Cyberpediapor Brain
ESDEENFR

Los modelos de razonamiento

Cómo funcionan los modelos de IA que razonan por pasos, cuándo usarlos en el trabajo y por qué sus respuestas siempre se deben comprobar.

En 30 segundos

Dónde ocurre
En los asistentes de IA que detallan sus pasos antes de responder, usados para cálculos, análisis o problemas de varias etapas.
Qué aporta
En tareas de razonamiento, producir pasos intermedios mejora los resultados medidos en los trabajos citados aquí1.
El reflejo
Releer el resultado y sus pasos como el trabajo de un compañero con prisa, y no introducir nunca datos sensibles o confidenciales en una herramienta que su empresa no haya aprobado.
Si ya lo ha hecho
Avise a su referente de seguridad o al servicio que gestiona las herramientas de IA, indicando la fecha y la naturaleza de la información introducida.

De qué se trata

Algunos asistentes de IA escriben una serie de pasos intermedios antes de dar su respuesta. Esa serie se llama cadena de razonamiento, o Chain-of-Thought en inglés. Los modelos llamados «de razonamiento» están diseñados para producir cadenas largas y dedicar más cálculo a cada respuesta.

Para un empleado, la cuestión práctica es sencilla: ¿cuándo merece la pena esperar con este modo y qué hay que comprobar en lo que muestra? Las fuentes citadas aquí son trabajos de investigación. Describen el método y sus límites, pero no comparan los productos del mercado ni sus tarifas.

Preguntas directas

¿Qué es un modelo de razonamiento?

Es un modelo de lenguaje que produce una serie de pasos antes de su respuesta final. Un artículo presentado en enero de 2022 muestra que proporcionar unos pocos ejemplos de esos pasos mejora el rendimiento en tareas de aritmética, de sentido común y de razonamiento simbólico1. Con solo ocho ejemplos, un modelo de 540.000 millones de parámetros alcanzó el mejor nivel conocido en la prueba GSM8K, un conjunto de problemas de matemáticas redactados en lenguaje corriente1.

¿Hacen falta ejemplos para obtener este comportamiento?

No siempre. Otro equipo mostró que basta con añadir la frase «Let's think step by step» antes de la respuesta para mejorar claramente los resultados2. En la prueba MultiArith, la precisión de un modelo grande pasó del 17,7 % al 78,7 %, y en GSM8K del 10,4 % al 40,7 %2.

¿Cómo se entrenan?

Los autores de DeepSeek-R1, publicado en arXiv el 22 de enero de 2025, describen un aprendizaje por refuerzo que hace aparecer patrones de razonamiento como la autoverificación, sin ejemplos de razonamiento redactados por personas5. Según ellos, el modelo obtiene mejores resultados que sus equivalentes entrenados con demostraciones humanas en matemáticas, concursos de programación y ciencias5. Otros trabajos comparan dos maneras de guiar el entrenamiento: recompensar solo el resultado final o puntuar cada paso. En el estudio «Let's Verify Step by Step», la segunda da mejores resultados en problemas de matemáticas difíciles6.

¿Por qué estos modelos son más lentos?

Gastan más cálculo en el momento de responder. Un estudio de 2024 examina esta decisión: según la dificultad de la pregunta, un mismo gasto de cálculo no rinde igual4. Los autores escriben que, en problemas en los que un modelo más pequeño ya acierta algo, el cálculo adicional en el momento de la respuesta puede superar a un modelo 14 veces mayor4. Las fuentes citadas aquí no cifran ni el retraso ni el precio de ningún producto concreto.

1Cómo funciona1 min

Una cadena de razonamiento (chain of thought) es una serie de pasos intermedios de razonamiento que el modelo genera antes de su respuesta. Según los autores, esto mejora claramente la capacidad de los grandes modelos de lenguaje para razonar sobre problemas complejos1.

A este principio se suman varias técnicas. La autoconsistencia (self-consistency) hace generar varios caminos de razonamiento distintos y se queda con la respuesta más frecuente. En las pruebas de cálculo y de sentido común mejora los resultados, por ejemplo en 17,9 puntos en GSM8K3. La idea de partida es que un problema complejo admite varias maneras de llegar a una única respuesta correcta3.

Otro enfoque, ReAct, combina razonamiento y acciones: el modelo consulta una fuente externa, en este caso una interfaz de Wikipedia, para comprobar un dato por el camino9. Sus autores indican que limita las alucinaciones y la propagación de errores, frecuentes con la sola cadena de razonamiento9.

2Qué hace usted1 min

Elija el modo según la tarea. Los trabajos citados tratan de problemas de varias etapas: aritmética, lógica, matemáticas, programación15. Para un análisis comparativo, un cálculo que comprobar o un problema que descomponer, un modelo de razonamiento es adecuado. Para reformular un correo, resumir un texto corto o buscar un sinónimo, un modelo clásico responde más rápido. Ninguna fuente citada aquí mide estos casos simples, pero el cálculo adicional no tiene razón de ser en ellos.

Después, controle el resultado, no solo la forma en que se presenta:

  • Rehaga usted mismo el cálculo o la comparación en que se apoya la decisión.
  • Compruebe cada cifra, nombre y referencia citados con un documento de confianza.
  • Haga la misma pregunta una segunda vez, o de otra manera. Si las respuestas divergen, es una señal, en el espíritu de la autoconsistencia3.
  • Pida a un compañero que revise todo lo que vaya a enviarse a un cliente o a usarse para decidir.

Los datos quedan fuera de la herramienta mientras no esté aprobada. No introduzca contraseñas, datos de clientes ni documentos confidenciales en un servicio que su empresa no haya validado. Las fuentes citadas aquí no describen cómo gestiona los datos un servicio concreto: aplique la norma interna de su empresa.

3Las trampas2 min

El razonamiento mostrado no siempre es el real. Un estudio sobre GPT-3.5 y Claude 1.0 muestra que las explicaciones por pasos pueden deformar la razón real de la respuesta7. Cuando los investigadores introducían un sesgo en la pregunta, por ejemplo colocando siempre la respuesta correcta en la opción «(A)», los modelos no lo mencionaban en sus explicaciones7. Empujados hacia una respuesta incorrecta, a menudo fabricaban una justificación, y la precisión podía caer un 36 % en 13 tareas7. Los autores escriben que estas explicaciones pueden ser «plausible yet misleading»7.

Una explicación clara no es, por tanto, una prueba. Un artículo de julio de 2025 considera además que vigilar las cadenas de razonamiento ofrece una oportunidad para la seguridad de la IA, pero que es imperfecta y puede ser frágil: algunos comportamientos indeseables pasan inadvertidos8.

Los errores siguen siendo posibles incluso en los mejores modelos. Los autores del estudio sobre la supervisión por pasos señalan que incluso los modelos más avanzados siguen cometiendo con regularidad errores lógicos6. Su mejor modelo resuelve el 78 % de los problemas de un subconjunto representativo de la prueba MATH6.

El marco de gestión de riesgos de la IA del NIST, un organismo estadounidense, es de uso voluntario10. Busca integrar mejor la fiabilidad en el diseño, el uso y la evaluación de los productos de IA10. Su perfil dedicado a la IA generativa data del 26 de julio de 202410. Para un empleado, la lección práctica es tratar un resultado de IA como un riesgo que hay que controlar, con una persona que lo compruebe antes de usarlo.

4Casos reales1 min

22 de enero de 2025: publicación de DeepSeek-R1

El 22 de enero de 2025, los autores de DeepSeek-R1 depositan su artículo en arXiv. En él describen un modelo cuyas capacidades de razonamiento proceden del aprendizaje por refuerzo e indican que esos patrones de razonamiento pueden servir para mejorar modelos más pequeños5. Las fuentes citadas aquí no tratan las cuestiones de confidencialidad que este modelo haya podido plantear: esta ficha no las describe, y la norma sobre datos sensibles de más arriba se aplica a cualquier herramienta no aprobada.

Ficha

Identificador
CP-266
Ala
4. Inteligencia artificial
Competencia Brain
Dominar la IA (master_ai)
Reflejo Brain
air-049
Esquema
G3 · Corte anatómico
Idiomas
de, en, es, fr
Fuentes
10 fuentes verificadas el 3 de noviembre de 2026
Fuentes10 fuentes
  1. 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)
  2. 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)
  3. arXiv, «Self-Consistency Improves Chain of Thought Reasoning in Language Models», 21 de marzo de 2022. https://arxiv.org/abs/2203.11171 (consultado el 3 de noviembre de 2026)
  4. arXiv, «Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters», 6 de agosto de 2024. https://arxiv.org/abs/2408.03314 (consultado el 3 de noviembre de 2026)
  5. arXiv, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning», 22 de enero de 2025. https://arxiv.org/abs/2501.12948 (consultado el 3 de noviembre de 2026)
  6. arXiv, «Let's Verify Step by Step», 31 de mayo de 2023. https://arxiv.org/abs/2305.20050 (consultado el 3 de noviembre de 2026)
  7. arXiv, «Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting», 7 de mayo de 2023. https://arxiv.org/abs/2305.04388 (consultado el 3 de noviembre de 2026)
  8. arXiv, «Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety», 15 de julio de 2025. https://arxiv.org/abs/2507.11473 (consultado el 3 de noviembre de 2026)
  9. arXiv, «ReAct: Synergizing Reasoning and Acting in Language Models», 6 de octubre de 2022. https://arxiv.org/abs/2210.03629 (consultado el 3 de noviembre de 2026)
  10. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultado el 3 de noviembre de 2026)

Citar este artículo

Brain, «Los modelos de razonamiento», Cyberpedia, 2026. https://startbrain.io/cyberpedia/es/articles/modelos-razonamiento-chain-of-thought/

BibTeX 
@misc{brain_cp266_es_2026,
  author = {Brain},
  title = {Los modelos de razonamiento},
  year = {2026},
  howpublished = {Cyberpedia},
  url = {https://startbrain.io/cyberpedia/es/articles/modelos-razonamiento-chain-of-thought/},
  note = {CC BY 4.0}
}
Licencia CC BY 4.0