Cómo seleccionar el prompt pattern adecuado

11.4 Cómo seleccionar el prompt pattern adecuado

Comprender qué patterns existen es diferente a elegir correctamente cuál aplicar en una situación específica. Seleccionar el pattern incorrecto es casi tan inútil como no usar patterns: puede resultar en esfuerzo desperdiciado aplicando un framework inadecuado. En este apartado aprenderás un proceso sistemático para diagnosticar qué pattern (o combinación de patterns) es óptimo para tu necesidad específica.

El cuadro de decisión: preguntas diagnósticas

Cuando enfrentes una tarea con IA, responde estas preguntas en orden:

Pregunta 1: ¿Necesitas que el modelo adopte una perspectiva o expertise específica?

Si respuesta es sí: Patrón de Rol es tu base. ¿Necesitas una persona específica (Persona)? ¿Un experto en dominio (Experto)? ¿Explicación educativa (Instructor)? Si no: avanza a Pregunta 2.

Pregunta 2: ¿Necesitas que la salida tenga estructura específica?

Ejemplos de sí: necesitas datos tabulados (Patrón Tabla), necesitas árbol de decisiones (Patrón Árbol), necesitas código JSON (Patrón Código Estructurado), necesitas enumeración jerarquizada (Patrón Enumeración). Si la salida puede ser prosa libre: avanza a Pregunta 3.

Pregunta 3: ¿Es la tarea cognitivamente compleja?

Tareas simples (definir concepto, listar hechos) no necesitan razonamiento explícito. Tareas moderadamente complejas (análisis, diagnóstico, estrategia) se benefician de Cadena de Pensamiento o Verificación de Premisas. Tareas muy complejas (evaluación de alternativas con trade-offs múltiples, diagnóstico con incertidumbre) se benefician de múltiples patrones de razonamiento aplicados secuencialmente.

Pregunta 4: ¿Necesitas garantizar que la respuesta tenga cierta cualidad?

Ejemplos: necesitas que sea crítica (Patrón Crítica Constructiva), necesitas que presente argumentos opuestos (Patrón Contrargumento), necesitas que considere casos límite (Patrón Casos Límite). Si no necesitas verificación de calidad: el patrón está completo.

Ejemplo 1: Selección de pattern para análisis competitivo

Imaginemos que necesitas analizar a tres competidores de tu empresa de software.

Pregunta 1: ¿Perspectiva específica? Sí: serías el director de estrategia de tu empresa, analizando competencia desde esa perspectiva. Patrón Persona es apropiado.

Pregunta 2: ¿Estructura? Sí: quieres tabla comparativa con campos específicos (empresa, público, precios, ventajas, debilidades). Patrón Tabla es necesario.

Pregunta 3: ¿Complejidad cognitiva? Sí: necesitas análisis causal (por qué tiene éxito cada competidor), no solo descripción. Patrón Chain-of-Thought o Verificación ayudan.

Pregunta 4: ¿Cualidad? Sí: quieres que el modelo también cuestione sus propios supuestos sobre la industria. Patrón Pensamiento Crítico Forzado.

Prompt resultante combina: Persona + Tabla + Chain-of-Thought + Pensamiento Crítico. Esto es más patrones que una tarea simple, pero apropiado para análisis importante que informará decisión estratégica.

Ejemplo 2: Selección para documento de procedimiento

Necesitas que IA genere documento describiendo proceso de onboarding de cliente nuevo.

Pregunta 1: ¿Perspectiva? No particularmente: es documento objetivo, no personificado. Saltar.

Pregunta 2: ¿Estructura? Sí claramente: necesitas pasos secuenciales, cada uno con sub-pasos. Patrón Paso a Paso es esencial.

Pregunta 3: ¿Complejidad? No especialmente: es descripción de procedimiento, no análisis. Saltar patrones de razonamiento complejos.

Pregunta 4: ¿Cualidad? Potencialmente sí: quieres que incluya puntos de control o validación. Patrón Verificación podría ser útil.

Prompt resultante: Paso a Paso + Verificación (muy pocos patterns para tarea mecánica). Ejemplo: "Describe el proceso de onboarding de un nuevo cliente de SaaS. Estructura como pasos numerados. En cada paso, incluye qué se verifica antes de pasar al siguiente (punto de control)."

Matriz de selección rápida

Si la tarea es:

Creación de contenido (blog, email, social): Considera Patrón Persona (escritor con voz específica) + Patrón Estructura (enumeración para listicles, tabla para comparativas). Opcionalmente Patrón Crítica para mejorar borrador inicial.

Análisis o diagnóstico: Patrón Persona (especialista) + Chain-of-Thought (razonamiento) + Crítica Constructiva (verificación). Opcionalmente Patrón Tabla si necesitas comparación.

Extracción de datos: Patrón Código Estructurado (JSON, CSV) como core. Few-Shot ejemplos si extracción es de formato muy específico. Potencialmente Verificación de Premisas sobre qué campos extraer.

Ideation o brainstorming: Patrón Persona (con perspectiva específica) + Contrargumento (para considerar ideas no convencionales). Menos efectivo: estructura rígida; más efectivo: exploración.

Planificación: Patrón Paso a Paso (secuenciación) + Verificación (validación en cada paso). Opcionalmente Tabla si hay comparación entre opciones.

Evaluación de alternativas: Patrón Comparación Explícita (tabla lado a lado) + Persona (evaluador con contexto específico) + Contrargumento (por qué cada opción podría fallar) + Recomendación final (conclusión).

Errores comunes en selección de patterns

Usar demasiados patterns. Cada pattern adicional consume tokens y puede añadir ruido. Si tres patterns funcionan bien, cuatro no necesariamente es mejor. Selecciona minimalista: solo patterns que directamente abordan el problema.

Usar patterns desalineados con el output deseado. Si quieres contenido creativo pero aplicas estructura rígida (Tabla, Enumeración), estrangulas originalidad. Si quieres extracción de datos pero no especificas estructura (Código Estructurado), obtienes prosa que necesita reformateo.

Ignorar restricciones de contexto. Algunos patterns requieren más contexto (tokens). Patrón Few-Shot con 5 ejemplos consume más contexto que Zero-Shot. En aplicaciones con límites de tokens, este es trade-off importante.

Asumir un pattern funcionará igual en todos los modelos. Algunos patterns funcionan mejor en ciertos modelos. Chain-of-Thought es extraordinario en GPT-4 pero menos necesario en Claude (que piensa más profundamente por defecto). Ajusta patterns según modelo usado.

Iteración y ajuste

Incluso con este cuadro de decisión, la selección inicial de pattern puede no ser perfecta. El proceso es: selecciona patrón(es) basado en diagnóstico, ejecuta, evalúa resultado, ajusta. ¿Falta estructura? Añade patrón de estructura. ¿Respuesta demasiado genérica? Añade Patrón Persona. ¿Demasiado larga? Simplifica patterns.

A medida que usas patterns regularmente, tu intuición se agudiza. Después de 10-15 aplicaciones de Patrón Persona, reconocerás automáticamente cuándo es apropiado sin necesidad del cuadro. Los patterns se vuelven toolkit internalizados.

Ideas clave

• El cuadro de decisión (perspectiva específica, estructura, complejidad cognitiva, cualidad) diagnostica sistemáticamente qué patterns son necesarios.
• La selección de patterns debe ser minimalista: solo los que directamente abordan el problema, no todos los que podrían ayudar marginalmente.
• La matriz rápida mapea tipos de tareas (contenido, análisis, extracción, ideation, planificación) a combinaciones de patterns comúnmente efectivas.
• Los errores comunes incluyen demasiados patterns, patterns desalineados con output, ignorar restricciones de contexto, y no ajustar por modelo específico.
• La iteración es normal: selecciona patrón, ejecuta, evalúa, ajusta hasta que resultado es satisfactorio.
• Con experiencia regular, la selección de pattern se vuelve intuitiva, permitiendo elección rápida sin overthinking.