Cuando descubrí Chain of Thought entendí que estaba usando muchas herramientas de una forma que no aprovechaba ni la mitad de lo que podían dar. Este artículo es lo que me habría gustado leer antes de perder esos meses.
Qué es Chain of Thought y por qué importa
Chain of Thought, que en español podría traducirse como «cadena de pensamiento», es una técnica de prompting que consiste en pedirle al modelo que muestre su razonamiento paso a paso antes de llegar a una conclusión, en lugar de saltar directamente a la respuesta final.
La diferencia parece sutil pero el efecto es significativo, especialmente en tareas que requieren razonamiento, análisis o resolución de problemas con múltiples pasos.
Cuando un modelo de lenguaje genera texto, lo hace de forma secuencial — cada token que produce está condicionado por lo que ha generado antes. Si le pides directamente la respuesta a algo complejo, el modelo llega a esa respuesta sin haber «procesado» los pasos intermedios de forma explícita. Cuando le pides que razone en voz alta, cada paso que escribe se convierte en contexto para el siguiente, lo que produce razonamientos más coherentes y respuestas más precisas.
No es magia. Es darle al modelo el espacio para construir la respuesta en lugar de obligarle a adivinarla de un salto.
Cómo lo descubrí y qué pasó la primera vez que lo usé en serio
Estaba intentando que una IA me ayudara a evaluar una decisión con varias variables: coste, tiempo, riesgo y alternativas disponibles. Cada vez que preguntaba directamente obtenía una respuesta genérica que no sopesaba realmente los factores — simplemente enumeraba consideraciones sin llegar a ninguna conclusión útil.
Por casualidad, en lugar de pedir «¿qué opción es mejor?», escribí algo así: «Analiza esta situación paso a paso. Primero evalúa el coste de cada opción, luego el tiempo, luego el riesgo. Después compara y dime cuál recomendarías.»
La respuesta fue completamente diferente. El modelo fue por cada factor, construyó un análisis real y llegó a una recomendación con argumentos concretos que podía rebatir o aceptar. No era un listado de consideraciones — era un razonamiento.
Desde ese día empecé a aplicar la misma lógica de forma deliberada en cualquier tarea que tuviera cierta complejidad.
Las tres formas de aplicarlo que más uso
Con el tiempo he desarrollado tres variantes según el tipo de tarea. No son las únicas formas de usar Chain of Thought, pero son las que me han dado resultados más consistentes.
La primera es la instrucción directa de pasos. Cuando tengo claro qué pasos quiero que recorra el modelo, los explicito: «Primero haz X, luego Y, luego Z, y después dame tu conclusión.» Funciona especialmente bien para análisis estructurados donde yo ya sé qué dimensiones importan.
La segunda es pedirle que se haga preguntas antes de responder. La instrucción sería algo así: «Antes de responder, hazte las preguntas relevantes sobre este problema y respóndelas. Luego dame tu conclusión.» Esta variante es útil cuando no sé exactamente qué variables son importantes y quiero que el modelo las identifique por sí mismo.
La tercera es la revisión del razonamiento propio. Una vez que el modelo ha dado una respuesta, le pido: «Revisa tu razonamiento anterior. ¿Hay algún punto débil en tu argumento o alguna perspectiva que no hayas considerado?» Esto funciona sorprendentemente bien para detectar conclusiones apresuradas o argumentos circulares.
Un ejemplo concreto con el antes y el después
Para que no quede en abstracto, aquí va un ejemplo real de cómo cambia la calidad de la respuesta.
Prompt sin Chain of Thought: «¿Debería publicar contenido diariamente o semanalmente?»
La respuesta típica es una lista de pros y contras de cada opción, sin tomar partido, sin considerar mi contexto específico, sin llegar a ninguna conclusión útil. Correcta, inútil.
Prompt con Chain of Thought: «Voy a darte mi situación: publico solo, sin equipo, dedico unas 8 horas semanales al contenido y llevo 4 meses empezando. Analiza paso a paso: primero qué implica publicar diariamente para alguien en esta situación, luego qué implica publicar semanalmente, luego qué dice la evidencia sobre engagement y crecimiento en cada caso, y finalmente dame una recomendación clara con argumentos.»
La respuesta que obtienes con esto considera el contexto real, razona sobre cada implicación y llega a una recomendación específica que puedes evaluar. El proceso es visible, lo que significa que puedes identificar si hay un paso donde el razonamiento no te convence y rebatirlo.
Esa posibilidad de rebatir pasos concretos del razonamiento, en lugar de aceptar o rechazar una conclusión opaca, es una de las cosas que más valor le da a esta técnica.
Lo que no funciona y cuándo no tiene sentido usarlo
Chain of Thought no mejora la calidad de las respuestas en todos los casos. Para preguntas factuales simples — fechas, definiciones, datos concretos — pedir que razone paso a paso no aporta nada y solo añade texto innecesario.
Tampoco es útil cuando la tarea es principalmente creativa y el razonamiento explícito interfiere con el resultado. Si pido un poema o un párrafo de introducción, pedirle al modelo que razone en voz alta antes de escribirlo produce textos más mecánicos, no mejores.
Y hay un riesgo concreto que conviene tener en cuenta: Chain of Thought puede producir razonamientos que parecen sólidos pero que tienen errores. El hecho de que el modelo muestre sus pasos no garantiza que esos pasos sean correctos — solo hace los errores más visibles, lo cual es mejor que ocultarlos pero no los elimina. Siempre toca revisar el razonamiento, no solo la conclusión.
Por qué esta técnica me parece la más importante de las que he aprendido
He probado muchas técnicas de prompting. Algunas son útiles en casos específicos. Chain of Thought es la única que ha cambiado de forma consistente cómo uso cualquier modelo en cualquier tipo de tarea compleja.
La razón es que no es un truco para un caso de uso concreto. Es un cambio de mentalidad sobre qué le estás pidiendo a la IA cuando formulas una instrucción.
Cuando pides una respuesta estás pidiendo un destino. Cuando pides un razonamiento estás pidiendo un camino. Para tareas simples, el destino es suficiente. Para todo lo que requiere análisis, criterio o resolución de problemas con variables, el camino es lo que tiene valor — no solo porque te lleva al destino, sino porque te permite entender cómo llegaste ahí y decidir si confías en la ruta.
Eso es lo que Chain of Thought le da a cualquier prompt. Y una vez que empiezas a usarlo de forma consciente, es difícil volver a hacer preguntas simples esperando respuestas complejas.
