El prompting encadenado es una estrategia para sacarle más jugo a ChatGPT al descomponer una tarea grande en pasos pequeños, aprovechando la ventana de contexto de la conversación. Sirve para quienes ya dominan el zero-shot prompting y quieren llegar a entregables complejos como un pitch, una campaña o un plan de negocios.

A diferencia del prompting de un solo tiro, aquí vas guiando a la IA paso a paso, corrigiendo en el camino e incorporando información nueva. Te muestro cómo funciona y cómo combinarlo con los modelos de razonamiento.

¿Qué es la ventana de contexto y por qué importa?

La ventana de contexto es toda la información que el modelo puede ver dentro de una conversación. ChatGPT no responde solo a tu última pregunta: tiene presente todo lo que ya hablaron juntos.

Eso cambia la forma de trabajar. No necesitas repetir el contexto en cada prompt, porque tus mensajes anteriores y las respuestas previas siguen vivos en la conversación. Esa memoria conversacional es lo que hace posible el prompting encadenado [00:24].

¿Qué es la ventana de contexto en ChatGPT? Es el conjunto de mensajes y respuestas que el modelo puede leer dentro de una misma conversación. Le permite mantener coherencia entre prompts sin que tengas que repetir información.

¿Cómo funciona el prompting encadenado paso a paso?

También llamado prompting progresivo, descompone una gran tarea en varias subtareas y le pide a la IA que resuelva una a la vez. Después de cada respuesta puedes corregir, sumar feedback o cambiar el rumbo [01:01].

En la clase, el ejemplo arranca con un plan de negocios y termina en un pitch para levantar capital. La cadena va así:

1. Pedir 5 ideas innovadoras de negocios digitales en una tabla comparativa con nombre, descripción, potencial de innovación y complejidad.
2. Elegir una idea (en este caso, Skill Chain, certificaciones verificadas en blockchain) y pedir el plan de negocios con el formato Business Model Canvas más tendencias relevantes.
3. Activar la búsqueda web para que las tendencias salgan de información real del mercado.
4. Pedir que potencie la idea usando esas tendencias y arme un documento con todo el proyecto.
5. Solicitar el contenido del pitch usando el storytelling de Y Combinator, la estructura clásica de unas 12 diapositivas.
6. Cerrar con un guion para el presentador, incluido como notas de cada slide.

Lo interesante es que en cada paso la IA se apoya en lo anterior. El Business Model Canvas nutre al documento, el documento nutre al pitch, y el pitch nutre al guion. Hay una consistencia que un solo prompt difícilmente lograría.

¿Cómo se combina con un rol y un formato claros?

En cada eslabón sigue valiendo lo de la clase anterior: definir rol, tarea y formato. Por ejemplo, Actúa como un experto en innovación y emprendimiento con 15 años de experiencia para la lluvia de ideas, o Actúa como un experto en creación de pitch de levantamiento de capital que usa el storytelling de YC para la presentación final [05:14].

El rol cambia según la subtarea, pero el contexto se acumula.

¿Cómo potenciar el prompting encadenado con modelos de razonamiento?

El segundo nivel aparece cuando combinas esta técnica con los modelos thinking de ChatGPT, disponibles en cuentas Plus, y el modelo Pro en la cuenta Pro, que razona durante más tiempo [07:00].

Estos modelos aplican lo que se conoce como cadena de pensamiento: antes de responder, iteran internamente sobre la mejor forma de resolver el problema. Esa técnica de prompting que se usaba mucho hace unos años hoy ya viene integrada en el modelo.

En la práctica, hay un selector que te deja elegir cuánto jugo de pensamiento cargar en la conversación. A más nivel, más tiempo dedica a pensar la respuesta.

¿Cuándo conviene usar un modelo thinking en ChatGPT? Cuando la tarea es compleja, requiere estructura o decisiones estratégicas. Para respuestas rápidas o creativas sin mucha lógica, el modelo instant suele bastar.

¿Cómo se ve esto en una campaña de marketing real?

La demo del video lo aterriza en una campaña para un curso de ChatGPT en Platzi, con seis secciones que van de cero a experto. La cadena se ve así:

• Prompt 1: estructurar la campaña completa, con objetivo, propuesta de valor, audiencias, mensajes, funnel y canales.
• Prompt 2: profundizar en contenido orgánico para redes sociales y definir los pilares de comunicación.
• Prompt 3: pedir 10 ideas de contenido para uno de esos pilares, acción rápida y micro-wins aplicables, indicando plataforma y descripción.
• Prompt 4: desarrollar a fondo una de esas ideas, el micro playbook con tres prompts para una semana de contenidos.

En cada paso, el modelo thinking devuelve respuestas más ricas, con plantillas de prompts listas para copiar y pegar, estructura de carrusel slide por slide y ejemplos rellenados con el contexto del curso. Y todo permanece coherente porque vive en la misma conversación [11:30].

¿Por qué esta combinación entrega resultados de mayor calidad?

La flexibilidad del prompting encadenado más la profundidad del razonamiento te dan tres ventajas claras:

• Puedes corregir el rumbo si la IA se desvía o si te falta información.
• La salida final mantiene coherencia y consistencia con todo lo trabajado.
• Cada subtarea recibe una respuesta más profunda porque el modelo razona antes de contestar.

Un pro tip extra: dentro de la cadena puedes activar herramientas como la búsqueda web para traer datos frescos, o desactivarla cuando solo quieras que el modelo trabaje con lo que ya está en la conversación.

Probá esta estrategia con una tarea compleja de tu día a día, adaptá los roles y los formatos, y contanos en los comentarios cómo te fue.