El few-shot prompting es una técnica de ingeniería de prompts que consiste en mostrar a un modelo de inteligencia artificial varios ejemplos de cómo debe realizar una tarea antes de pedirle que resuelva un caso nuevo. En lugar de explicar únicamente lo que esperamos de la herramienta, le proporcionamos referencias concretas sobre el formato, el criterio o el estilo que debe seguir. Esta forma de trabajar puede resultar especialmente útil cuando una instrucción abierta produce respuestas demasiado diferentes entre sí o cuando necesitamos clasificar información siguiendo unas reglas determinadas.
En el entorno empresarial, su interés va más allá de conseguir mejores respuestas en ChatGPT. Los ejemplos pueden ayudar a normalizar solicitudes comerciales, extraer datos de documentos, clasificar incidencias o preparar información que después utilizarán otras aplicaciones. No obstante, un buen prompt no sustituye la calidad de los datos ni las comprobaciones necesarias antes de automatizar un proceso. Por eso, antes de llevar esta técnica a un flujo de trabajo real, conviene analizar qué tareas merece la pena mejorar y cómo se conectarán con los sistemas existentes, algo que abordamos desde nuestra consultoría de IA para empresas. A continuación, explicamos cómo funciona esta técnica, sus diferencias respecto a otros enfoques, cómo preparar ejemplos útiles y en qué situaciones merece la pena aplicarla.
¿Cómo funciona el few-shot prompting?
La idea principal es sencilla: el prompt incluye varios pares de entrada y respuesta que muestran el comportamiento esperado y termina con una nueva entrada que el modelo debe resolver. Al observar las demostraciones, el LLM puede identificar qué categorías se utilizan, qué datos debe extraer o cómo tiene que estructurar la salida. Es una forma de reducir la ambigüedad sin desarrollar un modelo distinto para cada tarea, aunque su efectividad depende tanto de las capacidades del sistema como de la claridad y calidad de los ejemplos aportados.
Imaginemos que un equipo recibe correos electrónicos y necesita clasificarlos como «urgente», «normal» o «informativo». Si solo le pedimos a la IA que indique la prioridad, puede aplicar criterios diferentes a los del negocio. En cambio, si le mostramos varios mensajes clasificados correctamente y explicamos qué caracteriza a cada categoría, dispondrá de una referencia mucho más precisa. Este mecanismo se conoce como aprendizaje en contexto (in-context learning): el modelo utiliza lo que aparece en la conversación para orientar su respuesta, pero no modifica sus parámetros ni realiza un entrenamiento adicional. Esa distinción es importante cuando se compara el few-shot prompting con el fine-tuning.
Tampoco existe un número mágico de ejemplos. Empezar con tres o cinco puede ser una prueba razonable, siempre que representen situaciones diferentes y relevantes. Para una tarea muy sencilla quizá baste con menos, mientras que una clasificación con casos ambiguos puede necesitar una selección más variada. Añadir ejemplos casi idénticos solo alarga el prompt, consume contexto y puede aumentar el coste sin aportar una mejora proporcional. Lo más útil es comprobar qué errores comete el modelo y elegir demostraciones que ayuden precisamente a corregirlos.
Diferencias entre zero-shot, one-shot y few-shot prompting
Las tres expresiones describen cómo se proporciona una tarea al modelo según el número de demostraciones incluidas en la petición. Zero-shot significa trabajar sin ejemplos, one-shot incorpora uno y few-shot utiliza varios. No representan niveles de calidad que deban superarse de forma obligatoria: para una instrucción habitual y bien definida, un prompt sin ejemplos puede funcionar perfectamente; en otros casos, mostrar un patrón concreto facilita que la respuesta sea más estable.
Por ejemplo, para analizar opiniones de clientes, una instrucción zero-shot podría ser «Clasifica este comentario como positivo, negativo o neutro». Con one-shot añadiríamos un comentario y su etiqueta correcta, mientras que en few-shot mostraríamos distintas valoraciones, incluida alguna ambigua, antes de presentar el mensaje pendiente de clasificar. La ventaja de esta última opción es que permite ilustrar mejor los matices del criterio, aunque siempre habrá que probarla con entradas nuevas para comprobar que el sistema no se limita a reproducir superficialmente los ejemplos.
Cómo crear un prompt few-shot paso a paso
Un prompt few-shot eficaz empieza por definir el resultado que necesitamos, no por reunir ejemplos al azar. Antes de escribirlo conviene concretar qué debe hacer el modelo, qué información recibirá, cómo debe devolverla y qué consideraremos una respuesta correcta. De este modo, los ejemplos no funcionan como simples muestras decorativas, sino como referencias consistentes para una tarea que podremos evaluar después.
Definir la tarea y seleccionar ejemplos representativos
Supongamos que queremos clasificar solicitudes de soporte en tres categorías: «facturación», «acceso» e «incidencia técnica». Primero explicamos esas categorías y pedimos al modelo que devuelva una sola etiqueta. Después elegimos solicitudes similares a las que realmente llegan a la empresa: un problema con una factura, una contraseña que no funciona y un error de la aplicación. Si las peticiones reales suelen mezclar asuntos, interesa incorporar también un caso ambiguo y decidir de antemano cómo debe resolverse. La variedad relevante importa más que el número de ejemplos, porque un conjunto demasiado uniforme puede transmitir un criterio incompleto.
Los ejemplos deben compartir una estructura clara y no contradecirse entre sí. Si una solicitud sobre un cobro aparece como «facturación» en un caso y como «incidencia técnica» en otro sin ninguna explicación, el modelo tendrá dificultades para seguir un criterio coherente. También es conveniente evitar información personal innecesaria y utilizar datos representativos que puedan tratarse con seguridad. Una vez preparados los pares de entrada y salida, se añade la nueva solicitud, sin incluir su respuesta, para que el modelo complete el patrón.
Fijar el formato y comprobar el resultado
Cuando la salida vaya a utilizarse en un ERP, un CRM u otra automatización, conviene indicar exactamente su estructura. Podemos pedir una única categoría, una tabla con columnas definidas o un objeto JSON con campos concretos; lo importante es que todos los ejemplos respeten el mismo formato que después necesitaremos procesar. También merece la pena especificar qué hacer si falta un dato o si la información no permite clasificar un caso con suficiente seguridad, en lugar de incentivar respuestas inventadas.
La revisión debe realizarse con entradas que no se hayan utilizado como demostración. Si el modelo falla, podemos mejorar la instrucción, sustituir un ejemplo o incorporar un caso que represente mejor la excepción detectada. En tareas repetitivas, resulta especialmente útil mantener un pequeño conjunto de prueba y medir cuántas salidas son correctas, cuántas necesitan revisión y si los cambios del prompt realmente mejoran el resultado. Así, el few-shot prompting deja de ser una prueba aislada y se convierte en una técnica que puede ajustarse de manera controlada.
Ejemplo práctico de few-shot prompting en ChatGPT
Una de las formas más sencillas de entender la técnica es utilizarla para extraer información de mensajes escritos de manera diferente y devolverla con el mismo formato. Imaginemos que recibimos solicitudes comerciales y queremos identificar el nombre de la persona, su ciudad y el servicio por el que pregunta. No todos los mensajes incluirán los tres datos, por lo que la instrucción debe indicar cómo tratar la información ausente y los ejemplos deben mostrar ese comportamiento.
Prompt de ejemplo:
En este caso, el resultado esperado sería «Ana | Madrid | Gestión documental». El ejemplo muestra cómo orientar tanto la extracción de datos como la presentación final, sin entrenar el modelo ni cambiar su configuración interna. En una aplicación empresarial, sin embargo, deberíamos comprobar que el sistema identifica correctamente mensajes reales, manejar las ambigüedades y validar las salidas antes de incorporarlas automáticamente a una base de datos. El formato uniforme facilita la integración, pero no garantiza por sí solo que el contenido sea correcto.
Ventajas, limitaciones y errores habituales del few-shot prompting
La principal ventaja del few-shot prompting es que permite orientar el comportamiento de un modelo mediante ejemplos concretos, sin el trabajo técnico que supone un entrenamiento adicional. Puede ayudar a mantener categorías, tono y estructuras más consistentes; también facilita experimentar rápidamente con diferentes instrucciones y adaptar una tarea cuando cambia el criterio de negocio. Por eso tiene sentido en extracción de campos, clasificación documental, elaboración de respuestas y otros trabajos donde el resultado sigue un patrón relativamente claro.
Su principal limitación es que depende de la selección de ejemplos y de la capacidad del modelo para interpretarlos. Si los casos están mal etiquetados, contienen sesgos o no reflejan la variedad de la información real, el sistema puede trasladar esos problemas a sus respuestas. Además, las demostraciones ocupan parte de la ventana de contexto y aumentan el volumen de tokens procesados. Tampoco puede asumirse que una respuesta con el formato correcto sea verdadera: una clasificación puede ser errónea y un campo extraído puede contener un dato inventado, aunque el texto parezca perfectamente ordenado.
Entre los errores más frecuentes destacan utilizar ejemplos contradictorios, elegir únicamente casos demasiado fáciles y añadir numerosas demostraciones casi idénticas. Los tres dificultan evaluar si la técnica está aportando valor. También conviene revisar el orden de los ejemplos cuando se detecten cambios de comportamiento y evitar instrucciones vagas que no aclaren cómo resolver situaciones excepcionales. La mejor forma de corregir estos problemas es trabajar con ejemplos representativos, mantener criterios consistentes y medir el rendimiento con pruebas independientes antes de trasladar el prompt a producción.
Few-shot prompting y fine-tuning: ¿cuándo utilizar cada técnica?
Ambas técnicas buscan adaptar el comportamiento de un modelo a una tarea, pero actúan de forma diferente. El few-shot prompting aporta ejemplos dentro de cada petición; el fine-tuning continúa el entrenamiento utilizando un conjunto de datos específico. Por tanto, el primero permite cambiar las demostraciones rápidamente y probar nuevas instrucciones, mientras que el segundo requiere preparar datos, entrenar, evaluar y mantener una adaptación del modelo. No son alternativas excluyentes: incluso un modelo ajustado puede seguir beneficiándose de instrucciones y ejemplos bien diseñados.
En la práctica, conviene empezar por el método más sencillo que ofrezca un rendimiento suficiente. Si la tarea funciona con una instrucción clara, no hay razón para complicarla; si el formato o las categorías siguen siendo inconsistentes, podemos probar few-shot prompting. El fine-tuning cobra interés cuando existe una necesidad sostenida, disponemos de ejemplos fiables y el resultado no mejora lo bastante con las instrucciones y el contexto. La elección también debe tener en cuenta el volumen de peticiones, los costes y la facilidad para revisar el comportamiento del sistema.
Aplicaciones del few-shot prompting en empresas
El few-shot prompting es especialmente útil en procesos empresariales donde se necesita transformar información escrita en resultados consistentes y fáciles de revisar. Por ejemplo, una compañía puede utilizarlo para clasificar correos según el departamento responsable, detectar el motivo principal de una incidencia o extraer datos de formularios y solicitudes. En estos casos, las demostraciones ayudan a establecer un criterio uniforme, pero los resultados deben contrastarse antes de generar acciones automáticas que afecten a clientes, pagos o registros importantes.
También puede utilizarse en atención al cliente para orientar el tono de las respuestas, mostrar cuándo pedir información adicional y ejemplificar situaciones que deben derivarse a una persona. En un proceso comercial, permite transformar notas heterogéneas en resúmenes con campos definidos o preparar respuestas que respeten unas pautas de comunicación. Su utilidad aumenta cuando se combina con información empresarial actualizada, porque los ejemplos pueden enseñar cómo responder, pero no sustituyen una base documental fiable ni proporcionan por sí solos los datos que el modelo desconoce.
Cuando estas salidas se integran con un ERP, CRM o herramienta documental, es necesario definir validaciones, permisos y mecanismos de revisión. El prompt puede ayudar a interpretar una solicitud antes de que una automatización convencional ejecute el siguiente paso; no obstante, la decisión de actualizar un registro, enviar un mensaje o modificar información sensible debe estar sujeta a controles adecuados. Este enfoque forma parte de una implantación responsable de IA: conectar modelos con procesos reales sin confundir una demostración convincente con una garantía de precisión. Si el objetivo es identificar dónde puede aportar valor esta técnica dentro de una organización, la consultoría de IA para empresas de Process Control permite analizar procesos, datos e integraciones antes de diseñar una solución.
La inteligencia artificial puede aportar valor a los sistemas ERP al automatizar tareas y mejorar el uso de la información empresarial. En este vídeo puedes descubrir cómo se complementan ambas tecnologías y qué oportunidades ofrecen para optimizar los procesos de una empresa.
Preguntas frecuentes sobre few-shot prompting
Antes de aplicar esta técnica a un proceso real, conviene aclarar algunas dudas sobre la cantidad de ejemplos, su relación con el entrenamiento y las condiciones en las que merece la pena utilizarla. Estas cuestiones ayudan a distinguir entre mejorar una instrucción y desarrollar una adaptación más profunda del modelo, evitando añadir complejidad cuando no resulta necesaria.
¿Cuántos ejemplos se necesitan para hacer few-shot prompting?
No hay una cantidad fija que garantice buenos resultados. Tres a cinco ejemplos pueden ser un punto de partida, pero la cifra adecuada depende de la complejidad de la tarea, de las diferencias entre los casos y de la capacidad del modelo. Antes de añadir más, es preferible comprobar si las demostraciones existentes son representativas y si cubren los errores que aparecen en las pruebas. Un conjunto pequeño y variado puede resultar más útil que una lista larga de casos repetidos.
¿Se puede utilizar few-shot prompting en ChatGPT sin entrenar un modelo?
Sí. Basta con incluir instrucciones y varios ejemplos de entrada y salida en la propia conversación o petición antes de plantear el caso nuevo. El modelo utiliza esas demostraciones como parte del contexto, sin modificar sus parámetros. Por eso se diferencia del fine-tuning: permite probar y cambiar el criterio con rapidez, aunque para automatizar tareas empresariales sigue siendo necesario evaluar las respuestas y controlar qué datos se comparten.
¿Cuándo es recomendable utilizar few-shot prompting en una empresa?
Resulta interesante cuando una instrucción normal no consigue respuestas suficientemente consistentes y disponemos de ejemplos claros de cómo debe resolverse la tarea. Es especialmente útil en clasificación de documentos, extracción de campos, resúmenes con estructura fija o comunicaciones que deben seguir unas pautas determinadas. Antes de utilizarlo en producción, conviene comprobar su comportamiento con situaciones reales y establecer revisiones para los casos ambiguos o sensibles.
¿Qué diferencia hay entre few-shot y zero-shot prompting?
En zero-shot prompting se pide una tarea sin mostrar demostraciones, mientras que en few-shot prompting se incluyen varios ejemplos que orientan el formato o el criterio de respuesta. Esto no significa que few-shot sea siempre superior: si el modelo entiende correctamente la instrucción y devuelve el resultado necesario, añadir ejemplos puede aumentar los costes sin mejorar el rendimiento. La decisión debe basarse en pruebas sobre el caso de uso concreto.
