Chain-of-thought prompting: qué es, ejemplos y límites

El chain-of-thought prompting (CoT, en español «cadena de pensamiento») es una técnica de prompting en la que pides a un modelo de IA que escriba su razonamiento en pasos intermedios antes de dar la respuesta final. En lugar de soltar un resultado directamente, el modelo descompone la tarea, calcula o valora paso a paso y solo entonces concluye. Ayuda sobre todo en tareas con varios pasos de cálculo o de razonamiento, y deja ver dónde aparece un error. En tareas sencillas y con los modelos de razonamiento actuales aporta poco o nada.

Este artículo explica cómo funciona, qué variantes existen, cuándo compensa y en qué se diferencia del encadenamiento de prompts, con el que se confunde a menudo.

Un ejemplo: con y sin cadena de pensamiento

La tarea: un cliente pide 240 unidades a 12,50 € netos cada una. A partir de 200 unidades hay un 8 % de descuento por volumen. Si paga en un plazo de diez días, se aplica además un 2 % de descuento por pronto pago sobre el importe ya rebajado. ¿Cuál es el importe neto a pagar si abona a los siete días?

Sin chain-of-thought:

Un cliente pide 240 unidades a 12,50 € netos cada una. A partir de 200
unidades hay un 8 % de descuento por volumen y, si paga en diez días, un 2 %
de descuento por pronto pago sobre el importe ya rebajado. ¿Cuál es el
importe neto a pagar si abona a los siete días? Responde solo con el importe.

El modelo tiene que dar el resultado de una vez. Errores típicos: sumar los dos descuentos hasta el 10 % o calcular el pronto pago sobre el importe original.

Con chain-of-thought:

Un cliente pide 240 unidades a 12,50 € netos cada una. A partir de 200
unidades hay un 8 % de descuento por volumen y, si paga en diez días, un 2 %
de descuento por pronto pago sobre el importe ya rebajado. ¿Cuál es el
importe neto a pagar si abona a los siete días?

Resuélvelo paso a paso: escribe cada paso del cálculo en una línea y da el
importe solo al final, en una línea que empiece por «Resultado:».

Una respuesta correcta tiene este aspecto:

1. Precio de tarifa: 240 × 12,50 € = 3.000,00 €
2. Se aplica el descuento por volumen (240 ≥ 200): 3.000,00 € × 0,92 = 2.760,00 €
3. Se aplica el pronto pago (7 días ≤ 10 días): 2.760,00 € × 0,98 = 2.704,80 €
Resultado: 2.704,80 €

La ganancia es doble: el modelo se equivoca menos en tareas de varios pasos y, si se equivoca, lo ves enseguida en la línea 2 o en la 3.

De dónde viene la técnica

El chain-of-thought se dio a conocer con el artículo de 2022 «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», de Jason Wei y otros autores. Mostraron que los modelos de lenguaje resuelven mejor tareas aritméticas, de sentido común y de razonamiento simbólico cuando los ejemplos del prompt incluyen no solo la pregunta y la respuesta, sino también el razonamiento desarrollado. Poco después, Takeshi Kojima y otros mostraron en «Large Language Models are Zero-Shot Reasoners» que a menudo basta una sola frase antes de la respuesta: «Let's think step by step».

Las variantes

Variante	Cómo es el prompt	Sirve para
CoT zero-shot	La tarea más la instrucción de resolverla paso a paso	Una prueba rápida cuando las respuestas directas fallan
CoT few-shot	Dos o tres ejemplos con el razonamiento desarrollado y luego la tarea nueva	Tareas recurrentes cuyo razonamiento sigue un patrón fijo
Cadena guiada	Tú marcas los pasos: «1. Comprueba… 2. Calcula… 3. Compara…»	Tareas con una lógica de revisión o de cálculo conocida
Primero razonar, luego decidir	Campos de salida fijos: primero «Razonamiento», luego «Decisión»	Clasificaciones y valoraciones que deben poder explicarse

En la empresa, la variante guiada suele ser la mejor: sabes cómo se revisa una nota de gastos o cómo se clasifica una reclamación, así que le das al modelo exactamente ese orden. Para el CoT few-shot valen las reglas sobre buenos ejemplos de nuestro artículo sobre few-shot prompting.

En «primero razonar, luego decidir», cuida el orden de los campos. Si la decisión va primero, el modelo ya se ha comprometido y el razonamiento solo llega después, para justificarla.

Cuándo ayuda

• Cálculos de varios pasos: descuentos, plazos, comisiones, conversiones.
• Reglas con condiciones: «si A y no B, entonces C», como políticas de devolución o límites de aprobación.
• Comparaciones con varios criterios: contrastar ofertas o candidaturas con una lista de criterios.
• Clasificaciones con casos dudosos: el razonamiento muestra qué rasgo inclinó la balanza.
• Depuración: cuando un prompt da resultados erróneos, la cadena de pensamiento muestra dónde se desvía el modelo.

Cuándo no aporta nada o perjudica

• Tareas sencillas. Traducir, resumir en breve, corregir un saludo: aquí la cadena solo alarga la respuesta.
• Preguntas de puro conocimiento. Si al modelo le falta la información, pensar no ayuda; necesita la fuente en el prompt. Consulta cómo reducir las alucinaciones de la IA.
• Formatos de salida estrictos. Si solo debe devolver JSON, el texto desarrollado estorba. Separa razonamiento y resultado en campos distintos o en dos prompts.
• Modelos de razonamiento. Lo vemos en el siguiente apartado.

Modelos de razonamiento: la cadena ya viene incorporada

Muchos modelos actuales tienen un modo de pensamiento en el que recorren pasos intermedios internamente antes de responder. Para ellos vale otra regla. OpenAI indica en sus buenas prácticas para modelos de razonamiento que instrucciones como «piensa paso a paso» pueden no mejorar el rendimiento y a veces lo perjudican, y recomienda prompts sencillos y directos.

En la práctica:

• Si usas un modelo de razonamiento, describe con claridad el objetivo, el contexto y los criterios, y prescinde de las instrucciones de paso a paso.
• Si usas un modelo clásico, más rápido y sin modo de pensamiento, el chain-of-thought sigue siendo una palanca sencilla.
• Si dudas, prueba las dos variantes con diez o veinte casos reales y compara los resultados, no la impresión.

La variante guiada conserva su valor también con los modelos de razonamiento, pero por otro motivo: describe tu lógica de revisión, no el hecho de pensar.

Chain-of-thought y encadenamiento de prompts: la diferencia

Los términos se parecen, pero designan cosas distintas.

	Chain-of-thought	Encadenamiento de prompts
Qué se encadena	Pasos de razonamiento dentro de una respuesta	Varios prompts seguidos
Llamadas al modelo	Una	Varias
Quién fija los pasos	El modelo, o tú en la variante guiada	Tú, de antemano
Control entre pasos	Ninguno: el modelo escribe de un tirón	Posible: revisar, corregir, intercalar código
Uso típico	Un cálculo, una valoración, una clasificación	Un proceso de extracción, comprobación y redacción

Ambas técnicas se combinan bien: en una cadena de prompts, el paso de comprobación puede usar chain-of-thought. Cómo construir cadenas lo explica el artículo sobre encadenamiento de prompts.

Coste y velocidad

Una cadena de pensamiento son tokens de salida, y en la mayoría de los proveedores la salida cuesta más que la entrada. Una respuesta con diez líneas de razonamiento cuesta varias veces más que una respuesta con una cifra, y tarda más. En consultas sueltas da igual; en diez mil clasificaciones al mes, no. Cómo se suma la factura lo explica precios de las API de LLM. Limita la extensión («cinco pasos como máximo, una línea cada uno») y usa la técnica solo donde ayude de forma medible.

El límite: un razonamiento no es una prueba

Los pasos escritos son un texto que genera el modelo. Pueden contener errores de cálculo, citar mal una regla o sonar coherentes y aun así llevar a un resultado equivocado. Además, una explicación larga y segura invita a mirar con menos atención. Para todo lo que importe:

• Haz que los cálculos los repita el código o una hoja de cálculo, no que los confirme el modelo.
• Revisa por muestreo el razonamiento, no solo el resultado.
• No traslades el razonamiento sin revisar como explicación a clientes o personas afectadas.

Tres plantillas para copiar

Revisión guiada de una factura

Comprueba la factura de abajo con el pedido.
Sigue este orden y escribe una línea por punto:
1. ¿Coinciden los artículos y las cantidades?
2. ¿Coinciden los precios unitarios con el pedido?
3. ¿Es correcta la suma?
4. ¿El descuento y el plazo de pago son los acordados?
Después escribe una línea «Resultado:» con «aprobar» o «aclarar» y,
si es «aclarar», el motivo.

Pedido: """[texto]"""
Factura: """[texto]"""

Primero razonar, luego clasificar

Asigna la consulta del cliente a una categoría: reclamación, duda sobre la
factura, estado del envío, otros.
Indica primero en «Razonamiento:», en dos frases como máximo, qué expresiones
de la consulta son decisivas. Después indica en «Categoría:» una sola categoría.

Consulta: """[texto]"""

Valoración con criterios

Compara las dos ofertas con estos criterios: precio total a tres años,
plazo de preaviso, horario de soporte, ubicación de los datos.
Ve criterio por criterio e indica en qué parte de la oferta aparece cada dato.
Solo después escribe una recomendación de tres frases como máximo. Si una
oferta no indica algo, escribe «no consta» y no lo supongas.

Oferta A: """[texto]"""
Oferta B: """[texto]"""

Puedes montar prompts así con el generador de prompts para IA; la secuencia de pasos va en el campo de reglas.

Errores habituales

• Usar chain-of-thought por defecto. La técnica cuesta tokens y tiempo. Aplícala con criterio.
• La decisión antes que el razonamiento. El orden de la salida determina si el razonamiento sostiene la respuesta o solo la justifica después.
• Creer el texto porque es largo. Comprueba las cifras por separado.
• Instrucciones de paso a paso para modelos de razonamiento. Ahí ayudan más los objetivos y criterios claros.
• Esperar una cadena donde falta una fuente. Pensar no sustituye al conocimiento que falta.

Checklist

• La tarea tiene varios pasos de cálculo o de razonamiento.
• Sabes si tu modelo es un modelo de razonamiento.
• Los pasos están marcados si conoces la lógica de revisión.
• El razonamiento va antes que el resultado, y el resultado en una línea propia y bien señalada.
• La extensión del razonamiento está limitada.
• Las cifras se recalculan de forma independiente.
• Has comparado con casos reales si la técnica mejora los resultados.

El método general para escribir buenos prompts está en nuestra guía de ingeniería de prompts para empresas.

Fuentes

• Wei et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• Kojima et al. (2022): Large Language Models are Zero-Shot Reasoners
• OpenAI: Reasoning best practices