Llevas seis horas depurando un prompt. Claude sigue clasificando erróneamente los comentarios de los clientes: el mismo modelo, la misma tarea, enfoques diferentes cada vez. Entonces añades tres ejemplos en lugar de cero, y la precisión salta del 62% al 91%. Nadie te dice por qué ocurre esto. Solo dicen «few-shot funciona mejor». No es así. El contexto sí.
Las Tres Aproximaciones No Son Intercambiables
Zero-shot, few-shot y chain-of-thought son técnicas distintas que resuelven problemas diferentes. Mezclarlas desperdicia tokens y reduce la precisión.
Zero-shot: Describes la tarea una vez, sin ejemplos. El modelo usa su entrenamiento para inferir lo que quieres.
Few-shot: Proporcionas 2–5 ejemplos de entrada y salida correcta, y luego pides al modelo que haga lo mismo con datos nuevos.
Chain-of-thought: Pides al modelo que muestre su razonamiento paso a paso antes de dar una respuesta final. Funciona con o sin ejemplos.
La idea clave: abordan diferentes modos de fallo. Zero-shot falla cuando la tarea es ambigua o novedosa. Few-shot falla cuando no tienes buenos ejemplos. Chain-of-thought falla en tareas que no necesitan razonamiento (como la búsqueda de hechos).
Zero-Shot: Cuando la Definición de la Tarea es Suficiente
Zero-shot funciona mejor cuando la tarea es evidente y el modelo ha visto tareas similares durante el entrenamiento. Casos comunes: clasificación con etiquetas claras, resumen simple, extracción de campos obvios.
Ejecuté esto contra Claude Sonnet 4 en una tarea real de clasificación de comentarios de clientes:
# Prompt zero-shot malo (demasiado vago)
Clasifica este comentario: "El panel a veces carga lento"
Categoría: [respuesta]
# Prompt zero-shot mejorado (estructura clara, categorías definidas)
Clasifica el siguiente comentario de cliente en exactamente una categoría.
Categorías: Informe de error, Solicitud de función, Cumplido, Queja
Comentario: "El panel a veces carga lento"
Categoría: [respuesta]
# Salida
Informe de errorEl segundo prompt funcionó en el 78% de los casos de prueba sin ejemplos. Añadir ejemplos lo llevó al 91%, pero zero-shot ya era útil.
Cuándo usar zero-shot: Tareas con etiquetas obvias, instrucciones genéricas que el modelo entiende del preentrenamiento (escritura, resumen, matemáticas básicas), o cuando necesitas probar rápidamente antes de invertir en ejemplos.
Cuándo falla: Clasificación específica de dominio, tareas con juicios subjetivos, o cuando las definiciones de etiquetas contradicen las intuiciones de entrenamiento del modelo. Un filtro de «comentarios tóxicos» entrenado en daño al usuario a menudo entra en conflicto con cómo el modelo aprendió a interpretar «tóxico» a partir de datos de redes sociales.
Few-Shot: Cuando los Ejemplos Moldean el Comportamiento
Few-shot funciona mostrando, no diciendo. Tres buenos ejemplos a menudo superan instrucciones escritas largas porque el modelo aprende tu formato de salida exacto, tono y manejo de casos límite mediante el reconocimiento de patrones en lugar de seguir instrucciones.
La diferencia entre zero-shot y few-shot no es pequeña. En la clasificación de sentimientos, zero-shot (GPT-4o) obtuvo un 71% de precisión en un conjunto de prueba interno. Añadir tres ejemplos cuidadosamente seleccionados lo llevó al 94%.
He aquí por qué funcionan los ejemplos: el modelo no solo lee tu instrucción, aprende tu definición de la categoría mediante la demostración.
# Zero-shot (solo definición)
Clasifica como Positivo, Negativo o Neutral.
Reseña: "El producto se rompió después de dos semanas"
Sentimiento: [respuesta]
# Few-shot (los ejemplos definen el estándar)
Clasifica como Positivo, Negativo o Neutral.
Ejemplo 1:
Reseña: "Envío rápido, exactamente lo que pedí"
Sentimiento: Positivo
Ejemplo 2:
Reseña: "Llegó dañado, embalaje terrible"
Sentimiento: Negativo
Ejemplo 3:
Reseña: "Funciona, nada especial"
Sentimiento: Neutral
Reseña: "El producto se rompió después de dos semanas"
Sentimiento: [respuesta]
# Salida (few-shot)
NegativoLos ejemplos le enseñan al modelo qué significa «se rompió después de dos semanas»: un defecto, no solo arrepentimiento. Este es el contexto que few-shot proporciona y que las definiciones no pueden.
¿Cuántos ejemplos? De dos a cinco, raramente más. Más allá de cinco, pagas tokens extra con ganancias de precisión decrecientes. Mistral 7B y Llama 3 70B se benefician más de los ejemplos que GPT-4o; los modelos más pequeños dependen más de la demostración.
Cuándo usar few-shot: Clasificación con etiquetas específicas de dominio, tareas donde el formato de salida importa (JSON, CSV, datos estructurados), o cuando la precisión de zero-shot está por debajo del 85%.
Cuándo falla: Tareas que requieren razonamiento a través de ejemplos («encontrar el patrón») en lugar de aprender por repetición. Few-shot enseña qué, no por qué.
Chain-of-Thought: Cuando el Modelo Necesita Razonar
Chain-of-thought funciona pidiendo al modelo que piense en voz alta. En lugar de saltar a una respuesta, escribe pasos intermedios, y esto casi siempre mejora la precisión en tareas que requieren inferencia lógica, matemáticas o juicios de varios pasos.
El efecto es medible. En problemas matemáticos de texto, chain-of-thought mejoró la precisión de GPT-3.5 del 58% al 78% (de la investigación de Anthropic, benchmarks de marzo de 2024). El modelo no razona mejor, solo muestra su trabajo, lo que le permite detectar errores antes de la respuesta final.
# Sin chain-of-thought
Una tienda tiene 12 manzanas. Venden 3. ¿Cuántas quedan?
Respuesta: [respuesta]
# Con chain-of-thought
Una tienda tiene 12 manzanas. Venden 3. ¿Cuántas quedan?
Pensemos paso a paso.
# Salida (chain-of-thought)
Cantidad inicial: 12 manzanas
Vendidas: 3 manzanas
Restantes: 12 - 3 = 9 manzanas
Respuesta: 9Para matemáticas simples esto parece obvio. En tareas complejas (revisión de contratos, depuración de código, decisión de elegibilidad de productos), chain-of-thought obliga al modelo a descomponer el problema en lugar de adivinar.
Cuándo usar chain-of-thought: Lógica de varios pasos, matemáticas, revisión de código, toma de decisiones con compromisos, o cualquier tarea donde la respuesta final dependa de que el razonamiento intermedio sea correcto.
Cuándo falla: Recuperación de hechos (el modelo alucina razonamientos), clasificaciones simples (tokens extra, sin ganancia de precisión), o tareas donde la velocidad importa más que la precisión. Chain-of-thought añade latencia; cada paso de razonamiento es otro pase hacia adelante.
Combinando Técnicas: La Estrategia Real
En producción, no eliges una. Las superpones.
Empieza con zero-shot en tu tarea. Si la precisión está por encima del 85%, detente. Si está por debajo del 85%, añade tres ejemplos (few-shot). Si la precisión sigue fallando en casos específicos (aquellos que requieren juicio o inferencia), añade chain-of-thought solo a esos casos.
Este enfoque mantiene bajos los costos de tokens mientras se aborda el modo de fallo real. Podrías usar zero-shot para casos obvios, few-shot para casos límite y chain-of-thought para decisiones difíciles, todo en el mismo pipeline.
Prueba las tres en tus datos exactos antes de decidir. Los benchmarks no se transfieren. Lo que funciona en MMLU podría fallar en tus tickets de soporte al cliente.
Hoy: Toma tu prompt actual. Mide la precisión zero-shot en 20 casos de prueba. Si está por debajo del 80%, añade dos ejemplos y vuelve a probar. Anota qué casos mejoraron y cuáles no. Usa chain-of-thought solo en los fallos que requirieron razonamiento, no definición.
