Prompt chaining: divide una tarea de IA en pasos

El prompt chaining (encadenamiento de prompts) consiste en dividir una tarea compleja en una secuencia de prompts más pequeños, en la que el resultado de un paso se convierte en la entrada del siguiente. En lugar de pedir al modelo que lea, analice y redacte de una vez, cada prompt hace una sola cosa: extraer datos, comprobarlos o redactar un texto. El resultado suele ser más fiable y más fácil de corregir, porque puedes ver y probar cada resultado intermedio.

Este artículo explica cuándo una cadena supera a un único prompt, los patrones que cubren la mayoría de tareas de empresa, un ejemplo completo y cómo diseñar los traspasos entre pasos. Se apoya en el método de nuestra guía práctica de ingeniería de prompts para empresas.

Cómo funciona una cadena de prompts

Una cadena es una secuencia fija de pasos. Una típica sería:

1. Extraer: sacar los datos relevantes del material de partida.
2. Comprobar: verificar los datos extraídos, con código, con un segundo prompt o con una persona.
3. Redactar: escribir el resultado usando solo los datos comprobados.
4. Revisar: contrastar el borrador con unas reglas o una checklist.

Cada paso tiene su propio prompt, con sus propias instrucciones, y recibe del paso anterior solo lo que necesita. Algunos pasos ni siquiera necesitan un modelo: contar, ordenar, consultar una base de datos o validar un formato suele hacerlo mejor el código de toda la vida.

¿Un prompt o una cadena?

	Un solo prompt	Cadena de prompts
Esfuerzo de preparación	Bajo	Mayor: varios prompts y traspasos
Fiabilidad en tareas complejas	Variable, se saltan o mezclan pasos	Mayor, cada paso es sencillo
Transparencia	Solo se ve el resultado final	Se puede revisar cada resultado intermedio
Corrección de errores	Cuesta saber dónde falló	Ves qué paso falló
Velocidad	Una llamada	Varias llamadas, salvo que los pasos vayan en paralelo
Coste	Una llamada más grande	Varias llamadas más pequeñas, en parte con modelos más baratos

Cuándo compensa una cadena

Plantéate una cadena si notas alguna de estas señales:

• El prompt tiene varios verbos. «Lee estos documentos, encuentra los riesgos, valóralos y redacta un informe» son cuatro tareas.
• La calidad varía entre ejecuciones. Unas veces el modelo lo cubre todo y otras se deja partes.
• Las instrucciones chocan entre sí. La extracción debe ser exhaustiva y el texto final, breve. Un solo prompt no logra ambas cosas.
• Hay que comprobar los datos antes de usarlos. Un paso de extracción independiente te da algo que verificar. Es una de las formas más eficaces de reducir las alucinaciones de la IA.
• Cada paso necesita ajustes distintos. Uno exige JSON estricto y otro un estilo de redacción natural.
• La entrada es demasiado larga. Un documento largo se puede procesar por secciones y luego combinar.

Para un correo corto, el resumen de un solo documento o una clasificación sencilla basta con un prompt bien construido. Una cadena añade piezas móviles: úsala donde resuelva un problema real.

Patrones habituales

Patrón	Cómo funciona	Ejemplo en la empresa
Extraer y después redactar	El paso 1 vuelca los datos en una estructura fija y el paso 2 redacta solo a partir de ella	Resumen de un contrato a partir de las cláusulas extraídas
Clasificar y después derivar	El paso 1 asigna una categoría y el siguiente depende de ella	Correos de clientes enviados a distintos prompts de respuesta
Redactar, criticar, revisar	El paso 1 redacta, el 2 revisa según criterios y el 3 corrige	Texto de una oferta revisado con la guía de estilo
Dividir, procesar, combinar	Una entrada larga se divide, se procesa cada parte y se unen los resultados	Resumen de un informe largo capítulo a capítulo
Generar y después validar	El paso 1 genera un resultado y el 2 (código o prompt) valida formato y contenido	Datos de producto en JSON validados antes de importarlos

La mayoría de cadenas reales combinan dos o tres de estos patrones.

Ejemplo práctico: de los comentarios de clientes a un resumen para la dirección

Una empresa recoge cada mes unos cientos de comentarios libres en una encuesta a clientes. Ahora mismo alguien los lee todos y escribe una página para la dirección. Un único prompt («resume estos comentarios») produce un texto fluido, pero cuesta saber si los temas están bien ponderados o si una cita es real.

La cadena:

Paso 1: clasificar cada comentario. Por lotes, con una lista fija de temas.

Clasifica cada uno de los comentarios de clientes que aparecen abajo.
Temas (usa solo estos): entrega, calidad del producto, precio, atención al cliente, web, otros.
Tono: positivo, neutro o negativo.

Devuelve un objeto JSON por línea:
{"id": "...", "tema": "...", "tono": "..."}

Comentarios:
"""
[ID 101] El envío tardó nueve días y nadie me explicó por qué.
[ID 102] ...
"""

Paso 2: contar. Una hoja de cálculo o unas líneas de código cuentan los comentarios por tema y tono. No hace falta un modelo y las cifras son exactas.

Paso 3: extraer el detalle de los temas principales. Para los tres temas con más comentarios negativos, el siguiente prompt recibe solo esos comentarios.

Abajo tienes comentarios de clientes sobre un único tema: [tema].
Enumera los problemas concretos que se mencionan, cuántos comentarios cita cada uno
y, por problema, una cita breve y literal con el ID del comentario.
Usa solo lo que dicen los comentarios. No combines citas.

"""
[comentarios sobre este tema]
"""

Paso 4: redactar el resumen. El prompt de redacción recibe solo las cifras del paso 2 y el detalle del paso 3, no los comentarios en bruto.

Redacta un resumen de una página para el equipo directivo.
Público: gerencia y responsables de área. Tono: objetivo, sin lenguaje comercial.
Estructura: tres conclusiones clave, luego una sección por tema principal con los problemas
más importantes y una cita en cada una, y después dos o tres próximos pasos propuestos.
Usa solo las cifras y citas facilitadas. No añadas cifras.

Cifras: """[resultado del paso 2]"""
Detalle: """[resultado del paso 3]"""

Paso 5: comprobar. Antes de enviar el resumen, una persona o un último prompt comprueba con los ID que cada cifra y cada cita aparecen en los resultados de los pasos 2 y 3.

Cada paso es lo bastante sencillo para probarlo por separado. Si falta un tema en el resumen final, ves si se clasificó mal en el paso 1, se perdió en el paso 3 o se omitió en el paso 4. Puedes construir el prompt de cada paso con el generador de prompts para IA, que separa tarea, contexto, formato y reglas.

Cómo diseñar los traspasos

Las cadenas se rompen sobre todo en el traspaso entre pasos. Estas reglas ayudan:

• Usa una estructura fija entre pasos. JSON, una tabla o encabezados fijos hacen que la salida de un paso sea una entrada predecible para el siguiente. El texto libre entre pasos invita a desviarse.
• Pasa solo lo que necesita el siguiente paso. Enviarlo todo anula la ventaja y encarece la factura.
• Ten la fuente a mano para las comprobaciones. Un paso de verificación necesita tanto la afirmación como el texto original.
• Señala bien las entradas. Pon el material de pasos anteriores entre delimitadores y etiquétalo para que el modelo no lo tome por instrucciones.
• Define qué pasa si algo falla. Si un paso devuelve una salida no válida, reinténtalo una vez y, si no, detén la cadena y marca el caso en lugar de arrastrar el error.

En los pasos estructurados, los ejemplos ayudan mucho. Unos pocos ejemplos etiquetados en el prompt de clasificación hacen las categorías mucho más coherentes; consulta few-shot prompting.

Cadenas en una herramienta de chat o en una automatización

No necesitas software para encadenar prompts. En un asistente de chat puedes ejecutar los pasos a mano: pedir la extracción, revisarla y pegar el resultado revisado en un nuevo prompt para el borrador. Es una buena forma de diseñar y probar una cadena antes de automatizarla.

En una plataforma de automatización o en código, cada paso se convierte en un nodo o una llamada a una función, los resultados intermedios se guardan y la validación se ejecuta sola. En ese punto, la cadena es un flujo de trabajo con pasos de IA, el enfoque que compara el artículo agentes de IA vs. automatización de flujos.

Cómo probar una cadena

1. Prueba cada paso por separado con un pequeño conjunto de entradas realistas, incluidas algunas difíciles.
2. Prueba la cadena completa de principio a fin con los mismos casos.
3. Registra los resultados intermedios para rastrear cualquier mal resultado hasta el paso que lo causó.
4. Cambia un solo paso cada vez y repite las pruebas, porque mejorar un paso puede estropear el siguiente.

Coste y velocidad

Una cadena llama al modelo más veces que un único prompt, así que es tentador pensar que cuesta mucho más. A menudo no es así: cada llamada es más pequeña, los pasos sencillos como la clasificación pueden ir con un modelo más pequeño y barato, y los pasos sin modelo apenas cuestan nada. La velocidad puede resentirse si los pasos van estrictamente uno tras otro; los pasos independientes, como procesar varios capítulos, pueden ir en paralelo. Para comparar variantes, estima los tokens por paso e introdúcelos en la calculadora de coste de API de LLM.

Errores habituales

• Encadenar por encadenar. Si un único prompt funciona de forma fiable, quédate con él.
• Texto libre entre pasos. Usa una estructura fija en cada traspaso.
• Dejar que el paso de redacción vea los datos en bruto. Así puede saltarse los datos comprobados.
• Usar un modelo para contar o buscar. El código es exacto y más barato.
• No gestionar los fallos. Un paso defectuoso estropea en silencio todo lo que viene después.
• Probar solo el resultado final. Pierdes la principal ventaja de una cadena: saber dónde falla.

Resumen

El prompt chaining convierte un prompt sobrecargado en una serie de pasos sencillos y comprobables. Úsalo cuando una tarea mezcle trabajos distintos, cuando la calidad varíe o cuando haya que comprobar datos antes de usarlos. Diseña traspasos claros, deja al código lo que el código hace mejor y prueba cada paso. Empieza por anotar los pasos de una tarea que hoy haces a mano y crea después un prompt por paso con el generador de prompts para IA.