Hay problemas que el prompt básico —rol, contexto, tarea, formato— no resuelve bien. Razonamiento complejo con varios pasos. Tareas donde el estilo o formato específico es crítico. Situaciones donde necesitas que el modelo adopte una perspectiva muy precisa. Para estos casos, existen técnicas que van más allá del prompt simple y producen mejoras sustanciales y documentadas en la calidad del output.

Cuándo el prompt básico no basta

Un prompt básico bien construido es suficiente para la mayoría de las tareas: redacción, resumen, clasificación, brainstorm. Pero cuando la tarea requiere razonamiento encadenado, el modelo tiende a saltarse pasos y llegar a conclusiones incorrectas. Cuando el formato o el estilo es muy específico y difícil de describir con palabras, la descripción verbal raramente produce el resultado deseado. Cuando necesitas una perspectiva experta muy particular, el rol genérico no activa los patrones correctos.

En esos casos, estas tres técnicas marcan la diferencia.

Chain-of-thought: piensa antes de responder

El chain-of-thought (cadena de pensamiento) consiste en pedir al modelo que muestre su razonamiento paso a paso antes de llegar a una conclusión.

Los modelos cometen más errores de razonamiento cuando producen la respuesta directamente que cuando se les pide que razonen explícitamente. Mostrar el proceso intermedio reduce los errores porque el modelo “comprueba” su propio razonamiento al generarlo.

Sin chain-of-thought:

P: Si tengo 3 cajas con 12 botellas cada una y vendo 
   2/3 del total, ¿cuántas botellas me quedan?
R: 12

(Incorrecto: 3×12=36, 2/3 de 36=24 vendidas, quedan 12. Aquí coincide pero el modelo puede saltar pasos en problemas más complejos.)

Con chain-of-thought:

P: Resuelve este problema paso a paso, mostrando 
   cada operación antes de dar la respuesta final.
   Si tengo 3 cajas con 12 botellas cada una...
R: Paso 1: Total de botellas = 3 × 12 = 36
   Paso 2: Botellas vendidas = 36 × (2/3) = 24
   Paso 3: Botellas restantes = 36 - 24 = 12
   Respuesta: Me quedan 12 botellas.

La diferencia es mayor en problemas de varios pasos, en razonamiento lógico y en problemas donde el error inicial se propaga. Para tareas simples, el chain-of-thought añade verbosidad sin beneficio.

Variantes útiles: “Piensa en voz alta antes de responder”, “Explica tu razonamiento”, “¿Cuáles serían los pros y contras antes de recomendar algo?”, “Identifica primero los supuestos antes de llegar a una conclusión”.

Few-shot: aprende del ejemplo

El few-shot prompting consiste en incluir en el prompt uno o varios ejemplos del tipo de respuesta que quieres, antes de hacer la pregunta real. En lugar de describir verbalmente el formato o el estilo deseado —lo que a menudo es impreciso— se muestra directamente.

Sin few-shot (zero-shot):

Clasifica estas reseñas como positiva, negativa o neutral.
Reseña: "El producto llegó tarde pero funciona bien."

Con few-shot:

Clasifica estas reseñas como POSITIVA, NEGATIVA o NEUTRAL.

Ejemplo 1:
Reseña: "Entrega rápida y producto exactamente como se describía."
Clasificación: POSITIVA

Ejemplo 2:
Reseña: "Calidad pésima, se rompió al primer uso."
Clasificación: NEGATIVA

Ejemplo 3:
Reseña: "Funciona, nada especial."
Clasificación: NEUTRAL

Ahora clasifica esta:
Reseña: "El producto llegó tarde pero funciona bien."

El few-shot es especialmente útil cuando:

  • El formato de output es muy específico y difícil de describir
  • El estilo o tono debe ser consistente con ejemplos que tienes
  • La tarea tiene ambigüedades que los ejemplos resuelven mejor que las palabras
  • Necesitas resultados consistentes a escala (procesar muchos inputs del mismo tipo)

El número óptimo de ejemplos varía según el modelo y la tarea. Generalmente, entre 2 y 5 ejemplos es suficiente. Más ejemplos no siempre mejoran el resultado y pueden consumir contexto valioso.

Role prompting: expertos a demanda

El role prompting es más que añadir “eres un experto en X” al principio del prompt. Cuando se hace bien, activa representaciones específicas del entrenamiento que producen respuestas cualitativamente diferentes.

La diferencia entre role prompting básico y avanzado está en el nivel de detalle de la descripción del rol:

Básico:

Eres un experto en marketing. Revisa este texto.

Avanzado:

Eres un director de marketing con 15 años de experiencia 
en startups B2B de software. Has trabajado principalmente 
con mercados de habla inglesa pero conoces bien España. 
Tu enfoque es data-driven: no recomiendas nada sin poder 
medirlo. Cuando revisas textos, siempre señalas primero 
la propuesta de valor y después el call-to-action.

La descripción detallada del rol funciona porque orienta el modelo hacia patrones de respuesta específicos del entrenamiento. No es que el modelo “se convierta” en esa persona, pero sí que la descripción precisa de la perspectiva, la experiencia y los criterios de evaluación produce respuestas más coherentes con lo que buscaría alguien con ese perfil.

Un uso avanzado de role prompting es pedir al modelo que adopte perspectivas contradictorias sobre el mismo problema: “ahora responde como un crítico escéptico de esta idea” después de haber pedido “responde como un defensor entusiasta”. La tensión entre las dos perspectivas suele producir una visión más completa que cualquiera de las dos por separado.

Combinar las tres técnicas

Las tres técnicas se complementan y pueden usarse juntas:

ROL: Eres un analista financiero senior especializado en 
     empresas de tecnología en mercados emergentes.

TAREA: Evalúa si esta startup debería levantar una ronda 
       Serie A ahora o esperar 12 meses.

EJEMPLOS (few-shot):
El análisis debe seguir este formato:
[Contexto del mercado]: 2-3 frases sobre el momento
[Métricas clave]: lista de las métricas más relevantes
[Argumento a favor]: el argumento más fuerte para actuar ahora
[Argumento en contra]: el riesgo principal de actuar ahora
[Recomendación]: una sola frase con la posición

RAZONAMIENTO (chain-of-thought):
Antes de tu recomendación, enumera los tres factores que 
más peso tienen en tu decisión y por qué.

INFORMACIÓN DE LA STARTUP:
[datos aquí]

Este tipo de prompt compuesto —rol detallado + ejemplos de formato + instrucción explícita de razonamiento— produce resultados significativamente más útiles que cualquier prompt simple, especialmente para tareas complejas o de alto impacto.

La técnica tiene un coste: estos prompts son más largos y requieren más tokens. Para tareas frecuentes y repetibles, el tiempo de diseño del prompt se amortiza rápidamente. Para consultas esporádicas, a veces el prompt simple basta.