Modelos de lenguaje (LLM)

Cadena de pensamiento (chain-of-thought)

La cadena de pensamiento, conocida en inglés como chain-of-thought o CoT, es una técnica que consiste en pedirle a un modelo de lenguaje que muestre su razonamiento paso a paso antes de dar la respuesta final. Mejora drásticamente la precisión en problemas complejos (matemáticas, lógica, planificación). Es la base técnica de los modelos de razonamiento modernos como GPT-5 Thinking o Claude con extended thinking.

Por Ana María González Actualizado: 28 de abril de 2026

Definición rápida

Respuesta directa

Explicación ampliada

En 2022 un grupo de investigadores de Google descubrió algo contraintuitivo: si en lugar de pedirle al modelo "¿cuál es la respuesta?" le pedían "piensa paso a paso", la precisión en problemas matemáticos subía del 18% al 57% sin cambiar nada del modelo en sí. Habían encontrado la cadena de pensamiento. La intuición es que los modelos, igual que las personas, resuelven mejor un problema cuando lo descomponen explicitamente en pasos en lugar de saltar directamente a la respuesta. De esa idea simple salieron las grandes mejoras en razonamiento de la última generación de modelos. Los modelos de razonamiento (GPT-5 Thinking, Claude Opus con extended thinking, Gemini Deep Think, DeepSeek R1) generan internamente cadenas de pensamiento muy largas, a veces de miles de palabras, antes de devolver la respuesta visible al usuario. Eso explica su mayor precisión en problemas complejos y también su mayor coste y latencia. La cadena de pensamiento también se puede aplicar manualmente con modelos estándar. Si en lugar de preguntar "¿cuál es la mejor estrategia?" se pregunta "analiza la situación, identifica los factores principales, considera dos o tres alternativas y al final recomienda una", el resultado mejora visiblemente. Es la técnica más simple y de mayor impacto en ingeniería de prompts profesional.

Por qué importa para tu empresa

Aplicación práctica

Saber pedir cadena de pensamiento a un asistente IA es la mejora individual de mayor impacto que un usuario puede aprender. Para una persona que usa ChatGPT o Claude todos los días en su trabajo, dominar este patrón marca la diferencia entre obtener respuestas mediocres y obtener análisis cuidados. Es lo primero que se enseña en una formación decente sobre IA aplicada a la empresa.

Ejemplo concreto

Caso real

Un director financiero de pyme manufacturera estaba evaluando si invertir en un nuevo CRM. Su primer prompt era simple: "¿Me conviene cambiar de CRM?". El modelo respondía con generalidades. Cambió el prompt a: "Voy a darte el contexto de mi situación. Análizalo paso a paso: primero identifica los problemas reales del CRM actual, después evalúa si esos problemas se resuelven con un cambio o son organizativos, después estima coste y disrupción del cambio, y solo al final recomienda algo". La respuesta resultante identificó que el problema real era falta de adopción por el equipo comercial, no el CRM. Cambiar de herramienta no lo iba a resolver.