Saltar al contenido

Lección 4 de 15 · Lectura y práctica

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.

Del concepto a la práctica

Taller de esta lección

Para obtener resultados auditables no necesitas solicitar razonamientos privados extensos. Es más útil pedir supuestos, operaciones visibles y una comprobación final. Así puedes revisar el resultado sin confundir una explicación larga con una garantía de exactitud.

Ejemplo resuelto

Un equipo compara dos planes: A cuesta 80 euros y añade 15 de envío; B cuesta 95 euros con envío incluido. El prompt pide mostrar precio total, diferencia y condición que podría cambiar la decisión. La salida debe calcular A = 95, B = 95 y diferencia = 0, indicando que el plazo de entrega sigue pendiente.

Pruébalo

  1. Proporciona dos alternativas con precio y cantidad.

  2. Pide una tabla de operaciones.

  3. Solicita una comprobación independiente.

  4. Separa datos conocidos de supuestos.

Error frecuente: pedir “piensa en voz alta” como sustituto de criterios. Corrección: exige pasos resumidos, cálculo visible y verificación.

Ejercicio: compara 3 paquetes de 12 euros con un descuento de 5 euros frente a 30 euros sin descuento.

Comprueba tu resultado

El primer total debe ser 31 euros, el segundo 30, y la conclusión debe reconocer que el segundo es 1 euro más barato.

Cinco piezas de un pedido a la IA: objetivo, contexto, límites, formato y criterio de evaluación.
CursaloMapa de práctica
Un pedido que se puede evaluar

Un pedido útil explica qué resultado se busca y aporta el contexto necesario. Los límites y el formato reducen ambigüedades. Un criterio observable permite revisar el resultado y pedir un ajuste concreto.

Ver la infografía en tamaño completo ↗
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.

CasoPrompt recomendadoSalida 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 cuandoNo 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

EnfoqueQué pedísCuándo conviene
Pasos visiblesUna explicación breve y auditables.Educación, tutoriales, soporte, análisis.
VerificaciónComprobar resultado, supuestos o edge cases.Cálculos, código, decisiones de negocio.
Razonamiento internoQue 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

ErrorProblemaMejor prompt
Pedir "mostrá todo tu razonamiento"Genera respuestas largas y no siempre mejores.Mostrá pasos visibles y respuesta final.
No definir éxitoEl modelo no sabe qué optimizar.Priorizá precisión, claridad y verificación.
Usarlo para tareas simplesHace lento algo directo.Respondé en una frase.
No pedir verificaciónPuede 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:

  1. Decime qué curso estudiar.
  2. Resolvé este problema de matemáticas.
  3. 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.

Sigue con ChatGPT y Prompt Engineering Avanzado

Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.

Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.