), comparando prompts de una sola tarea y multitarea. Específicamente, analizamos si un solo prompt que maneja múltiples tareas, como el reconocimiento de entidades nombradas (NER), el análisis de sentimientos y el formato de salida JSON, puede lograr un rendimiento comparable a prompts dedicados de una sola tarea. Para respaldar nuestros hallazgos, empleamos análisis estadísticos, incluidas pruebas emparejadas de Wilcoxon, pruebas de McNemar y pruebas de Friedman, para validar afirmaciones de similitud o superioridad de rendimiento. Los experimentos se realizaron utilizando cinco LLMs de peso abierto: LLama3.1 8B, Qwen2 7B, Mistral 7B, Phi3 Medium y Gemma2 9B. Los resultados indican que no hay una regla definitiva que favorezca los prompts de una sola tarea sobre los prompts multitarea; más bien, su rendimiento relativo depende en gran medida de los datos y la arquitectura específicos del modelo. Este estudio destaca la interacción matizada entre estrategias de prompt y características de LLM, ofreciendo ideas para optimizar su uso para tareas específicas de procesamiento del lenguaje natural. También se discuten limitaciones y futuras direcciones, como la expansión de tipos de tareas.