Few-shot prompting — darle buenos ejemplos a la IA

El patrón detrás de la palabra

Seguro que ya te ha pasado que le explicas algo a la IA, lo hace casi bien, y luego te pasas tres rondas corrigiéndolo. La mayoría de las veces no es porque tu explicación fuera mala. Es porque explicaste en vez de mostrar.

Few-shot prompting significa simplemente: le das a la IA un par de ejemplos ya hechos antes de plantearle tu tarea real. "Few" significa pocos, "shot" aquí es algo así como intento o pasada. Dos a cinco ejemplos casi siempre bastan. El modelo mira cómo son tus ejemplos y hace la nueva tarea en el mismo estilo.

El polo opuesto se llama zero-shot. Es lo que hace la mayoría todo el rato sin conocer el nombre: planteas una tarea sin ejemplo alguno y esperas que la IA ya sepa lo que quieres decir. Para cosas simples basta. Para todo lo que dependa de un formato concreto, un tono concreto o una estructura concreta, es la peor opción.

Por qué los ejemplos funcionan más que las explicaciones

Los modelos de lenguaje están entrenados para continuar patrones. Ese es, literalmente, su mecanismo básico. Si muestras tres ejemplos que tienen todos el mismo patrón, el cuarto tendrá con alta probabilidad ese patrón también. Ni siquiera tienes que poner en palabras cuál es el patrón. El modelo lo lee de tus ejemplos.

Un caso concreto. Quieres sacar de los correos de clientes un resumen corto con una estructura fija. Con una explicación tendrías que escribir: "Resume, di primero el asunto en una frase, luego la urgencia en una escala, luego si hace falta respuesta." Eso funciona a medias. La IA varía igualmente, unas veces escribe la urgencia como palabra, otras como número, otras se olvida del tercer punto.

Con un solo ejemplo el problema desaparece. Muestras un correo de ejemplo y la salida perfecta para él, justo en la forma que quieres. La IA copia la forma. Ya no queda margen de interpretación.

Cómo se construye un prompt few-shot

La estructura es siempre la misma y te la puedes imaginar como una tabla. Entrada, luego salida. Entrada, luego salida. Unas cuantas veces. Y al final una entrada nueva sin salida, que la IA completa entonces.

Para la tarea del correo de cliente se ve así:

Correo: "Hola, mi factura del mes pasado no cuadra,
hay 40 euros de más. Aclaradlo rápido, por favor."
Resumen:
- Asunto: Factura incorrecta, 40 euros de más
- Urgencia: 4 de 5
- Respuesta necesaria: sí

Correo: "Gracias por el gran servicio de la semana pasada,
solo quería saludar. Todo perfecto."
Resumen:
- Asunto: Comentario positivo, sin problema concreto
- Urgencia: 1 de 5
- Respuesta necesaria: no

Correo: "¿Cuándo llega exactamente mi pedido? Lleva tres días
como enviado pero no hay nada."
Resumen:

La IA completa ahora el tercer resumen exactamente en el mismo formato. Tres líneas, mismo orden, urgencia como número del 1 al 5. Nunca explicaste que la escala va del 1 al 5. La IA lo aprendió de los dos ejemplos.

Cuántos ejemplos de verdad

Más no es automáticamente mejor. Yo empezaría con dos y solo añadiría más si el resultado aún oscila. Regla general de la práctica:

Para formato y estructura, uno o dos ejemplos suelen bastar. El modelo solo necesita ver cómo debe verse la caja.

Para tono y estilo, o sea cuando debe sonar más informal o más formal, coge tres o cuatro. El tono es más difícil de leer a partir de un solo ejemplo.

Para clasificaciones y categorías peliagudas, donde hay casos límite, valen la pena cuatro a seis ejemplos, y a propósito unos que cubran los casos límite. Si tienes una categoría "poco claro", muestra también un ejemplo que caiga en esa categoría, si no la IA no la adivina nunca.

A partir de unos ocho ejemplos, cada uno adicional apenas aporta ya nada y solo gastas contexto innecesariamente, es decir, espacio y dinero. Si ocho ejemplos no bastan, normalmente es la tarea en sí la que es poco clara, no la cantidad demasiado pequeña.

El error más común

Ejemplos que no encajan entre sí. Si tu primer ejemplo escribe la urgencia como número y el segundo como palabra ("alta"), le has mostrado a la IA dos patrones contradictorios y elige uno al azar. Tus ejemplos tienen que ser consistentes entre sí hasta el último decimal. Esa es la mitad del trabajo.

El segundo error común son ejemplos demasiado parecidos. Si tus tres ejemplos son todos quejas, la IA duda ante un correo de elogio porque nunca lo ha visto. Reparte tus ejemplos de forma que cubran el rango que aparece de verdad. Una queja, un elogio, una pregunta neutral. Entonces el modelo está preparado para todo.

Few-shot y chain-of-thought juntos

En el capítulo sobre chain-of-thought aprendiste a dejar que la IA piense en voz alta antes de responder. Eso se puede combinar con few-shot y entonces se vuelve muy potente. Entonces muestras no solo entrada y salida, sino en cada ejemplo también el razonamiento intermedio.

Si, por ejemplo, quieres que la IA revise facturas, muestra en cada ejemplo el cálculo: "Partidas sumadas, 340 euros. IVA 19 por ciento, 64,60 euros. El total debería ser 404,60, en la factura pone 410, o sea 5,40 de más." Si lo demuestras en dos ejemplos, la IA calcula el tercer caso igual, paso a paso, en vez de simplemente adivinar un número. La tasa de error baja notablemente.

Dónde aparece few-shot en el trabajo real

Casi en cualquier sitio donde hayas repetido una tarea. Categorizar correos de soporte. Generar descripciones de producto en un esquema fijo. Extraer citas de mensajes de texto caóticos. Clasificar reseñas en positiva, neutral, negativa. Siempre que notes que planteas el mismo tipo de tarea por décima vez y la IA responde de forma distinta cada vez, few-shot es la solución.

Y un punto que a menudo se pasa por alto: en cuanto hayas construido tus ejemplos limpiamente una vez, puedes meterlos en una automatización. El prompt con los ejemplos siempre queda igual, solo cambia la nueva entrada. Justo eso es el puente al Nivel 3, donde montas estos prompts en n8n o Zapier y los dejas correr automáticamente mil veces. Un buen prompt few-shot es el ingrediente que convierte un bonito juego de chat en una máquina fiable.

Qué puedes probar ahora

Coge una tarea que le hayas dado a una IA varias veces últimamente y en la que la respuesta unas veces salió bien y otras mal. Construye dos o tres ejemplos con salida perfecta. Fíjate en que los ejemplos sean idénticos en formato y cubran el rango. Añade una entrada nueva y mira qué pasa. Notarás que de repente ya no tienes que corregir.

Cuando lo hayas hecho unas cuantas veces, guarda tus mejores sets de ejemplos. De eso trata justo el playbook sobre tu propia biblioteca de prompts, donde reúnes tus prompts probados en vez de construirlos de nuevo cada vez.