Dar una instrucción clara a un modelo de lenguaje puede parecer suficiente, pero hay tareas donde la diferencia entre un resultado genérico y uno excepcional depende de una sola decisión: incluir ejemplos o no. Esa decisión marca la frontera entre dos técnicas fundamentales de prompting que todo usuario de LLMs debería dominar.
¿Qué es zero-shot prompting y cuándo funciona bien?
El zero-shot prompting consiste en dar una instrucción directa al modelo sin ofrecer ningún ejemplo previo. La analogía es sencilla: tienes un practicante brillante en la oficina y le pides que traduzca "queso" al francés [0:24]. No necesita contexto adicional, no hay ambigüedad. La respuesta esperada es clara: fromage.
Esta técnica funciona perfectamente cuando la tarea es suficientemente específica y el modelo no tiene margen para interpretar de formas distintas lo que le estás pidiendo. Traducir una palabra, resumir un texto corto o responder una pregunta factual son ejemplos donde zero-shot es más que suficiente.
¿Por qué few-shot prompting reduce la ambigüedad en tareas complejas?
Cuando la tarea involucra criterios subjetivos o patrones difíciles de expresar con palabras, los ejemplos se vuelven indispensables. El few-shot prompting consiste en incluir ejemplos concretos de lo que esperas como resultado dentro del prompt [0:44].
Un caso ilustrativo: clasificar emociones como positivas o negativas. En principio, las emociones no son inherentemente positivas ni negativas, lo que genera ambigüedad [1:02]. Al incluir ejemplos — tristeza, enojo y miedo como negativos; alegría, felicidad y emoción como positivos — el modelo identifica patrones que reducen esa ambigüedad a casi cero.
¿Cómo se aplica few-shot en un caso real de redes sociales?
En un ejercicio práctico con Claude, se creó una publicación de Twitter sobre el impacto de la inteligencia artificial en el empleo [1:44]. Primero, con zero-shot: el resultado fue un tuit genérico con frases como "la IA no viene a robarnos el trabajo" y hashtags que parecían de 2015 [2:52].
Después, con few-shot, se incluyeron tuits reales de alto engagement y de bajo engagement del perfil de Freddy [2:12]. Los de alto engagement compartían un patrón: eran más largos, incluían datos duros y algunos usaban emojis. Los de bajo engagement eran cortos y sin información relevante [3:14].
El resultado fue radicalmente distinto: un tuit que abría con un hook claro ("Plot twist"), incluía datos específicos y cerraba con una pregunta que incitaba a la conversación [3:35]. La diferencia fue gigante.
¿Qué preguntas te ayudan a decidir entre ambas técnicas?
Tres preguntas clave para elegir [4:20]:
- ¿Hay ambigüedad en la tarea que vas a resolver?
- ¿Es una tarea que consideras compleja?
- ¿Necesitas precisión o replicar un formato específico?
Si las tres respuestas son sí, few-shot probablemente sea la mejor opción. Aun así, la recomendación es probar ambas técnicas y comparar resultados.
¿Cuáles son los errores comunes al usar few-shot prompting?
Incluso con few-shot se puede fallar. Hay tres consideraciones críticas que determinan la calidad del resultado.
- Número de ejemplos: muy pocos no permiten detectar patrones; demasiados crean límites rígidos que provocan alucinaciones ante casos no contemplados. Los papers sugieren entre tres y siete ejemplos como rango ideal [4:58].
- Variedad de ejemplos: mostrar solo lo positivo o solo lo negativo genera sesgos. Es fundamental incluir ejemplos de ambas categorías — qué es alto engagement y qué es bajo engagement — para que el modelo tenga disposición completa de los patrones [5:38].
- Orden de los ejemplos: se ha demostrado que el orden puede afectar entre un 50 y un 90 % la efectividad del prompt [6:08]. Lo que aparece de últimas recibe más atención del modelo. La recomendación es que el orden sea aleatorio, alternando ejemplos positivos y negativos para evitar sesgos.
Cada vez que ajustes un prompt, pruébalo con múltiples casos de uso para identificar dónde falla y qué patrones está capturando correctamente. ¿Ya has probado alguna de estas técnicas en tus proyectos? Comparte tu experiencia y veamos qué resultados has obtenido.
