Cuando una descripción deja demasiado margen para interpretaciones, muestra al modelo ejemplos del resultado deseado. Un pequeño conjunto de pares representativos de entrada y salida puede concretar mejor que los adjetivos el tono, el formato o los límites de una clasificación.
Esta técnica se denomina prompting con pocos ejemplos (few-shot prompting). El nombre procede de la investigación en aprendizaje automático: el artículo original sobre GPT-3 estudió cómo se comportan los modelos cuando reciben una tarea y ejemplos en el contexto, sin actualizar parámetros específicos para esa tarea (Brown et al., 2020). El mismo trabajo encontró tareas en las que el rendimiento con pocos ejemplos era limitado, así que conviene evaluar la técnica en vez de tratarla como una mejora universal.
Este artículo explica en qué consiste, cuándo utilizarlo y cómo probarlo mediante ejemplos prácticos.
Por qué los ejemplos funcionan mejor que las descripciones
Haz este experimento mental. Imagina que te pido que reproduzcas el tono de mi empresa en un texto de marketing. Podría describirlo como «cercano pero profesional, cálido pero no informal, seguro pero nunca arrogante, con lenguaje sencillo pero no simplista». Tras leer esas indicaciones, probablemente las entenderías, pero escribirías algo bastante distinto de lo que yo esperaba.
En cambio, si te mostrara tres párrafos breves que representan bien ese tono, tendrías un objetivo más concreto. Podrías comparar la elección de palabras, la longitud de las frases y la estructura, en lugar de interpretar únicamente los adjetivos.
Los modelos también pueden usar los ejemplos de esta manera. Adjetivos como «cercano», «profesional» y «seguro» admiten muchas interpretaciones válidas. Los ejemplos concretos revelan decisiones que la instrucción quizá no mencione. La guía de OpenAI sobre ingeniería de prompts describe el aprendizaje con pocos ejemplos como una forma de orientar al modelo con unos cuantos pares de entrada y salida, y recomienda mostrar una gama diversa de entradas posibles con sus salidas deseadas. Que mejore el resultado depende del modelo, la tarea, los ejemplos y los criterios de evaluación.
Cuándo usar prompting con pocos ejemplos
Algunas situaciones en las que merece la pena probar ejemplos:
Coincidir con un tono específico. “Escribe en el tono de nuestra empresa.” Si una descripción breve deja margen para interpretaciones, añade también ejemplos representativos ya aceptados.
Producir un formato coherente. En cualquier tarea donde el resultado deba mantener siempre la misma estructura, como descripciones de productos, mensajes de error, respuestas de API, informes semanales o actualizaciones de estado, muestra el formato además de describirlo.
Resultados poco habituales. «Escribe un hilo para X como lo hace [a specific person you follow]». «Genera títulos para un blog interno». «Escribe comentarios de código como los redacta nuestro equipo». Estas tareas siguen convenciones difíciles de expresar con palabras.
Reproducir un estilo para traducción, resumen o reescritura. “Reescribe esto en el mismo estilo que estos tres ejemplos que te mostraré.”
Cualquier resultado que siempre corriges de la misma manera. Si editas repetidamente la respuesta del modelo en la misma dirección, por ejemplo para acortarla, sustituir una palabra o ajustar la estructura, proporciónale ejemplos ya corregidos.
Estructura básica
Un prompt práctico con pocos ejemplos tiene tres partes: una instrucción breve, un conjunto representativo de ejemplos y la nueva tarea.
Genera una descripción de un producto en una sola línea para una herramienta de SaaS B2B. Ajusta el estilo a los ejemplos que te muestro.
Ejemplo 1: Producto: ProjectHub Descripción: Un espacio compartido para equipos de proyectos que están cansados de cambiar entre cinco herramientas para hacer un trabajo.
Ejemplo 2: Producto: TimeFlow Descripción: Una aplicación de seguimiento de tiempo para personas que odian las aplicaciones de seguimiento de tiempo.
Ejemplo 3: Producto: ClearStack Descripción: Una herramienta de informes que convierte hojas de cálculo en decisiones.
Ahora escribe una para: Producto: PromptDesk Descripción:
El patrón solicitado es breve, con personalidad, ligeramente desenfadado y centrado en una frustración o un público concreto. Comprueba el resultado con esos criterios: los ejemplos pueden orientar el patrón, pero no garantizan una buena descripción.
Tres ejemplos prácticos
Veamos tres situaciones en las que los ejemplos pueden aclarar el objetivo.
1. Comentarios de informes de errores en el estilo de tu equipo
Imagina que tu equipo redacta los tickets de Jira de una forma específica: breves, centrados en el impacto para el usuario y sin jerga. Quieres que la IA siga ese mismo estilo.
Redacta una descripción de un ticket de Jira siguiendo el formato que se muestra a continuación.
Ejemplo 1: Al iniciar sesión con Google, el usuario ve durante un instante un idioma incorrecto antes de que se actualice la interfaz. Ocurre siempre en Chrome para ordenadores. No impide continuar, pero produce una mala impresión.
Pasos:
- Cerrar sesión
- Volver a iniciar sesión con Google
- Observar el destello inicial de la página
Esperado: el idioma permanece consistente Real: aparece brevemente el inglés, aparentemente el idioma predeterminado
Ejemplo 2: El botón de exportar a CSV devuelve un archivo vacío en informes semanales con >1000 filas. Los informes más pequeños se exportan correctamente.
Pasos:
- Abrir informe semanal con 1000+ filas
- Hacer clic en Exportar → CSV
- Abrir el archivo descargado
Esperado: datos completos Real: el archivo tiene 0 bytes
Ahora redacta uno para: Problema: Los usuarios de Safari indican que el menú móvil no se cierra después de pulsar un enlace. Recargar la página lo corrige. Parece un problema con el confinamiento del foco.
Revisa que el borrador respete la estructura, el tono y los hechos solicitados. Los ejemplos hacen explícito el objetivo, pero el modelo aún puede omitir un campo o inferir un detalle que no se le proporcionó.
2. Reescritura en el estilo de la marca
Imagina que tienes el borrador de un correo y quieres adaptarlo al estilo de la marca. «Sé más cálido» admite varias interpretaciones; los ejemplos pueden concretar el registro deseado.
Reescribe el correo electrónico siguiente para que coincida con el estilo de estos ejemplos. El estilo es: directo, sin relleno corporativo, ligeramente autoconsciente, nunca dice “sinergia” ni “aprovechar”.
Ejemplo 1: “Hemos pospuesto el lanzamiento una semana. El cambio de escalado automático era más grande de lo que pensábamos. Nueva fecha de envío: viernes 22.”
Ejemplo 2: «Un pequeño favor: ¿podrías revisar este borrador? Sobre todo la segunda sección. Creo que se alarga demasiado, pero no estoy seguro».
Ejemplo 3: «Aviso: mañana voy a cuestionar el plazo durante la reunión. Las cifras no cuadran y prefiero señalarlo ahora que incumplirlo después».
Reescribe esto en el mismo estilo:
[paste your draft]
Compara la reescritura con los ejemplos y con los hechos de origen antes de usarla. Si tu plan y espacio de trabajo de ChatGPT permiten crear GPT, puedes incluir los ejemplos en las instrucciones de un GPT personalizado. OpenAI recomienda probar los GPT configurados en Vista previa porque las instrucciones no garantizan una salida idéntica en cada ejecución.
3. Extracción estructurada
Imagina que tienes facturas aprobadas en PDF y quieres que un modelo apto extraiga sus datos con un formato limpio. Tras confirmar que la herramienta y el flujo de datos están aprobados para esos documentos, carga una, proporciona un ejemplo del resultado deseado y después solicita la extracción de las demás.
Extrae datos de facturas en PDF en este formato exacto de JSON.
Ejemplo:
Entrada: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Salida:
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flight TLL-LHR", "amount": 387.00}, {"description": "Checked bag", "amount": 36.50} ], "category": "Travel" }Ahora extrae de esta factura: [attach new PDF]
El ejemplo especifica el esquema de destino, pero aún debes validar el esquema y comprobar el resultado con la factura. No trates un objeto JSON plausible como prueba de que los importes, las fechas o las partidas se extrajeron correctamente.
Errores comunes con prompting con pocos ejemplos
Tres errores a tener en cuenta:
Ejemplos que se contradicen entre sí. Si los ejemplos varían en estilo o asignan etiquetas distintas a entradas similares, el modelo puede reproducir la ambigüedad. Mantén coherente la regla deseada y cubre a la vez variaciones significativas de las entradas.
Ejemplos que no cubren variaciones significativas. No existe una cantidad óptima universal. Empieza con el conjunto más pequeño que muestre el patrón y los casos límite importantes; después, añade o elimina ejemplos según pruebas representativas. Cada ejemplo consume contexto y puede introducir otro patrón que el modelo deba conciliar.
Ejemplos que contienen errores que no quieres reproducir. El modelo puede reproducir erratas, frases torpes o decisiones estructurales accidentales. Limpia el conjunto antes de usarlo y comprueba las nuevas salidas en vez de asumir que solo se transfirió el patrón deseado.
Un error especialmente sutil consiste en mostrar ejemplos de entrada, pero no de salida. «Aquí tienes tres artículos para los que quiero que escribas títulos: [three articles]». Eso es zero-shot, no few-shot: el modelo no ha visto cómo es un buen título. Compáralo con lo siguiente:
Aquí tienes tres artículos con el tipo de títulos que me gustaría. Ajusta el estilo:
Ejemplo 1: [article] → Título: ”…” Ejemplo 2: [article] → Título: ”…” Ejemplo 3: [article] → Título: ”…”
Ahora escribe un título para: [new article]
La pareja entrada → salida es la unidad básica del few-shot. Sin la salida, el modelo no dispone del patrón que debe aprender.
Cómo construir una biblioteca de ejemplos
Cuando empieces a utilizar few-shot, acumularás conjuntos de «ejemplos que funcionaron». Consérvalos en:
- GPT personalizados o Proyectos de Claude: guarda los ejemplos probados en instrucciones de alcance limitado que puedas revisar y actualizar.
- Un administrador de fragmentos de texto (TextExpander, Raycast, Espanso): usa atajos que se expandan en tus ejemplos.
- Un archivo de notas organizado por caso de uso (“ejemplos de voz de marca”, “ejemplos de formato de tickets”, “ejemplos de títulos”) que puedas pegar rápidamente.
Con el tiempo, esta biblioteca puede basarse en resultados que tu equipo haya aceptado realmente y resultar más útil que un paquete de prompts genérico que no se ha probado con tu trabajo.
Los ejemplos superan a los adjetivos
Cuando puedas describir el resultado con precisión, hazlo. Cuando reconozcas el estilo pero no puedas articularlo por completo, añade ejemplos representativos de entrada y salida. Después, prueba el prompt con casos comunes y casos límite antes de convertirlo en un flujo de trabajo reutilizable.
Los ejemplos pueden aclarar lo que los adjetivos dejan ambiguo. Prueba la técnica en un prompt donde importen el estilo o el formato y consérvala solo si mejora las salidas comprobadas.
