Q01
Mensaje
Todas las plantillasDeveloper & Engineering
Encuesta sobre concienciación y prácticas de mitigación de inyección de prompts en LLM
Mide la concienciación de los desarrolladores sobre las amenazas de inyección de prompts, recopila las prácticas actuales de mitigación de seguridad e identifica carencias en la defensa de aplicaciones basadas en LLM. Diseñada para equipos de ingeniería que desarrollan o evalúan funciones integradas con LLM.
Preguntas de ejemplo
Una vista previa del contenido de la plantilla. Todas las preguntas son editables antes de publicar.
24 preguntas · ~11 min
Q02
Opción múltiple
¿Qué área describe mejor su función principal?
- Ingeniería de back-end
- Ingeniería de front-end
- Ingeniería full-stack
- Aprendizaje automático / ciencia de datos
- DevOps / SRE
- Ingeniería de seguridad
- QA / automatización de pruebas
- Otro (especifique)
Q03
Escala de opinión
¿Qué nivel de confianza tiene en su comprensión personal de los riesgos y las mitigaciones de la inyección de prompts?
Escala: 1 – 7
Mín:Nada seguroMáx:Extremadamente seguro
Q04
Opción múltiple
¿Cuáles de los siguientes vectores de amenaza considera al diseñar o revisar funciones de LLM? Seleccione todas las que correspondan.
- Inyección de prompts (instrucciones maliciosas en la entrada del usuario)
- Inyección indirecta de prompts a través de fuentes de contenido externas
- Jailbreaks / anulación de las políticas del sistema por parte del modelo
- Exfiltración o filtración de datos a través de prompts o respuestas
- Uso indebido de herramientas o acciones de agentes con permisos excesivos
- Envenenamiento de los datos de entrenamiento
- Filtración de prompts o exposición de la versión del prompt del sistema
- Ninguno de estos
Q05
Opción múltiple
¿Cuáles de las siguientes mitigaciones de inyección de prompts ha adoptado su equipo? Seleccione todas las que correspondan.
- Validación y saneamiento de entradas de los prompts del usuario
- Fortalecimiento del prompt del sistema (p. ej., jerarquía de instrucciones, delimitadores)
- Filtrado de salidas o comprobaciones de seguridad del contenido
- Controles de acceso basados en roles para los permisos de herramientas/acciones del LLM
- Monitorización y registro de las interacciones del LLM
- Tokens canario o honeypots en los prompts del sistema
- Aislamiento o sandboxing de los entornos de ejecución del LLM
- Ninguno de estos
- No estoy seguro
Q06
Opción múltiple
En los últimos 6 meses, ¿ha detectado actividad sospechosa de inyección de prompts o de jailbreak en sus sistemas?
- Sí — incidente confirmado
- Posiblemente — comportamiento sospechoso, no confirmado
- No
Q07
Ordenación
Clasifique las siguientes métricas según cuánto las prioriza al evaluar las mitigaciones de inyección de prompts (arriba = mayor prioridad).
- Tasa de falsos positivos (entradas legítimas bloqueadas incorrectamente)
- Tasa de detección (entradas maliciosas correctamente capturadas)
- Impacto de la latencia en la experiencia del usuario
- Facilidad de implementación y mantenimiento
- Cobertura entre los distintos tipos de ataque
Arrastre para ordenar
Q08
Entrevista con IA
Nos gustaría explorar con un poco más de detalle su experiencia con las prácticas de seguridad de LLM. Un moderador de IA le hará un par de preguntas de seguimiento basadas en sus respuestas anteriores.
Q09
Opción múltiple
¿Cuántos años de experiencia profesional en desarrollo de software tiene?
- Menos de 1 año
- 1–3 años
- 4–6 años
- 7–10 años
- Más de 10 años
Q10
Mensaje
¡Gracias por completar esta encuesta! Sus respuestas contribuirán a comprender mejor las prácticas de seguridad de LLM en la comunidad de desarrolladores y ayudarán a mejorar las orientaciones para el desarrollo seguro.
Q11
Opción múltiple
¿Cuál de las siguientes opciones describe mejor su participación actual con funciones integradas con LLM?
- Actualmente desarrollo o mantengo funciones integradas con LLM
- Tengo previsto integrar LLM en los próximos 6 meses
- Actualmente no trabajo con LLM
Q12
Escala de opinión
¿Qué tan preparado está su equipo u organización para defenderse de los ataques de inyección de prompts en sus aplicaciones integradas con LLM?
Escala: 1 – 7
Mín:Nada preparadoMáx:Extremadamente preparado
Q13
Ordenación
Clasifique las siguientes preocupaciones de seguridad de LLM de mayor a menor prioridad para su trabajo.
- Inyección directa de prompts a través de la entrada del usuario
- Inyección indirecta de prompts a través de contenido externo
- Filtración de datos a través de prompts o respuestas
- Acciones de herramientas o agentes con permisos excesivos
- Anulación del modelo / jailbreak para eludir políticas
Arrastre para ordenar
Q14
Opción múltiple
¿Con qué frecuencia evalúa su equipo los riesgos de inyección de prompts o de jailbreak?
- Semanalmente o con más frecuencia
- Cada 2–3 semanas
- Mensualmente
- Trimestralmente
- Con menor frecuencia o nunca
Q15
Texto largo
Describa brevemente el incidente y cómo se gestionó. Omita cualquier información sensible o confidencial.
Q16
Texto largo
¿Cuál es su mayor obstáculo para gestionar el riesgo de inyección de prompts hoy en día?
Q17
Texto largo
Con base en sus respuestas en esta encuesta, comparta cualquier idea o experiencia adicional relacionada con la seguridad de LLM y la inyección de prompts que no hayamos cubierto. (Opcional)
Q18
Opción múltiple
¿Aproximadamente cuántos empleados hay en su organización?
- 1–10
- 11–50
- 51–200
- 201–1.000
- 1.001–5.000
- 5.001+
Q19
Opción múltiple
¿Dónde ha aprendido sobre los riesgos y las mitigaciones de la inyección de prompts? Seleccione todas las que correspondan.
- Documentación del proveedor o del framework
- OWASP Top 10 for LLM Applications
- Artículos académicos o preprints
- Blogs o boletines de seguridad
- Charlas o talleres en conferencias
- Formación interna u orientación de colegas
- Redes sociales o foros
- No he buscado información sobre este tema
Q20
Opción múltiple
¿Qué métodos utiliza su equipo para probar vulnerabilidades de inyección de prompts? Seleccione todas las que correspondan.
- Red teaming adversarial por parte de ingenieros
- Conjuntos de evaluación automatizados o listas de verificación
- Pruebas unitarias o de integración para los prompts
- Detección con tokens canario o honeytokens
- Despliegue en sombra con monitorización y alertas
- Pruebas de penetración externas
- Actualmente no realizamos pruebas para esto
Q21
Opción múltiple
¿Dónde se encuentra ubicado principalmente?
- África
- Asia
- Europa
- América Latina
- Oriente Medio
- América del Norte
- Oceanía
Q22
Opción múltiple
¿Cuál es la política de respuesta predeterminada de su equipo cuando la entrada de un LLM podría ser insegura?
- Permitir pero sanear o validar el contenido
- Bloquear y pedir aclaraciones al usuario
- Escalar a revisión humana
- Varía según el contexto o el nivel de riesgo
- No estoy seguro
Q23
Opción múltiple
¿Qué industria describe mejor a su organización?
- Tecnología / Software
- Finanzas / Banca
- Salud
- Comercio minorista / Comercio electrónico
- Manufactura
- Educación
- Gobierno / Organizaciones sin fines de lucro
- Otra (especifique)
Q24
Opción múltiple
¿Qué tipos de herramientas o plataformas utiliza su equipo para mitigar los riesgos de inyección de prompts? Seleccione todas las que correspondan.
- Gateway o proxy de LLM con aplicación de políticas
- APIs de moderación de contenido o de seguridad
- Base de datos vectorial con filtrado o controles de acceso
- Bibliotecas de guardrails de código abierto (p. ej., Guardrails AI, NeMo Guardrails)
- Funciones de seguridad integradas del proveedor de la nube
- Middleware o servicios internos personalizados
- Ninguna
Qué incluye
Seguimientos con IA
Preguntas adaptativas sobre las respuestas abiertas que sacan detalles que un formulario estático pasaría por alto.
Controles de atención
Protecciones integradas frente a respuestas apresuradas y participantes de baja calidad.
Textos redactados por IA
Redacción, orden y ramificaciones escritos por la IA, ajustados a su objetivo de investigación.
Informe automático
Los temas, las citas y un resumen en lenguaje claro se escriben solos en cuanto llegan las respuestas.
Cómo se compara
Revisamos las plantillas más parecidas de otras herramientas de encuestas. Esto es lo que hacen bien, y dónde esta plantilla va más lejos.
Por qué esta plantilla
- Purpose-built for LLM prompt injection risk, covering awareness, current mitigations (input validation, output filtering, sandboxing, etc.), testing cadence, and tooling adoption specific to LLM-integrated features.
- Includes an AI follow-up interview segment that can adaptively probe on reported incidents or gaps, rather than relying solely on fixed-choice questions.
- Combines quantitative signals (opinion scales on confidence/preparedness, ranked prioritization of security concerns and metrics) with open-text incident descriptions and obstacle narratives for richer qualitative context.
- Captures organizational context (role, team involvement, org size, industry, experience) alongside technical practice questions, enabling segmented analysis of prompt injection readiness across engineering teams.
Jotform
Security Awareness Survey Form TemplateA general information-security awareness survey template, not tailored to LLM or prompt injection risks. It's a ready-to-field static form built for broad security topics like phishing and password hygiene rather than AI-specific threat vectors. Useful as a starting point but requires heavy customization to address LLM application security.
Qué hace bien
- Ready-to-use drag-and-drop form builder for quick deployment
- Broad applicability across general security awareness topics
- Likely integrates with Jotform's wider form/workflow ecosystem
Dónde se queda corta
- No LLM or prompt injection-specific question content
- Static question set with no adaptive AI follow-up interviewing
- No automated per-response quality scoring or transparent AI prompt methodology
SurveyMonkey
Security Awareness Survey TemplateA generic security awareness survey template aimed at general workforce training topics, not LLM-integrated engineering teams or prompt injection specifically. It offers a standard fixed-question format typical of SurveyMonkey's template library. Teams would need to build custom questions from scratch to capture LLM security practices.
Qué hace bien
- Established survey platform with strong distribution and reporting tools
- Simple template structure for fast setup
- Benchmarking and analytics features typical of SurveyMonkey's suite
Dónde se queda corta
- No content addressing prompt injection, jailbreaks, or LLM-specific mitigations
- Fixed-form design lacks adaptive or voice AI interviewing capability
- No transparent AI prompt disclosure or automated quality scoring per response
Preguntas frecuentes
¿Qué preguntas incluye la plantilla «Encuesta sobre concienciación y prácticas de mitigación de inyección de prompts en LLM»?
La plantilla incluye 24 preguntas listas para usar, empezando por: «¡Bienvenido/a! Gracias por participar en esta encuesta sobre sus experiencias con el desarrollo y la seguridad de aplica…» · «¿Qué área describe mejor su función principal?» · «¿Qué nivel de confianza tiene en su comprensión personal de los riesgos y las mitigaciones de la inyección de prompts?». El conjunto completo se muestra arriba y todas las preguntas son editables.
¿Cuánto se tarda en completar esta encuesta?
Los participantes suelen terminar las 24 preguntas en unos 11 minutos.
¿Puedo personalizar esta plantilla?
Sí: cada pregunta, cada opción de respuesta y el orden son editables antes de publicar. Puede añadir o quitar preguntas, o pedir al editor con IA que rehaga la encuesta en torno a su objetivo de investigación.
¿Esta plantilla es gratuita?
Sí. Ábrala en el editor y empiece a personalizarla ahora mismo: no necesita cuenta para probarla, y el plan gratuito cubre la publicación de su encuesta.
¿Listo para publicar?
Abra esta plantilla en el editor. Todo es suyo para cambiarlo antes de que lo vea el primer participante.
Plantillas relacionadas
Más estudios sobre temas similares.
Developer & Engineering
Evaluación de adopción y preparación para OpenTelemetry
Mide la familiaridad de los desarrolladores, la etapa de adopción, los obstáculos y las prioridades de implementación de OpenTelemetry en los equipos de ingeniería para orientar la estrategia de instrumentación y la planificación de recursos.
Ver plantillaDeveloper & Engineering
Developer Latency Sensitivity & SLO Benchmarking Survey
Measures developer-perceived latency thresholds, tail-latency tolerance, and performance trade-off priorities by use case. Use it to benchmark acceptable response times, set data-informed SLOs and SLAs, and prioritize performance investments that align with what developers actually care about.
Ver plantillaDeveloper & Engineering
Encuesta sobre la experiencia de desarrolladores en el cumplimiento de licencias de código abierto
Mide cómo los desarrolladores gestionan el cumplimiento de licencias de código abierto, incluidos los niveles de confianza, la satisfacción con las herramientas, la claridad de los flujos de trabajo y las principales barreras. Diseñada para equipos de ingeniería y organizaciones de herramientas para desarrolladores que buscan mejorar los procesos de cumplimiento y la adopción de SBOM.
Ver plantillaDeveloper & Engineering
Biblioteca de prompts compartidos: Encuesta sobre la experiencia de descubrimiento y reutilización
Evalúa cómo los usuarios encuentran, personalizan y obtienen valor de una biblioteca compartida de prompts de IA. Úsela para identificar fricciones en el descubrimiento, patrones de reutilización y percepciones de resultados con el fin de priorizar mejoras del producto.
Ver plantillaDeveloper & Engineering
Encuesta sobre la eficacia y retención de la capacitación en cumplimiento normativo
Evalúa la claridad, el interés, la retención de conocimientos y la aplicación en el trabajo de la capacitación obligatoria en cumplimiento normativo para ayudar a los equipos de Formación y Desarrollo y de Cumplimiento a identificar brechas de contenido y optimizar los formatos de entrega.
Ver plantillaDeveloper & Engineering
Encuesta de Adopción de Revisión y Marcado de Contratos con IA
Mide los niveles de adopción, la satisfacción, las barreras y los requisitos de salvaguarda de los profesionales del ámbito jurídico respecto a la revisión y el marcado de contratos asistidos por IA. Diseñada para operaciones jurídicas, equipos internos y profesionales de despachos de abogados.
Ver plantilla