El prompting encadenado es la estrategia que te permite descomponer una tarea compleja en pasos sucesivos dentro de una misma conversación con ChatGPT, aprovechando la ventana de contexto para profundizar, corregir e incorporar nueva información sobre la marcha. Es una técnica clave si trabajas en marketing, emprendimiento, educación o cualquier rol donde necesites resultados con criterio y consistencia.
¿Qué es el prompting encadenado y en qué se diferencia del zero-shot?
El punto de partida es entender que existen dos formas básicas de pedirle algo a la IA. Una rápida y otra progresiva.
El zero-shot prompting entrega un único prompt y espera una respuesta completa. El prompting encadenado, también llamado prompting progresivo, divide la tarea en partes y pide una a la vez [00:18]. Cada respuesta queda guardada en la ventana de contexto, que es toda la información que el modelo puede ver dentro de la conversación.
¿Qué es la ventana de contexto en ChatGPT? Es la memoria activa de la conversación. La IA no responde solo a tu última pregunta, sino que considera todo lo que ya escribieron tú y ella dentro del mismo chat.
Esto cambia la dinámica: dejas de tratar a ChatGPT como un buscador y empiezas a tratarlo como un colaborador con el que iteras.
¿Cómo aplicar prompting encadenado paso a paso?
Para verlo en acción, imagina que quieres llegar desde una idea de negocio hasta el guion de un pitch para levantar capital [01:30]. La secuencia se construye así:
- Generar ideas iniciales. Asignas un rol ("experto en innovación con 15 años de experiencia"), pides cinco ideas innovadoras de negocios digitales y exiges una tabla comparativa con nombre, descripción, potencial de innovación y complejidad.
- Elegir y profundizar. Tomas una idea, por ejemplo Skill Chain (certificaciones verificadas en blockchain), y le pides armar el plan de negocios con el formato Business Model Canvas, además de una lista de tendencias relacionadas.
- Activar la búsqueda web. Aquí entra un pro tip: combinar el prompting encadenado con la herramienta de búsqueda de ChatGPT para que las tendencias vengan de información real de mercado [03:50].
- Consolidar el proyecto. Pides potenciar la idea con esas tendencias y armar un documento completo: resumen ejecutivo, problema y oportunidad, propuesta de valor, solución y tecnología, modelo de negocio, estrategia de crecimiento y ventaja competitiva.
- Convertir en pitch. Activas un nuevo rol ("experto en pitch con storytelling de Y Combinator") y pides el contenido diapositiva por diapositiva [06:30].
- Sumar el guion del presentador. Como toda la información ya está en la conversación, basta con pedir las notas de cada slide para tener qué decir frente a inversionistas.
La clave: cada paso se apoya en el anterior sin tener que repetir contexto.
¿Por qué funciona mejor que un solo prompt gigante?
Porque te da tres cosas que el zero-shot no puede dar: flexibilidad para corregir, profundidad temática y la posibilidad de incorporar feedback real entre paso y paso. Si la IA se desvía, lo notas en el momento y rediriges.
¿Cómo se combina el prompting encadenado con modelos de razonamiento?
Aquí la técnica sube de nivel. ChatGPT ofrece un selector de modelos donde conviven el modelo instant, los modelos thinking (disponibles en Plus) y el modelo Pro que razona durante más tiempo [08:10].
Los modelos de pensamiento aplican lo que se conoce como cadena de pensamiento (chain of thought): antes de responder, iteran internamente cuál es la mejor forma de resolver el problema. Era una técnica de prompting que los usuarios escribían a mano hace unos años; hoy viene incorporada en el modelo.
¿Cuándo conviene usar el modelo thinking? Cuando la tarea exige criterio, estructura compleja o decisiones encadenadas. Para respuestas rápidas y livianas, el modelo instant basta.
Puedes incluso regular cuánto "jugo de pensamiento" quieres: ligero para demos rápidas, alto para problemas serios.
Caso práctico: campaña de marketing para un curso
El ejemplo del transcript diseña una campaña para un curso de ChatGPT en Platzi [09:40]. La secuencia con modelo thinking se ve así:
- Paso 1. Pedir la estructura general de la campaña: objetivo, propuesta de valor, audiencias, mensajes clave, funnel, canales y activos creativos.
- Paso 2. Hacer doble clic en contenido orgánico de redes sociales y definir los pilares de comunicación: autoridad y novedades, acción rápida con micro-wins aplicables, etcétera.
- Paso 3. Tomar un pilar y pedir 10 ideas de contenido con la plataforma sugerida y una descripción por pieza.
- Paso 4. Tomar una idea concreta, por ejemplo un micro playbook de tres prompts para una semana de contenidos, y pedir que la desarrolle con plantillas listas para copiar y pegar.
En cada paso, el modelo razona la mejor estructura antes de escribir, y como tiene todo el contexto previo, las respuestas son coherentes entre sí.
¿Qué resultado obtienes al combinar ambas técnicas?
Obtienes profundidad y consistencia. La conversación funciona como un proyecto vivo donde cada respuesta se apoya en datos, decisiones y matices previos. No estás pegando outputs sueltos; estás construyendo un entregable.
Esto es especialmente útil cuando trabajas tareas con muchas capas: planes de negocio, campañas, currículos educativos, propuestas comerciales o documentación técnica. Mientras más compleja la tarea, más rinde la combinación de prompting progresivo más modelos de razonamiento.
Adapta esta estrategia a tu rol. Prueba con una tarea real de tu trabajo, divídela en cinco o seis pasos y deja que el modelo thinking haga el resto. Cuéntanos en los comentarios qué tarea encadenaste y qué descubriste en el camino.
