Razonamiento de cadena de pensamiento: ejemplos
Respuesta rápida: ejemplo de razonamiento de cadena de pensamiento: Un buen ejemplo moderno no pide que el modelo muestre toda su cadena interna. Pide supuestos, pasos visibles, respuesta final y verificación breve. Así obtenés una explicación útil para estudiar, auditar cálculos o comparar opciones sin forzar razonamiento privado extenso.
Qué es el razonamiento de cadena de pensamiento
Chain-of-Thought prompting significa guiar al modelo para que resuelva una tarea en pasos. En problemas de lógica, matemática, planificación o análisis, dividir el razonamiento puede ayudar a reducir errores y mejorar la explicación para el usuario.
La versión moderna de esta técnica no es "mostrame todo lo que pensás". Es mejor pedir una solución paso a paso visible, una justificación breve, una tabla de criterios o una verificación final. Así obtenés una respuesta útil sin depender de una cadena interna larga e innecesaria.
Ejemplo de razonamiento de cadena de pensamiento seguro
Usá esta plantilla cuando querés que la respuesta sea clara y verificable:
Problema: tengo que comparar dos opciones con varios criterios.
Devolvé:
1. Supuestos importantes.
2. Criterios de decisión.
3. Pasos visibles de análisis.
4. Respuesta final.
5. Verificación breve o posible error.La clave es pedir una explicación visible para el usuario, no la cadena interna completa del modelo. Este enfoque funciona mejor para educación, análisis de datos, decisiones de producto, soporte, SEO, negocios y ejercicios de lógica.
3 ejemplos de chain of thought prompting moderno
Estos ejemplos usan la idea de chain of thought como salida estructurada y verificable. No piden revelar todo el razonamiento interno: piden pasos visibles suficientes para aprender, auditar y corregir.
| Caso | Prompt recomendado | Salida esperada |
|---|---|---|
| Entrevista técnica | Resolvé este ejercicio. Mostrá supuestos, pasos visibles, respuesta final y 2 casos borde. | Explicación corta, solución y verificación. |
| Decisión de portfolio | Compará estos 2 proyectos para postular a frontend junior. Usá criterios, riesgos y recomendación final. | Tabla de criterios y una decisión accionable. |
| Automatización con IA | Diseñá un flujo para resumir emails. Incluí supuestos, pasos, control humano y errores posibles. | Proceso verificable sin ocultar riesgos. |
Cuándo usar razonamiento paso a paso
| Usalo cuando | No hace falta cuando |
|---|---|
| Hay varias condiciones o restricciones. | La tarea es una traducción simple. |
| Necesitás comparar opciones con criterios. | Solo querés una lista de ideas rápidas. |
| Hay cálculos, pasos o dependencias. | La respuesta es factual y directa. |
| Querés detectar errores antes de finalizar. | La tarea ya tiene un formato obvio. |
Prompt recomendado para respuestas razonadas
En lugar de pedir "pensá paso a paso y mostrá todo", pedí una salida verificable:
Analizá el problema con cuidado.
Devolvé:
1. Supuestos importantes.
2. Pasos visibles de solución.
3. Respuesta final.
4. Verificación breve para detectar errores.Esto funciona bien para usuarios porque muestra el proceso útil, no una cadena de razonamiento excesiva.
Ejemplo: elegir una ruta de aprendizaje
Necesito elegir entre Python + SQL o JavaScript + TypeScript.
Contexto: tengo 6 horas semanales, busco primer empleo en 12 meses y me interesa IA.
Compará ambas rutas con criterios de dificultad, portfolio, empleabilidad y motivación.
Respondé con tabla, recomendación final y próximos 7 días.Este prompt fuerza criterios y una decisión, pero no obliga al modelo a exponer razonamiento interno extenso.
Ejemplo: resolver un problema con verificación
Un curso tiene 120 estudiantes.
El 40% completa la primera semana.
De quienes completan la primera semana, el 25% compra un plan pago.
Calculá cuántos compran.
Mostrá pasos visibles y una verificación breve.Salida esperada:
1. Completan la primera semana: 120 * 0.40 = 48.
2. Compran plan pago: 48 * 0.25 = 12.
Respuesta final: 12 estudiantes compran.
Verificación: 12 es el 10% del total inicial, coherente con 40% * 25%.Chain-of-Thought vs razonamiento oculto
| Enfoque | Qué pedís | Cuándo conviene |
|---|---|---|
| Pasos visibles | Una explicación breve y auditables. | Educación, tutoriales, soporte, análisis. |
| Verificación | Comprobar resultado, supuestos o edge cases. | Cálculos, código, decisiones de negocio. |
| Razonamiento interno | Que el modelo piense antes de responder. | Modelos de razonamiento lo hacen internamente; no hace falta forzarlo. |
OpenAI recomienda que, con modelos de razonamiento, los prompts sean simples y directos. Pedir "think step by step" o "explain your reasoning" puede ser innecesario e incluso empeorar algunos resultados porque esos modelos ya razonan internamente.
Mejor alternativa: pedir estructura
Si querés mejores respuestas, pedí estructura concreta:
- Supuestos: qué datos se dan por válidos.
- Criterios: cómo se decide qué opción gana.
- Pasos visibles: explicación corta para el usuario.
- Respuesta final: conclusión sin ambigüedad.
- Chequeo: posibles errores, límites o casos borde.
Errores comunes
| Error | Problema | Mejor prompt |
|---|---|---|
| Pedir "mostrá todo tu razonamiento" | Genera respuestas largas y no siempre mejores. | Mostrá pasos visibles y respuesta final. |
| No definir éxito | El modelo no sabe qué optimizar. | Priorizá precisión, claridad y verificación. |
| Usarlo para tareas simples | Hace lento algo directo. | Respondé en una frase. |
| No pedir verificación | Puede arrastrar errores. | Incluí un chequeo final de supuestos. |
Cómo usarlo en la API de OpenAI
Para modelos de razonamiento en la Responses API, mantené el prompt directo y especificá el resultado esperado. Si necesitás una explicación, pedí una explicación breve orientada al usuario, no la cadena interna completa.
const response = await client.responses.create({
model: "gpt-5",
reasoning: { effort: "medium" },
input: [
"Compará dos rutas de aprendizaje para un principiante.",
"Devolvé supuestos, tabla de criterios, recomendación final y verificación breve."
].join("\n")
});OpenAI no expone los tokens crudos de razonamiento. Si necesitás una explicación del proceso en una integración, usá resúmenes de razonamiento cuando el modelo lo soporte o pedí una salida visible con supuestos, criterios, respuesta final y chequeo. Esa diferencia es importante para productos, cursos, auditorías y flujos profesionales.
Referencias oficiales: Reasoning best practices de OpenAI y Prompt engineering de OpenAI.
Mini ejercicio: reescribí prompts demasiado vagos
Transformá estos prompts en instrucciones con supuestos, criterios, salida final y verificación:
Decime qué curso estudiar.Resolvé este problema de matemáticas.Analizá mi idea de negocio.
Ejemplo de mejora:
Analizá esta idea de negocio para LATAM.
Contexto: tengo 10 horas semanales y presupuesto bajo.
Devolvé supuestos, riesgos, criterios de validación, primeros 3 experimentos y una verificación final.De prompt a habilidad laboral
La habilidad laboral no es repetir "think step by step"; es diseñar prompts que produzcan decisiones auditables. Esto sirve para análisis, educación, soporte, SEO, data, producto y automatización.
- Creá 5 prompts con estructura de supuestos, criterios y verificación.
- Probá cada prompt con casos fáciles, medios y ambiguos.
- Documentá cuándo mejora y cuándo no aporta.
- Convertí el resultado en un caso de portfolio.
- Conectalo con rutas de empleos tech o servicios del marketplace de profesionales.
- Sumate al newsletter de Cursalo para recibir nuevas prácticas de prompts, portfolio y empleabilidad.
