--- id: CP-312 slug: few-shot-prompting-ejemplos-pasos lang: es title: Dar ejemplos y dividir una tarea en pasos con la IA description: Cómo guiar a un asistente de IA con dos o tres ejemplos y dividir una tarea en pasos que se verifican uno a uno, sin exponer datos. canonical_url: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ markdown_url: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Dar ejemplos y dividir una tarea en pasos con la IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ it: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Dar ejemplos y dividir una tarea en pasos con la IA Un asistente de IA responde mejor cuando se le muestra lo que se espera que cuando solo se le describe. Mostrar dos o tres ejemplos del resultado deseado se llama «few-shot» (en español, aprendizaje a partir de unos pocos ejemplos). Dividir un problema complejo en pequeños pasos que se controlan uno tras otro es un segundo uso. Las dos técnicas mejoran las respuestas, pero no las vuelven fiables. Esta ficha explica cómo emplearlas en el trabajo y qué no debe incluirse nunca en un ejemplo. ## En 30 segundos - Dónde ocurre: en cualquier solicitud a un asistente de IA que deba producir un formato preciso (resumen, clasificación, redacción tipo) o resolver un problema en varias fases. - Qué aporta: respuestas más cercanas a lo que usted quiere, siempre que elija bien los ejemplos y revise cada paso. - El reflejo: dé dos o tres ejemplos ficticios o anonimizados, divida la tarea en pasos y verifique cada paso antes de pasar al siguiente. - Si ya lo ha hecho: si un ejemplo contenía el nombre de un cliente, una cifra interna o un extracto de un contrato, avise a su referente de seguridad y no lo reutilice. ## Preguntas directas ### ¿Qué es el few-shot? Consiste en añadir a la solicitud uno o varios ejemplos del comportamiento deseado, en forma de pares «entrada y resultado esperado». Microsoft precisa que el modelo no aprende en el sentido de un cambio permanente: los ejemplos solo lo condicionan para la respuesta en curso [1]. Una solicitud sin ejemplos se denomina «zero-shot» [1]. La idea procede de la investigación. El artículo de 2020 sobre GPT-3 describe tareas y demostraciones dadas «purely via text interaction with the model», sin reentrenamiento [2]. ### ¿Por qué ayudan los ejemplos? En el ejemplo de Microsoft, un modelo al que se pide una categoría para un titular de prensa parece adivinar lo que se espera. Con ejemplos, entiende el formato e incluso puede deducir el tipo de etiqueta deseado, aunque ningún ejemplo llevara la etiqueta «basketball» [1]. ### ¿Qué significa dividir una tarea en pasos? Microsoft indica que los modelos de lenguaje suelen dar mejores resultados cuando la tarea se divide en pasos más pequeños. Su ejemplo: pedir primero que se extraigan los hechos útiles y solo después que se generen consultas de búsqueda para verificarlos [1]. En un texto breve la diferencia es modesta, pero se hace clara cuando el texto contiene muchas afirmaciones [1]. ### ¿Hay que pedir a la IA que muestre su razonamiento? Es una variante. Microsoft describe una instrucción que pide proceder paso a paso y presentar todos los pasos. Según la documentación, esto reduce la posibilidad de inexactitud y facilita la evaluación de la respuesta [1]. Microsoft precisa que esta técnica solo se aplica a los modelos no razonadores, y que estas técnicas «aren't recommended for reasoning models like gpt-5 and o-series models» [1]. ### ¿Se puede confiar en un razonamiento que parece lógico? No, unos pasos bien presentados no prueban nada por sí mismos. Microsoft recomienda dar al modelo una «vía de escape», por ejemplo responder «not found» si la información no está en el texto proporcionado [1]. Además, las respuestas varían según los modelos y las versiones [6]. ## Cómo funciona Los modelos de lenguaje producen la continuación de palabras más probable a partir del texto recibido [1]. Unos ejemplos bien elegidos orientan esa continuación hacia el formato deseado. Para los problemas que requieren varias fases, la investigación ha descrito varios métodos. El artículo de 2022 sobre la «cadena de pensamiento» muestra que proporcionar algunas demostraciones con pasos intermedios de razonamiento mejora los resultados en tareas de aritmética, de sentido común y de razonamiento simbólico [3]. Otro artículo de 2022 muestra que añadir la frase «Let's think step by step» basta, sin ningún ejemplo, para mejorar los resultados [4]. Un tercer método, llamado «de lo más simple a lo más complejo», divide un problema en subproblemas que se resuelven por orden, de modo que cada respuesta ayuda a resolver la siguiente [5]. Estos resultados proceden de pruebas con problemas de referencia, no de situaciones de oficina. Muestran que el método puede ayudar, sin garantizar una buena respuesta. ## Lo que usted hace - Redacte dos o tres ejemplos cortos y variados, cada uno con una entrada y la salida exacta que se espera. - Sustituya cualquier dato real por uno inventado: un nombre ficticio, un importe redondeado sin relación con ningún expediente, un texto reescrito. - Coloque la instrucción de forma clara. El orden cuenta: Microsoft señala que el orden de la información puede modificar la salida, incluido el de los ejemplos [1]. - Divida la tarea: pida un primer paso, revíselo, corríjalo y pase al siguiente apoyándose en el paso validado. - Prevea una vía de salida: autorice a la IA a responder que no lo sabe o que falta una información [1]. - Verifique los datos importantes (cifras, fechas, nombres) en una fuente fiable antes de utilizarlos. Un ejemplo de solicitud en dos tiempos, que se ofrece a modo de ilustración: ```text Ilustración, texto ficticio. Paso 1: [enumera las afirmaciones verificables del texto siguiente.] Paso 2: [tras mi revisión, propone para cada afirmación una forma de verificarla.] Si falta una información, responde «no encontrado». ``` ## Las trampas - Ejemplos sesgados. El modelo imita lo que se le muestra. Microsoft señala la sensibilidad al orden, con un sesgo de recencia: lo que está al final de la solicitud puede pesar más [1]. Varíe los ejemplos y revise la respuesta preguntándose si no copia su forma. - Pasos inventados. Un paso que parece plausible puede ser falso. No basta con revisar solo la conclusión. - Exceso de confianza. Las mejoras medidas por la investigación se refieren a conjuntos de prueba concretos [3][4]. No dicen nada sobre su expediente. - Fuga en las instrucciones. Las instrucciones y los ejemplos forman parte de la solicitud. OWASP incluye entre los riesgos la divulgación de información sensible y la revelación de información sobre las instrucciones del sistema [8]. Microsoft recuerda que un mensaje del sistema influye en el modelo sin garantizar que respete las reglas [6]. No cuente con la instrucción «no reveles nada» para proteger un secreto incluido en un ejemplo. - Texto de terceros en la solicitud. Si pega un documento procedente del exterior (CV, correo, página web), puede contener instrucciones ocultas. El NCSC británico da el ejemplo (hipotético) de un CV con un texto oculto que pide ignorar las instrucciones anteriores y aprobar la candidatura [7]. Añade que los modelos actuales no imponen una frontera de seguridad entre instrucciones y datos [7]. Por tanto, revise las salidas con prudencia cuando el texto de origen no sea suyo. ## Casos reales ### Mayo de 2020: GPT-3 probado con ejemplos Los autores de GPT-3, un modelo de 175.000 millones de parámetros, lo prueban sin actualizar el modelo, con tareas y ejemplos dados únicamente mediante texto. Informan de buenos resultados en numerosos conjuntos de datos y también de conjuntos en los que el aprendizaje a partir de unos pocos ejemplos sigue teniendo dificultades [2]. ### Mayo de 2022: una frase basta en una prueba de aritmética Unos investigadores muestran que añadir «Let's think step by step» eleva la precisión del 17,7 % al 78,7 % en la prueba MultiArith, y del 10,4 % al 40,7 % en GSM8K, con el modelo text-davinci-002 [4]. Incluso con esa mejora, según estas cifras la respuesta sigue siendo errónea más de una vez de cada cinco en MultiArith y más de una vez de cada dos en GSM8K [4]. ### Mayo de 2022: la división de lo más simple a lo más complejo Los autores del método de lo más simple a lo más complejo informan de que, con el modelo code-davinci-002 y 14 ejemplos, alcanzan al menos un 99 % de precisión en la prueba SCAN, frente al 16 % con la cadena de pensamiento [5]. Precisan que la cadena de pensamiento tiende a fallar en problemas más difíciles que los ejemplos mostrados [5]. ## Fuentes 1. Microsoft, «Prompt engineering techniques - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultado el 3 de noviembre de 2026) 2. arXiv, «Language Models are Few-Shot Learners», 28 de mayo de 2020. https://arxiv.org/abs/2005.14165 (consultado el 3 de noviembre de 2026) 3. arXiv, «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 28 de enero de 2022. https://arxiv.org/abs/2201.11903 (consultado el 3 de noviembre de 2026) 4. arXiv, «Large Language Models are Zero-Shot Reasoners», 24 de mayo de 2022. https://arxiv.org/abs/2205.11916 (consultado el 3 de noviembre de 2026) 5. arXiv, «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models», 21 de mayo de 2022. https://arxiv.org/abs/2205.10625 (consultado el 3 de noviembre de 2026) 6. Microsoft, «System message design for Azure OpenAI - Microsoft Foundry». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (consultado el 3 de noviembre de 2026) 7. NCSC (Royaume-Uni), «Prompt injection is not SQL injection (it may be worse)», 8 de diciembre de 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (consultado el 3 de noviembre de 2026) 8. OWASP, «LLM01:2025 Prompt Injection». https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado el 3 de noviembre de 2026) --- Fuente original: Cyberpedia, la enciclopedia pública de ciberseguridad e IA publicada por Brain. Versión canónica: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ Puede reutilizar este texto libremente bajo la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), siempre que cite «Brain, Cyberpedia» con un enlace a la dirección anterior.