Historia, cómo funcionan los LLMs, pensamiento crítico y prompt engineering.
Jerónimo MartínezConsultor de IA y automatización
Instructor
Jerónimo Martínez
Consultor de IA y automatización. Capacitación corporativa en inteligencia artificial, agentes y herramientas de productividad.
305 246 3800
Algunos clientes
Plan del curso — 4 sesiones
Hoja de ruta
01
De Turing a GPT
Historia, Test de Turing, LLMs, Hype Cycle, demos en vivo.
Hoy
02
Prompt Engineering
Chain of Thought, role prompting, few-shot, frameworks avanzados.
03
Herramientas y Workflow
ChatGPT vs Claude, cuándo usar cada uno, automatizaciones.
04
IA en el Mundo Real
Ética, sesgos, deepfakes, futuro del trabajo, criterio.
La brecha
Todos usan IA. Casi nadie entiende cómo funciona.
Hoy no les voy a enseñar a usar ChatGPT. Hoy van a entender la tecnología que va a definir sus carreras.
Escriban en el chat — 15 segundos
¿Usaron IA esta semana? ¿Para qué?
Segunda pregunta: ¿pueden explicar cómo funciona?
?
Hoy
Hoja de ruta
01
Historia70 años de intentos: de Turing a ChatGPT
02
Cómo funcionaTokens, transformers y por qué la IA no "piensa"
03
Demos en vivoCapacidades y límites en tiempo real
04
Pensamiento críticoAlucinaciones, sesgo, límites y cómo evaluar
05
Uso estratégicoPrompt engineering y aplicación profesional
Historia
70 años de intentos
La IA no apareció en 2022. Lleva 70 años intentándolo.
01
1950
Alan Turing
"Computing Machinery and Intelligence" — el paper que lo empezó todo.
No preguntó "¿pueden pensar las máquinas?" sino "¿pueden comportarse como si pensaran?"
Esa distinción sigue siendo relevante hoy. El Test de Turing no mide inteligencia — mide imitación convincente.
50
1950 — El experimento
El Test de Turing
Un juez humano habla con dos participantes ocultos: uno es humano, el otro es una máquina. Si el juez no puede distinguir cuál es cuál, la máquina "pasa" el test.
Humano
Barrera
JUEZ
¿Quién es humano?
Barrera
Máquina
La clave: Turing no preguntó si la máquina piensa. Preguntó si puede parecer que piensa. Esa distinción sigue siendo relevante hoy.
1956
Conferencia de Dartmouth
El verano en que se inventó la Inteligencia Artificial — literalmente. McCarthy, Minsky y Shannon convencieron a la Fundación Rockefeller de financiar un taller de 2 meses en Dartmouth College.
La propuesta original
"Cada aspecto del aprendizaje puede describirse tan precisamente que una máquina puede simularlo"
Meta: resolver lenguaje, abstracción, creatividad y auto-mejora en un verano
Pensaron que la IA general estaba a 20 años. 70 años después, seguimos sin alcanzarla
1956 — El resultado
No resolvieron nada.
Pero le dieron nombre al campo: Inteligencia Artificial.
Un verano, las mentes más brillantes del mundo, fondos ilimitados... y ni un solo problema resuelto. Pero la ambición quedó plantada.
1958
El Perceptrón
Frank Rosenblatt construye el Mark I Perceptron en Cornell — una máquina física del tamaño de un armario que podía aprender a reconocer formas simples.
El hype mediático
The New York Times, 1958: "La Marina revela un embrión de computadora que podrá caminar, hablar, ver y reproducirse"
Rosenblatt predijo: "percebirá, reconocerá e identificará su entorno sin entrenamiento humano"
La primera red neuronal. La primera promesa incumplida.
1969 — El golpe
Minsky destruye el sueño
Minsky y Papert publican "Perceptrons" — un libro que demuestra que estas redes neuronales simples tienen un problema fatal: solo pueden aprender cosas muy básicas.
Lo que demostraron
Un perceptrón puede separar cosas simples: "esto es rojo / esto es azul"
Pero no puede aprender combinaciones: "esto es rojo Y grande, O azul Y pequeño"
Es como un empleado que solo sabe decir sí o no a una sola pregunta
Lo que no vieron
Si conectas MUCHAS de estas neuronas en capas, SÍ pueden resolver cosas complejas
Pero en 1969 las computadoras no tenían la potencia para hacer funcionar eso
Primera vez que el hype superó la realidad. No sería la última.
1970s — 1980s
Primer invierno
Los fondos se secan. Las promesas no se cumplieron.
Sistemas expertos
Basados en reglas escritas por humanos, no aprendizaje
Funcionaban en dominios estrechos, fallaban fuera de ellos
Lección: las reglas humanas no capturan la complejidad del mundo real
I
1990s
Machine Learning emerge
Los sistemas expertos colapsan. Pero silenciosamente, algo nuevo está naciendo.
ML
Concepto
¿Qué es Machine Learning?
En vez de decirle a la computadora QUÉ hacer paso a paso, le das ejemplos y ella aprende las reglas sola.
1
Le das datosMiles de ejemplos con la respuesta correcta
2
Busca patronesEl algoritmo encuentra relaciones entre los datos
3
Hace prediccionesCon datos nuevos, aplica lo que aprendió
Así funcionan las recomendaciones de Netflix, el filtro de spam, y el reconocimiento facial de tu celular.
ML
El cambio clave
De reglas a datos
Los sistemas expertos colapsan. Pero silenciosamente, un cambio radical está ocurriendo.
Antes: Reglas
Humanos escriben las reglas manualmente
"SI el email tiene 'gratis' Y 'urgente' ENTONCES es spam"
Frágil: cada excepción necesita una regla nueva
Ahora: Datos
La máquina descubre las reglas sola
Le das 10,000 emails marcados como spam/no-spam
Ella encuentra los patrones que los humanos no ven
Este cambio de "programar reglas" a "aprender de datos" es la revolución del Machine Learning.
1997
Deep Blue vs Kasparov
La computadora de IBM vence al campeón mundial de ajedrez. El mundo celebra. Pero hay un detalle importante.
No era inteligencia
Deep Blue evaluaba 200 millones de posiciones por segundo
No "entendía" ajedrez. Calculaba todas las posibilidades por fuerza bruta
Era como ganar una carrera de autos contra un corredor: no corre mejor, simplemente tiene un motor
Vencer en ajedrez no es pensar. Es calcular. La verdadera pregunta era: ¿puede una máquina aprender estrategia sin que se la programen?
97
2012
La revolución deep learning
ImageNet 2012: AlexNet aplasta a la competencia. El error de clasificación cae del 25% al 16% — usando una red neuronal profunda.
Datos
Internet-scale
Cómputo
GPUs
Algoritmos
Deep Neural Nets
El momento en que datos + cómputo + algoritmos convergieron.
12
Ejemplo
¿Cómo aprende una red neuronal?
Imaginen que quieren enseñarle a una computadora a reconocer fotos de gatos. No le explican qué es un gato. Solo le muestran miles de fotos:
Miles de fotos
con etiqueta: gato / no gato
Intenta adivinar
y se equivoca mucho
Se corrige
ajusta sus conexiones internas
Aprende
después de millones de intentos
Las capas internas detectan cosas cada vez más complejas: bordes, formas, orejas, bigotes... hasta entender "gato". Por eso se llama deep learning: más capas = más profundidad = más comprensión.
2016 — Contexto
¿Qué es AlphaGo?
Go es un juego de mesa de 2,500 años de antigüedad, popular en Asia. Dos jugadores colocan piedras blancas y negras en un tablero intentando controlar territorio.
¿Por qué importa Go?
Tiene más posiciones posibles que átomos en el universo
No se puede resolver por fuerza bruta (como hicieron con el ajedrez)
Requiere intuición, estrategia a largo plazo y "lectura" del oponente
Los expertos decían que una máquina tardaría décadas en ganar
¿Cómo funciona AlphaGo?
Paso 1: Estudió millones de partidas humanas para aprender estrategias
Paso 2: Jugó millones de partidas contra sí misma para mejorar
Paso 3: Desarrolló estrategias que ningún humano había visto
No calculaba todas las posiciones. Aprendió intuición.
A diferencia de Deep Blue, AlphaGo no ganó por calcular más rápido. Ganó porque aprendió a jugar.
2016
AlphaGo
DeepMind vence a Lee Sedol, campeón mundial de Go. Resultado: 4-1.
Por qué importa
Go tiene más posiciones posibles que átomos en el universo
No se puede resolver por fuerza bruta como el ajedrez
La máquina aprendió estrategia e intuición
Movimiento 37: una jugada que ningún humano haría, pero que resultó brillante
2017
"Attention Is All You Need"
8 investigadores de Google publican un paper de 15 páginas. No sabían que estaban creando la base de toda la IA moderna.
El paper
Vaswani et al., junio 2017
Propone una nueva arquitectura: el Transformer
Originalmente diseñado solo para traducción
Lo que generó
GPT (OpenAI)
BERT (Google)
Claude (Anthropic)
LLaMA (Meta)
Gemini (Google)
Un solo paper. Toda la IA que usas hoy nació aquí.
Antes del Transformer
El problema: leer una palabra a la vez
Antes de 2017, las redes neuronales procesaban el texto de forma secuencial — como leer un libro palabra por palabra, sin poder volver atrás.
El
1ro
gato
2do
se
3ro
sentó
4to
Dos problemas graves
Lento: no se puede paralelizar. Cada palabra espera a la anterior.
Olvida: al llegar al final de una oración larga, ya "olvidó" el principio.
Imagina leer un libro de 500 páginas sin poder volver a revisar las primeras.
La innovación
Mecanismo de atención
En vez de leer palabra por palabra, el Transformer mira TODAS las palabras al mismo tiempo y decide cuáles son relevantes entre sí.
"El banco estaba lleno de peces"
La atención conecta "banco" con "peces" para entender que es un banco de peces — no un banco financiero.
Paralelo
Todas las palabras se procesan al mismo tiempo. Mucho más rápido.
Contexto completo
Cada palabra "ve" a todas las demás. Nunca olvida el principio.
Esto es lo que hizo posible entrenar modelos con miles de millones de parámetros.
2020 — 2023
La era GPT
2020
GPT-3175 mil millones de parámetros. La generación de lenguaje se vuelve asombrosamente buena.
2021
DALL-EImágenes a partir de texto. La IA generativa se vuelve visual.
2022
ChatGPT100 millones de usuarios en 2 meses. La adopción más rápida de una tecnología en la historia.
2023
GPT-4, Claude, GeminiModelos multimodales: texto, imágenes, código, voz. La carrera se acelera.
2024 — 2026
Donde estamos hoy
Capacidad
Multimodal
Texto, imagen, video, código, voz — todo en un modelo
Autonomía
Agentes
IA que puede tomar acciones, no solo generar texto
Acceso
Open Source
LLaMA, Mistral, Gemma — modelos abiertos compiten con los propietarios
Gobierno
Regulación
EU AI Act, órdenes ejecutivas, debate global sobre límites
Estamos aquí. Pero recuerden los inviernos. ¿Qué podría salir mal esta vez?
El patrón
Ciclos de hype
Cada avance importante fue seguido por decepción cuando las expectativas superaron las capacidades.
60s
70s
80s
90s
2012
2023
???
Escriban en el chat — 30 segundos
¿Estamos en un ciclo de hype o en una revolución real? ¿Por qué?
HYPE
Gartner
El ciclo del hype
El modelo de Gartner describe cómo las tecnologías pasan por fases predecibles: entusiasmo excesivo, decepción, y finalmente adopción real.
La pregunta es: ¿dónde está la IA generativa en este ciclo hoy?
Sección 2
Cómo funciona realmente
Detrás de la magia hay matemáticas. Y las matemáticas son elegantes.
02
Definición
¿Qué es un LLM?
Large Language Model — Modelo Grande de Lenguaje. Es el motor detrás de ChatGPT, Claude, Gemini y todas las IAs conversacionales.
En palabras simples
Es un programa que leyó casi todo el texto disponible en internet
Aprendió los patrones del lenguaje humano: gramática, contexto, estilo, conocimiento
Ahora puede generar texto nuevo que suena como si lo escribiera un humano
Es "grande" porque tiene miles de millones de parámetros (conexiones internas ajustables)
Piensen en un LLM como un loro extremadamente sofisticado: no entiende lo que dice, pero reproduce los patrones del lenguaje.
LLM
El concepto central
Predicción del siguiente token
Un modelo de lenguaje predice la siguiente palabra (token) más probable, una a la vez.
"El gato se"
Input
"sentó" (72%)
"subió" (15%) "durmió" (8%)
No "entiende". Calcula distribuciones de probabilidad sobre todos los posibles siguientes tokens.
Por eso sin buen contexto las respuestas son genéricas: el modelo produce el promedio estadístico de todo lo que leyó. Darle contexto preciso cambia radicalmente el resultado.
T
Entrenamiento
Datos + Arquitectura + Cómputo
Ingrediente 1
Datos
Texto a escala de internet: libros, artículos, código, conversaciones. Billones de palabras.
Ingrediente 2
Arquitectura
Transformers: la estructura que permite procesar contexto en paralelo con atención.
Ingrediente 3
Cómputo
Miles de GPUs entrenando durante semanas. El costo de entrenar GPT-4 se estima en $100M+.
Como aprender un idioma leyendo todos los libros del mundo, sin que nadie te explique la gramática.
Arquitectura
¿Qué es un Transformer?
Es la "receta" que usan ChatGPT, Claude, Gemini y todos los modelos modernos. Funciona en 3 pasos:
01
Convierte palabras en números
Cada palabra se transforma en una lista de números que captura su significado. "Rey" y "Reina" tienen números parecidos porque significan cosas similares.
02
Mira todo al mismo tiempo
En vez de leer palabra por palabra, el Transformer ve TODA la oración a la vez y decide qué palabras se relacionan entre sí. Esto es la "atención".
03
Predice la siguiente palabra
Usando todo el contexto, calcula cuál es la palabra más probable que viene después. Y repite. Así genera texto completo, una palabra a la vez.
Piensen en el Transformer como un lector ultrarrápido que puede leer un libro entero al mismo tiempo, entender cómo se conecta cada palabra con todas las demás, y escribir la continuación más probable.
Atención
No todas las palabras pesan igual
Cuando el modelo lee tu prompt, no trata cada palabra por igual. Aprende cuáles son más relevantes para cuáles otras.
Elbancodelparqueestámojado
"parque" le dice al modelo que "banco" es un asiento, no una institución financiera. Eso es atención.
A
Lo inesperado
Capacidades emergentes
Aquí viene lo más sorprendente: nadie les enseñó a hacer esto. Los LLMs fueron entrenados SOLO para predecir la siguiente palabra. Pero al hacerlo con suficientes datos, aparecieron habilidades que nadie programó:
No lo entrenaron para esto
Razonamiento
Resuelve problemas lógicos paso a paso, sin haberle enseñado lógica
No lo entrenaron para esto
Traducción
Traduce entre docenas de idiomas sin entrenamiento específico en traducción
No lo entrenaron para esto
Programación
Escribe y arregla código funcional, sin ser un compilador
No lo entrenaron para esto
Creatividad
Genera analogías, metáforas e ideas que parecen originales
Es como enseñarle a alguien a leer y que de pronto sepa matemáticas. ¿Cómo pasó?
La explicación
¿Cómo emergieron?
El modelo leyó TODO internet. Al predecir la siguiente palabra en textos tan diversos, inevitablemente aprendió los patrones detrás del lenguaje:
Leyó textos bilingüesWikipedia en 100 idiomas, documentos de la ONU, subtítulos de películas. Aprendió que "cat" y "gato" aparecen en contextos idénticos. Resultado: sabe traducir.
Leyó código en GitHubMillones de repositorios con código y explicaciones. Aprendió que después de "def suma(a, b):" viene "return a + b". Resultado: sabe programar.
Leyó problemas resueltos paso a pasoLibros de texto, foros de matemáticas, exámenes con soluciones. Aprendió los PATRONES del razonamiento. Resultado: puede razonar.
No le enseñaron a traducir, programar o razonar. Aprendió los patrones de cómo los humanos hacen esas cosas, y los replica.
E
Entonces...
¿Qué puede y qué no puede hacer?
Si es un sistema de predicción de texto — no una mente — las implicaciones son claras:
Puede
Generar texto coherente y útil a partir de instrucciones claras
Transformar, resumir y analizar información
Traducir, programar, explicar conceptos complejos
Ser sorprendentemente creativo con analogías e ideas
No puede
Garantizar que algo sea verdadero — predice, no verifica
Acceder a internet ni a información en tiempo real
Reemplazar el juicio humano, el contexto ni la experiencia
Distinción clave
LLM vs Agente
Esta distinción es fundamental para entender las herramientas que usan hoy.
LLM = Cerebro solo
Genera texto a partir de un prompt
No tiene memoria entre conversaciones
No puede buscar en internet ni ejecutar acciones
Le pides un email: te da el texto
Agente = Cerebro + Herramientas
LLM conectado a herramientas externas
Puede buscar en internet, acceder a archivos, ejecutar código
Puede recordar contexto y tomar acciones
Le pides un email: lo redacta Y lo envía
ChatGPT con búsqueda web activada es un agente. ChatGPT sin búsqueda es un LLM solo.
Pausa
¿Hasta aquí todo claro?
Antes de seguir, asegurémonos de que la base está sólida.
Escriban en el chat — 30 segundos
¿Algo que no haya quedado claro? ¿Qué fue lo que más les sorprendió?
Ya entienden la teoría. Ahora vamos a verlo en acción con demos en vivo.
Sección 3
Demos en vivo
Vamos a ver las capacidades y los límites en tiempo real.
03
Demo 1
No todos los modelos son iguales
El mismo prompt en dos modelos diferentes produce resultados sorprendentemente distintos.
Prompt (copiar en ambos)
Soy director de operaciones de una empresa de logística con 200 empleados. Estoy evaluando implementar IA en el servicio al cliente. Dame un análisis honesto de pros, contras y riesgos. Sé directo, no me vendas la idea.
No hay un modelo "mejor". Hay modelos diferentes para tareas diferentes.
VS
Demo 2
Cuando la IA miente con total confianza
ChatGPT SIN búsqueda web. Modelo base solamente.
Prompt
Dame 5 artículos científicos sobre el impacto de la inteligencia artificial en la gestión de cadenas de suministro, publicados entre 2020 y 2024. Incluye: autor, título exacto, revista, año, y DOI.
La misma pregunta, dos maneras de formularla. Resultados radicalmente diferentes.
Sin Chain of Thought
"Tengo un presupuesto de $50,000 USD para marketing digital de una empresa B2B de software. ¿Cómo lo distribuyo?"
Con Chain of Thought
"Tengo $50,000 USD para marketing digital B2B de software. Piensa paso a paso: primero analiza los canales más efectivos para B2B, luego evalúa el ROI típico de cada canal, después propone una distribución justificada, y finalmente identifica los riesgos."
La calidad del output es directamente proporcional a la calidad del input.
ChatGPT con Deep Research activado. La diferencia entre generar texto e investigar de verdad.
Prompt
Investiga las 3 herramientas de IA más adoptadas en empresas latinoamericanas en 2025-2026. Para cada una: nombre, qué hace, cuántas empresas la usan, precio, y un caso de uso real documentado. Cita tus fuentes.
El modelo BUSCA en internet en tiempo real. Cita fuentes reales. Esto es un agente.
Demo 6
Algo que pueden usar mañana
De notas desordenadas a email profesional en segundos.
Prompt
Tengo estas notas de una reunión: "Cliente quiere reducir costos 15%, plazo Q3, preocupados por calidad, necesitan propuesta para el viernes, mencionaron que competencia ofrece mejor precio." Genera un email profesional de seguimiento al cliente que aborde cada punto. Tono formal pero cercano. Máximo 200 palabras.
Esto no reemplaza su criterio. Esto acelera su ejecución.
Sección 4
Pensamiento crítico
Usar IA sin criterio es más peligroso que no usarla.
04
Riesgo 1
Alucinaciones
El modelo genera información que suena posible pero es completamente falsa. Ocurre porque optimiza coherencia, no verdad.
Cuanto más confiada suena la IA, más cuidado debes tener.
Veamos casos reales que demuestran el impacto de este problema.
Caso real 1
Abogados sancionados
En junio de 2023, el abogado Steven Schwartz presentó un escrito legal ante un tribunal federal de Nueva York citando 6 casos judiciales que no existían. Todos fueron generados por ChatGPT.
Consecuencias
El juez P. Kevin Castel impuso una multa de $5,000 USD al abogado y su firma
Los casos citados tenían nombres de jueces reales, pero combinados con hechos inventados
ChatGPT incluso "confirmó" que los casos eran reales cuando se le preguntó
Fuente: Mata v. Avianca, Inc. (1:22-cv-01461), S.D.N.Y., junio 2023
!
Caso real 2
Papers fabricados
En 2024, varias editoriales científicas retractaron papers que contenían texto claramente generado por IA, incluyendo frases como "As an AI language model..." olvidadas en el texto.
El problema
Springer Nature retractó más de 50 papers sospechosos de ser generados por IA en 2024
Wiley cerró 19 revistas por artículos fabricados con IA
Papers con autores, datos experimentales y resultados completamente inventados pasaron revisión por pares
En 2023, el profesor Jonathan Turley de la Universidad George Washington descubrió que ChatGPT lo acusaba de acoso sexual citando un artículo de The Washington Post que nunca existió.
Patrón repetido
El alcalde de Hepburn Shire (Australia) amenazó con demandar a OpenAI por una biografía falsa que lo vinculaba a un escándalo de sobornos
ChatGPT genera datos biográficos con fechas, lugares y eventos precisos pero falsos
La confianza con la que escribe hace casi imposible distinguir lo real de lo inventado
Fuentes: USA Today (2023), The Guardian (2023), BBC News (2023)
?
Riesgo 2
Sesgo
Los datos de entrenamiento reflejan sesgos humanos. El modelo los amplifica.
Estereotipos de género en descripciones de trabajo
Sesgo racial en generación y clasificación de imágenes
Subrepresentación de idiomas y culturas minoritarias
La IA no tiene opiniones. Pero reproduce los patrones de sus datos.
!
Riesgo 3
Privacidad y datos
¿Qué pasa cuando escribes algo en ChatGPT?
!
Tus datos pueden usarse para entrenamientoA menos que lo desactives explícitamente en configuración
!
No pegues información sensibleDatos de clientes, contratos, propiedad intelectual, información financiera, datos médicos
!
Las conversaciones se almacenanPueden ser revisadas por el proveedor para mejorar el servicio
Reflexión
La paradoja
Delegación
"Escribe mi ensayo sobre X"
"Resuelve este problema por mí"
Resultado: entregaste algo, no aprendiste nada
Aumentación
"Revisa la lógica de mi argumento"
"Explícame este concepto de otra forma"
Resultado: mejoraste tu trabajo Y tu comprensión
Guía
5 reglas para uso crítico
01
Nunca confíes sin verificarSi no puedes comprobar la respuesta, no la uses como hecho
02
Entiende lo que no puede hacerNo accede a internet en tiempo real, no "sabe" cosas, no razona como humano
03
Protege información sensibleLo que escribes puede almacenarse y usarse para entrenamiento
04
Aumenta, no reemplaces, tu pensamientoÚsala como herramienta, no como sustituto de aprender
05
Mantente curioso sobre cómo funcionaEntender la tecnología te da ventaja sobre quien solo la usa
Sección 5
El arte de la instrucción
La calidad de la respuesta depende de la calidad de la pregunta.
05
Fundamento
Programar en lenguaje natural
La calidad del output es directamente proporcional a la calidad del input. No es un hack ni un truco: es la interfaz entre intención humana y capacidad de máquina.
Instrucción vaga
"Hazme un reporte de ventas"
Instrucción precisa
"Genera un reporte ejecutivo de ventas Q1 2026 para presentar al board. Incluye: tendencias vs Q4 2025, top 3 productos por revenue, y 2 riesgos identificados. Formato: bullet points. Máximo 300 palabras. Tono directo."
P
Framework
La fórmula: RAFAT
Rol
Quién quieres que sea la IA
Acción
Qué necesitas que haga
Formato
Cómo quieres la respuesta
Antecedentes
Contexto y datos relevantes
Temperatura
Nivel de creatividad vs precisión
Ejemplo profesional
R Actúa como consultor de operaciones con 20 años de experiencia en logística. A Analiza los cuellos de botella más comunes en una cadena de suministro B2B. F Tabla con problema, impacto y acción recomendada. A Somos una empresa mediana de distribución con 150 empleados y operaciones en 3 países. T Sé directo y práctico, sin jerga innecesaria.
Técnica clave
Chain of Thought
Pedirle a la IA que "piense paso a paso" mejora dramáticamente la calidad de sus respuestas. No es un truco — es cómo funciona mejor la arquitectura.
Sin Chain of Thought
Prompt: "Hazme una página web para venta de boletería"
Respuesta: genera un HTML genérico con un formulario básico, sin considerar pagos, asientos, ni validaciones
Con Chain of Thought
Prompt: "Piensa paso a paso: ¿qué necesita una página web de venta de boletería? Primero lista los requisitos, luego diseña la estructura, y finalmente genera el código."
Respuesta: analiza requisitos (catálogo de eventos, selección de asientos, pasarela de pago, confirmación por email), propone arquitectura, y genera código completo y funcional
Mecanismo
¿Por qué funciona?
El modelo genera un token a la vez. Cuando le pides razonar paso a paso, cada paso intermedio se convierte en contexto para el siguiente — como si le dieras más "espacio para pensar".
01
Descompone el problemaEn vez de saltar a la respuesta, identifica sub-problemas
02
Genera contexto intermedioCada paso que escribe se vuelve parte del input para el siguiente
03
Reduce errores acumuladosLos pasos visibles permiten "corregir el rumbo" antes de la conclusión
1+1
Aplicación
Cuándo usar Chain of Thought
Ideal para
Problemas lógicos
Matemáticas, programación, análisis de datos, diagnósticos
Ideal para
Decisiones complejas
"Evalúa los pros y contras paso a paso antes de recomendar"
Ideal para
Análisis de textos
"Lee este párrafo, identifica la tesis, luego evalúa la evidencia"
No necesario para
Tareas simples
Traducciones, resúmenes cortos, preguntas de un solo dato
Frases que activan CoT
"Piensa paso a paso" / "Razona antes de responder" / "Muestra tu proceso de pensamiento" / "Primero analiza, luego concluye"
Más técnicas
Otras técnicas avanzadas
Técnica
Iteración
"Mejora esto considerando X" — refinar en múltiples pasos hasta obtener lo que quieres
Técnica
Restricciones
"No uses jerga técnica" / "Máximo 200 palabras" / "Formato de tabla"
Técnica
Contradicción
"Ahora argumenta en contra de tu propia respuesta"
Decirle al modelo lo que NO debe hacer suele ser contraproducente. En vez de "no uses jerga técnica", dile "usa lenguaje simple y directo". Instrucciones positivas producen mejores resultados.
Visión
70 años de investigación. Entender la historia = tener perspectiva.
La IA no apareció de la nada. Es el resultado de décadas de trabajo, fracasos y descubrimientos. La mayoría de usuarios no sabe esto. Ustedes ahora sí.
Para recordar
3 ideas clave
01
La IA predice, no piensaVerificar siempre. Nunca asumir que es correcto porque suena bien.
02
Tu capacidad de hacer buenas preguntas es tu mayor ventajaPrompt engineering no es un truco — es comunicación efectiva con la máquina.
03
Usarla bien es una habilidadEmpiecen a practicar hoy. Experimenten, fallen, mejoren.
Abrir ChatGPT
Abrir Claude
Abrir Gemini
