Prompting con Cadena de Pensamiento: Guía Práctica (2026)

En su forma más simple, cadena de pensamiento (CoT) significa pedir al modelo que muestre su trabajo. En lugar de "¿Cuál es la respuesta?", preguntas "Razona paso a paso y luego da la respuesta." El modelo genera una secuencia de pasos intermedios, y la respuesta final surge de esa secuencia.

Hay dos formas comunes. CoT de cero ejemplos añade una frase disparadora como "Pensemos paso a paso" sin ejemplos. CoT con pocos ejemplos muestra al modelo uno o más ejemplos resueltos que incluyen el razonamiento, luego le pide que resuelva un nuevo problema de la misma manera. El trabajo original de Wei et al. 2022 demostró la forma con pocos ejemplos; el disparador de cero ejemplos vino poco después y ahora es el estándar cotidiano.

El mecanismo es sencillo: generar tokens intermedios le da al modelo más computación para asignar al problema y fuerza que cada conclusión esté condicionada a un paso anterior explícito. Los errores que se cuelan en una respuesta de un solo disparo a menudo salen a la luz — y se corrigen — cuando el razonamiento se detalla.

CoT gana su importancia en problemas con múltiples pasos dependientes. Los éxitos más claros, consistentes con los hallazgos en Wei et al. 2022:

**Aritmética y problemas de palabras.** Cualquier cosa donde la respuesta dependa de una cadena de cálculos. Mostrar los pasos atrapa los errores de más o menos uno y orden de operaciones que las respuestas de un solo disparo cometen.

**Razonamiento multisalto.** Preguntas que requieren combinar varios hechos ("X pasó antes que Y, e Y causó Z, así que..."). Mostrar los saltos evita que el modelo se salte un enlace.

**Deducción lógica y problemas de restricción.** Puzzles, programación, reglas de elegibilidad — cualquier lugar donde la respuesta debe satisfacer varias condiciones a la vez.

**Decisiones con criterios explícitos.** Cuando quieres que el modelo pese opciones contra criterios establecidos en lugar de hacer patrones de coincidencia con una respuesta que suene plausible, pedirle que evalúe cada criterio por turno mejora la consistencia.

CoT no es gratis, y no siempre es útil. Omítelo — o espera poco beneficio — en estos casos:

**Búsquedas simples y tareas de un solo paso.** Pedirle a un modelo que "razone paso a paso" sobre un hecho de un solo paso solo quema tokens y latencia sin ganancia de precisión.

**Trabajo creativo abierto.** Forzar razonamiento explícito puede aplanar el tono y hacer que la salida se sienta mecánica. Las tareas creativas usualmente quieren instrucciones fuertes, no una cadena de deducción visible.

**Los modelos de razonamiento modernos ya lo hacen internamente.** Este es el cambio más grande de 2026. Los modelos de razonamiento frontera de hoy — incluyendo los modelos orientados al razonamiento de OpenAI y Claude Opus 4.8 y Sonnet 4.6 de Anthropic — realizan razonamiento extenso paso a paso internamente antes de responder. Agregar una instrucción explícita "piensa paso a paso" a estos modelos a menudo añade poco, porque el trabajo ya está sucediendo bajo el capó. Consulta la descripción general de ingeniería de prompts de Claude y la guía de prompting de OpenAI para la orientación actual específica del modelo.

La regla práctica para 2026: recurre a CoT explícito cuando estés en un modelo rápido sin razonamiento (los niveles más baratos de menor latencia) y la tarea tiene múltiples pasos. En un modelo dedicado de razonamiento, comienza con una declaración clara del problema y deja que el modelo razone; añade instrucciones de pasos explícitos solo si la salida aún se salta pasos.

Usa CoT explícito cuando: la tarea tiene múltiples pasos dependientes (matemáticas, lógica, multisalto), Y estás en un nivel de modelo rápido sin razonamiento donde el razonamiento no está sucediendo ya internamente. También útil cuando necesitas el razonamiento visible para auditoría o depuración.
Omite CoT explícito cuando: la tarea es una búsqueda de un solo paso, la salida es creativa/estilística, o ya estás en un modelo de razonamiento frontera que hace razonamiento paso a paso internamente — en cuyo caso una declaración clara del problema usualmente vence a un 'piensa paso a paso' pegado.

Aquí hay un prompt de respuesta de un solo paso que frecuentemente confunde a modelos rápidos sin razonamiento en matemáticas complejas:

``` Una tienda vende cuadernos a $3 cada uno. Si compras 10 o más, obtienes un 15% de descuento en todo el pedido. Estoy comprando 12. ¿Cuál es el total? ```

Las respuestas directas a veces aplican el descuento solo a parte del pedido o calculan mal el porcentaje. Ahora la versión de cadena de pensamiento:

``` Una tienda vende cuadernos a $3 cada uno. Comprar 10 o más da un 15% de descuento en todo el pedido. Estoy comprando 12. Razona paso a paso: 1. Calcula el subtotal antes del descuento. 2. Verifica si aplica el descuento de 10+. 3. Aplica el descuento al subtotal completo. 4. Establece el total final. Luego da el total final en su propia línea como: TOTAL: $X.XX ```

El andamiaje numerado fuerza cada paso y fija el formato de salida para que la respuesta sea fácil de extraer. Razonamiento esperado:

> 1. Subtotal = 12 x $3 = $36.00 > 2. 12 >= 10, por lo que se aplica el descuento del 15%. > 3. Descuento = $36.00 x 0.15 = $5.40; $36.00 - $5.40 = $30.60 > 4. TOTAL: $30.60

---

Un segundo patrón: CoT con pocos ejemplos para una tarea de clasificación con razonamiento. Muestra un ejemplo resuelto, luego pide la misma estructura:

``` Clasifica cada ticket de soporte como URGENTE, NORMAL, o BAJO. Explica tu razonamiento en una oración, luego da la etiqueta. Ticket: "El checkout ha estado mostrando un error 500 para todos los usuarios durante 20 minutos." Razonamiento: Una interrupción total de checkout bloquea ingresos para cada cliente, así que es la severidad más alta. Etiqueta: URGENTE Ticket: "¿Puedes cambiar la fuente en mi PDF de factura?" Razonamiento: Etiqueta: ```

El ejemplo resuelto enseña el estilo de razonamiento y la forma de salida al mismo tiempo — mucho más confiable que describir el formato en prosa.

La cadena de pensamiento es la base de varios patrones más avanzados. La auto-consistencia muestrea múltiples cadenas de razonamiento y toma la respuesta mayoritaria. Árbol de Pensamientos (arXiv:2305.10601) explora un árbol ramificado de caminos de razonamiento y poda ramas débiles. ReAct (arXiv:2210.03629) intercala pasos de razonamiento con llamadas a herramientas, que es la columna vertebral de la mayoría de agentes modernos.

Para el trabajo cotidiano raramente necesitas las variantes exóticas. El CoT simple de cero ejemplos ("razona paso a paso, luego responde") en una tarea complejos cubre la gran mayoría de casos reales. Añade un ejemplo resuelto (CoT con pocos ejemplos) cuando también necesites fijar un estilo de razonamiento particular o formato de salida.