Lean prompting doctrina oficial y mitos

Un prompt más largo no significa un prompt mejor. Con GPT-5.6, probablemente significa uno peor. La doctrina oficial de OpenAI para esta generación se llama lean prompting, y su principio central va en contra de casi todo lo que aprendiste afinando prompts en GPT-4 o GPT-5.5.

La idea es simple: sustracción. Le dices al modelo qué resultado quieres, qué restricciones existen, qué evidencia tiene disponible y un criterio de completitud. Luego te callas. No le prescribes cada paso.

Piensa en un taxi. Le dices "llévame al aeropuerto antes de las ocho, evita peajes, llevo dos maletas". No le dices "gira a la izquierda en la quinta, luego a la derecha en Main". El conductor conoce las calles. Sobredirigirlo causa errores.

¿Qué es lean prompting y por qué funciona en GPT-5.6?

Es una doctrina de diseño de prompts basada en quitar todo lo que no aporta señal al modelo, en lugar de acumular instrucciones por si acaso.

¿Qué es lean prompting? Es la práctica de escribir prompts con lo mínimo necesario: resultado esperado, restricciones, evidencia y criterio de completitud. El modelo hace el resto.

La regla más importante de toda la doctrina es esta: un prompt con detalles faltantes es más estable que un prompt con reglas contradictorias. Si dos instrucciones en tu prompt dicen cosas opuestas, el modelo se vuelve impredecible. Un contrato con cláusulas faltantes es más predecible que uno con contradicciones internas [00:36].

Y aquí viene lo interesante: GPT-5.6 sigue instrucciones de forma más literal que sus predecesores, lo cual es genial hasta que le das instrucciones que se contradicen entre sí.

¿Qué elimino y qué conservo en un prompt lean?

Antes de reescribir cualquier prompt, separa lo que estorba de lo que el modelo necesita para operar.

Lo que puedes eliminar sin miedo:

• Reglas repetidas que dicen lo mismo con distintas palabras.
• Instrucciones de estilo redundantes.
• Ejemplos que no cambian el comportamiento.
• Instrucciones procedimentales para cosas que el modelo ya ejecuta solo.
• Herramientas irrelevantes para la tarea actual.

Lo que se preserva sin negociación:

• El outcome visible que esperas.
• Criterios de éxito y stop conditions.
• Restricciones de seguridad y de negocio.
• Reglas de enrutamiento de herramientas.
• Formato de output.

Esta separación es la base de todo lo demás. Si no la haces bien, cualquier otro ajuste va a rendir menos de lo esperado.

¿Cómo controlo la longitud de la respuesta sin romper el modelo?

GPT-5.6 ya es más conciso por defecto [01:54]. Cuando escribes "sé breve", el modelo puede seguirlo demasiado literalmente y cortar información que necesitas.

La solución documentada es el parámetro text.verbosity, que acepta low, medium o high a nivel de API. Eso reemplaza la frase ambigua por un control consistente entre requests.

¿Cómo hago que GPT-5.6 dé respuestas cortas sin perder información clave? Usa text.verbosity en la API en vez de escribir "sé breve". Y en el prompt, dile qué conservar y qué cortar, no cuán largo escribir.

Un buen patrón: conclusión primero, evidencia de soporte, caveats importantes y siguiente acción. Cortar introducciones, repeticiones y cortesías genéricas. Eso es específico. "Sé conciso" es ambiguo, y la ambigüedad genera inestabilidad.

¿Qué prácticas de prompting quedaron obsoletas?

Dos costumbres muy arraigadas ahora juegan en tu contra con GPT-5.6.

La primera es escribir "think harder" o "think step by step" dentro del prompt. Eso se reemplaza por el parámetro reasoning.effort, cubierto en clases anteriores [02:49].

La segunda es narrar cada llamada a herramienta. La guía actual dice explícitamente que no lo hagas. El modelo tiene routing interno; interferir con él degrada resultados [03:00].

¿Cómo distingo un hallazgo real de un mito viral sobre GPT-5.6?

En las primeras 48 horas post-lanzamiento circularon cientos de tips sin controles experimentales [03:10]. Hay tres confusores que casi nadie controla y que debes exigirle a cualquier consejo que veas.

1. Nivel de reasoning effort usado. El rango entre none y max genera una diferencia de aproximadamente 68x en costo. Cualquier comparación que no lo declare es información incompleta.
2. Ultra mode activo o no. Ultra no es más effort, es un modo multi-agente separado con multiplicadores de 6x a 12x. Los benchmarks headline se obtuvieron en ultra; los números single-agent son menores.
3. Baseline de comparación. OpenAI dice que los prompts lean mejoran scores entre 10 y 15 por ciento, pero esos números vienen de runs internos sin metodología publicada. La propia guía dice que se tomen como direccionales, no como benchmarks precisos.

Si falta cualquiera de las tres, es una hipótesis, no un hecho. Tu única fuente de verdad son tus propias evaluaciones controladas.

¿Cuánto puede mejorar realmente un prompt lean en GPT-5.6? OpenAI reporta entre 10% y 15% de mejora en scores, pero como referencia direccional. Solo tus evaluaciones controladas confirman el impacto real en tu caso.

¿Cómo migro mis prompts viejos a GPT-5.6 sin perder atribución causal?

La doctrina lean incluye un protocolo de migración que funciona como control experimental:

1. Cambia solo el modelo primero y corre tus evaluaciones.
2. Remueve una categoría de instrucciones a la vez.
3. Evalúa después de cada cambio.

Nunca cambies modelo, prompt y settings simultáneamente, porque pierdes atribución causal y no vas a saber qué movió la aguja.

En la siguiente clase vamos a meternos con system messages y tool calling, donde GPT-5.6 rompe patrones que eran estándar en generaciones anteriores. Vas a ver por qué los rituales de "piensa paso a paso antes de llamar a la herramienta" ahora literalmente empeoran tus resultados. ¿Ya probaste reescribir uno de tus prompts largos en versión lean? Cuéntame qué pasó en los comentarios.