{"id":50497,"date":"2026-06-17T09:16:16","date_gmt":"2026-06-17T13:16:16","guid":{"rendered":"https:\/\/ermdigital.com\/?p=50497"},"modified":"2026-06-17T09:16:16","modified_gmt":"2026-06-17T13:16:16","slug":"la-tecnica-que-usan-los-expertos-para-sacarle-el-maximo-partido-a-la-ia-encadenar-modelos-para-refinar-el-resultado","status":"publish","type":"post","link":"https:\/\/ermdigital.com\/?p=50497","title":{"rendered":"La t\u00e9cnica que usan los expertos para sacarle el m\u00e1ximo partido a la IA: encadenar modelos para refinar el resultado"},"content":{"rendered":"

\n \"La\n <\/p>\n

Durante los \u00faltimos tres a\u00f1os los modelos de inteligencia artificial<\/a> (IA) han mejorado mucho. Con frecuencia las \u00faltimas revisiones de ChatGPT, Claude, Gemini o DeepSeek nos entregan respuestas convincentes a las consultas que les hacemos o las tareas que les pedimos. Sin embargo, su primera respuesta no suele ser la mejor<\/strong>. Casi nunca lo es. Si nos conformamos con lo primero que nos dicen<\/a> estaremos infrautiliz\u00e1ndolas y desperdiciando una parte de su potencial.<\/p>\n

<\/p>\n

Afortunadamente hay una estrategia muy sencilla que puede ayudarnos no a obtener una respuesta razonablemente buena, sino a conseguir el resultado m\u00e1s preciso y fiable. La respuesta \u00f3ptima. Y consiste en encadenar varias IA para que cada una de ellas refine el trabajo de la anterior. Cuando le pedimos algo a una IA, el modelo genera una respuesta bas\u00e1ndose en el contexto que le hemos dado. Si el contexto es escaso, la respuesta ser\u00e1 claramente mejorable.<\/p>\n

<\/p>\n

Ahora bien, si el contexto est\u00e1 bien definido pero la petici\u00f3n es amplia, la IA tender\u00e1 a cubrir el terreno de forma razonable, aunque sin profundizar en ning\u00fan aspecto concreto. Ning\u00fan trabajo profesional se entrega en su primera versi\u00f3n. Siempre hay una revisi\u00f3n, una cr\u00edtica o un ajuste. El encadenamiento de varias IA traslada exactamente esa l\u00f3gica al trabajo con los modelos de lenguaje. Y, como estamos a punto de comprobar, es un aliado muy valioso.<\/p>\n

<\/p>\n

Qu\u00e9 es encadenar varias IA y por qu\u00e9 funciona<\/h2>\n

Lo que os proponemos hacer es, sencillamente, utilizar la salida de un modelo de IA como entrada para el siguiente. En lugar de pedir a una IA que lo haga todo en un solo paso podemos dividir el trabajo en varias fases. De esta forma una IA genera el primer resultado, otra lo critica, otra lo refina y una \u00faltima lo verifica todo. En este escenario cada modelo act\u00faa como un especialista con un rol diferente. Y el resultado final acumula las ventajas de cada fase.<\/p>\n

\n
\n
\n
\n
\n \"La
\n <\/a>\n <\/div>\n
\n
\n En Xataka<\/a>\n <\/div>\n

La trampa del 80%: China construir\u00e1 la mayor red de IA del mundo con chips propios, aunque no son suficientes<\/a>\n <\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n

Es importante que tengamos en cuenta que los modelos de lenguaje responden al contexto inmediato que reciben, y no a un objetivo abstracto. No se trata de que una IA sea mejor que otra necesariamente. Nuestro punto de partida es que un modelo al que le pedimos exclusivamente que critique un texto es m\u00e1s eficaz que uno al que le pedimos que lo genere y lo critique al mismo tiempo. La especializaci\u00f3n mejora el resultado<\/strong>.<\/p>\n

<\/p>\n

\n
\n

Un modelo al que le pedimos exclusivamente que critique un texto es m\u00e1s eficaz que uno al que le pedimos que lo genere y lo critique al mismo tiempo<\/p>\n<\/p><\/div>\n<\/div>\n

Sea como sea, lo ideal es que ilustremos esta estrategia con un ejemplo pr\u00e1ctico. Imaginemos que necesitamos redactar un correo electr\u00f3nico delicado en el que pretendemos rechazar una propuesta de colaboraci\u00f3n sin da\u00f1ar nuestra relaci\u00f3n profesional con la persona a la que vamos a enviar el e-mail. Podemos pedir a ChatGPT lo siguiente:<\/p>\n

<\/p>\n

\"Redacta un correo electr\u00f3nico para rechazar una propuesta de colaboraci\u00f3n de un proveedor con el que tengo una buena relaci\u00f3n. Quiero que el tono sea cordial, que deje la puerta abierta a futuras oportunidades y que no suene a excusa\"<\/p><\/blockquote>\n

El resultado ser\u00e1 un correo perfectamente v\u00e1lido. Quiz\u00e1 demasiado gen\u00e9rico, pero v\u00e1lido. Para mejorarlo podemos copiar ese texto y entreg\u00e1rselo a Claude<\/strong> con un prompt <\/em>como este:<\/p>\n

<\/p>\n

\"Act\u00faa como un experto en comunicaci\u00f3n profesional. Este es un correo electr\u00f3nico de rechazo que he redactado. Identifica sus tres puntos m\u00e1s d\u00e9biles y explica c\u00f3mo puedo mejorar cada uno de ellos\"<\/p><\/blockquote>\n

\n
\n
\n
<\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n

Claude se\u00f1alar\u00e1, por ejemplo, que la apertura es demasiado abrupta, que la frase que \"deja la puerta abierta\" suena a f\u00f3rmula vac\u00eda, y que el cierre no propone ning\u00fan paso concreto. No obstante, a\u00fan no hemos acabado. Ahora podemos pulirlo un poco m\u00e1s entregando la salida de Claude a Gemini, o, incluso, a ChatGPT, con un prompt <\/em>como este:<\/p>\n

<\/p>\n

\"Reescribe este correo electr\u00f3nico incorporando las siguientes mejoras: [aqu\u00ed pegamos los tres puntos que ha criticado Claude]. Mant\u00e9n el mismo tono y la misma longitud\"<\/p><\/blockquote>\n

\n
\n

Invertir dos minutos m\u00e1s en encadenar tres 'prompts' en lugar de usar solo uno puede transformar un resultado correcto en uno excepcional<\/p>\n<\/p><\/div>\n<\/div>\n

El resultado de este tercer paso ser\u00e1 sustancialmente mejor que el primero. No porque ninguna IA sea m\u00e1s \"inteligente\" que las dem\u00e1s, sino porque cada una de ellas ha actuado con un prop\u00f3sito muy delimitado<\/strong>. En cualquier caso, no es imprescindible que recurramos a varios modelos de IA. Tambi\u00e9n podemos hacer lo mismo con una \u00fanica IA si cambiamos el rol en cada mensaje.<\/p>\n

<\/p>\n

Nuestra estrategia es la misma: no pediremos a un \u00fanico prompt <\/em>que lo haga todo. Generaremos primero, criticaremos despu\u00e9s y refinaremos al final. Incluso podemos a\u00f1adir un cuarto paso de verificaci\u00f3n (\"\u00bfhay algo en este texto que pueda malinterpretarse?\"<\/em>) o de adaptaci\u00f3n (\"trad\u00facelo ahora a un registro m\u00e1s informal\"<\/em>). Cada paso adicional tiene un coste bajo y un beneficio alto. Invertir dos minutos m\u00e1s en encadenar tres prompts <\/em>en lugar de usar solo uno puede transformar un resultado correcto en uno excepcional.<\/p>\n

Imagen | Generada por Xataka con un prompt <\/em>creado por Claude y entregado a ChatGPT<\/p>\n

En Xataka | Modo bloqueo de ChatGPT: qu\u00e9 es, para qu\u00e9 sirve, qui\u00e9n puede usarlo y c\u00f3mo activarlo<\/a><\/p>\n

En Xataka | La IA est\u00e1 sustituyendo uno de los trabajos m\u00e1s odiados del mundo: el cobrador del frac<\/a><\/p>\n

–
La noticia
\n
\n La t\u00e9cnica que usan los expertos para sacarle el m\u00e1ximo partido a la IA: encadenar modelos para refinar el resultado <\/em>
\n <\/a>
\n fue publicada originalmente en
\n
\n Xataka <\/strong>
\n <\/a>
\n por
\n
\n Laura L\u00f3pez
\n <\/a>
\n . <\/p>\n

\u00a0Durante los \u00faltimos tres a\u00f1os los modelos de inteligencia artificial (IA) han mejorado mucho. Con frecuencia las \u00faltimas revisiones de ChatGPT, Claude, Gemini o DeepSeek nos entregan respuestas convincentes a las consultas que les hacemos o las tareas que les pedimos. Sin embargo, su primera respuesta no suele ser la mejor. Casi nunca lo es. Si nos conformamos con lo primero que nos dicen estaremos infrautiliz\u00e1ndolas y desperdiciando una parte de su potencial.<\/p>\n

Afortunadamente hay una estrategia muy sencilla que puede ayudarnos no a obtener una respuesta razonablemente buena, sino a conseguir el resultado m\u00e1s preciso y fiable. La respuesta \u00f3ptima. Y consiste en encadenar varias IA para que cada una de ellas refine el trabajo de la anterior. Cuando le pedimos algo a una IA, el modelo genera una respuesta bas\u00e1ndose en el contexto que le hemos dado. Si el contexto es escaso, la respuesta ser\u00e1 claramente mejorable.<\/p>\n

Ahora bien, si el contexto est\u00e1 bien definido pero la petici\u00f3n es amplia, la IA tender\u00e1 a cubrir el terreno de forma razonable, aunque sin profundizar en ning\u00fan aspecto concreto. Ning\u00fan trabajo profesional se entrega en su primera versi\u00f3n. Siempre hay una revisi\u00f3n, una cr\u00edtica o un ajuste. El encadenamiento de varias IA traslada exactamente esa l\u00f3gica al trabajo con los modelos de lenguaje. Y, como estamos a punto de comprobar, es un aliado muy valioso.<\/p>\n

Qu\u00e9 es encadenar varias IA y por qu\u00e9 funcionaLo que os proponemos hacer es, sencillamente, utilizar la salida de un modelo de IA como entrada para el siguiente. En lugar de pedir a una IA que lo haga todo en un solo paso podemos dividir el trabajo en varias fases. De esta forma una IA genera el primer resultado, otra lo critica, otra lo refina y una \u00faltima lo verifica todo. En este escenario cada modelo act\u00faa como un especialista con un rol diferente. Y el resultado final acumula las ventajas de cada fase.<\/p>\n

En Xataka<\/p>\n

La trampa del 80%: China construir\u00e1 la mayor red de IA del mundo con chips propios, aunque no son suficientes<\/p>\n

Es importante que tengamos en cuenta que los modelos de lenguaje responden al contexto inmediato que reciben, y no a un objetivo abstracto. No se trata de que una IA sea mejor que otra necesariamente. Nuestro punto de partida es que un modelo al que le pedimos exclusivamente que critique un texto es m\u00e1s eficaz que uno al que le pedimos que lo genere y lo critique al mismo tiempo. La especializaci\u00f3n mejora el resultado.<\/p>\n

Un modelo al que le pedimos exclusivamente que critique un texto es m\u00e1s eficaz que uno al que le pedimos que lo genere y lo critique al mismo tiempo<\/p>\n

Sea como sea, lo ideal es que ilustremos esta estrategia con un ejemplo pr\u00e1ctico. Imaginemos que necesitamos redactar un correo electr\u00f3nico delicado en el que pretendemos rechazar una propuesta de colaboraci\u00f3n sin da\u00f1ar nuestra relaci\u00f3n profesional con la persona a la que vamos a enviar el e-mail. Podemos pedir a ChatGPT lo siguiente:
\n\"Redacta un correo electr\u00f3nico para rechazar una propuesta de colaboraci\u00f3n de un proveedor con el que tengo una buena relaci\u00f3n. Quiero que el tono sea cordial, que deje la puerta abierta a futuras oportunidades y que no suene a excusa\"
\nEl resultado ser\u00e1 un correo perfectamente v\u00e1lido. Quiz\u00e1 demasiado gen\u00e9rico, pero v\u00e1lido. Para mejorarlo podemos copiar ese texto y entreg\u00e1rselo a Claude con un prompt como este:
\n\"Act\u00faa como un experto en comunicaci\u00f3n profesional. Este es un correo electr\u00f3nico de rechazo que he redactado. Identifica sus tres puntos m\u00e1s d\u00e9biles y explica c\u00f3mo puedo mejorar cada uno de ellos\"<\/p>\n

Claude se\u00f1alar\u00e1, por ejemplo, que la apertura es demasiado abrupta, que la frase que \"deja la puerta abierta\" suena a f\u00f3rmula vac\u00eda, y que el cierre no propone ning\u00fan paso concreto. No obstante, a\u00fan no hemos acabado. Ahora podemos pulirlo un poco m\u00e1s entregando la salida de Claude a Gemini, o, incluso, a ChatGPT, con un prompt como este:<\/p>\n

\"Reescribe este correo electr\u00f3nico incorporando las siguientes mejoras: [aqu\u00ed pegamos los tres puntos que ha criticado Claude]. Mant\u00e9n el mismo tono y la misma longitud\"<\/p>\n

Invertir dos minutos m\u00e1s en encadenar tres 'prompts' en lugar de usar solo uno puede transformar un resultado correcto en uno excepcional<\/p>\n

El resultado de este tercer paso ser\u00e1 sustancialmente mejor que el primero. No porque ninguna IA sea m\u00e1s \"inteligente\" que las dem\u00e1s, sino porque cada una de ellas ha actuado con un prop\u00f3sito muy delimitado. En cualquier caso, no es imprescindible que recurramos a varios modelos de IA. Tambi\u00e9n podemos hacer lo mismo con una \u00fanica IA si cambiamos el rol en cada mensaje.
\nNuestra estrategia es la misma: no pediremos a un \u00fanico prompt que lo haga todo. Generaremos primero, criticaremos despu\u00e9s y refinaremos al final. Incluso podemos a\u00f1adir un cuarto paso de verificaci\u00f3n (\"\u00bfhay algo en este texto que pueda malinterpretarse?\") o de adaptaci\u00f3n (\"trad\u00facelo ahora a un registro m\u00e1s informal\"). Cada paso adicional tiene un coste bajo y un beneficio alto. Invertir dos minutos m\u00e1s en encadenar tres prompts en lugar de usar solo uno puede transformar un resultado correcto en uno excepcional.
\nImagen | Generada por Xataka con un prompt creado por Claude y entregado a ChatGPT
\nEn Xataka | Modo bloqueo de ChatGPT: qu\u00e9 es, para qu\u00e9 sirve, qui\u00e9n puede usarlo y c\u00f3mo activarlo
\nEn Xataka | La IA est\u00e1 sustituyendo uno de los trabajos m\u00e1s odiados del mundo: el cobrador del frac<\/p>\n

– La noticia<\/p>\n

La t\u00e9cnica que usan los expertos para sacarle el m\u00e1ximo partido a la IA: encadenar modelos para refinar el resultado <\/p>\n

fue publicada originalmente en<\/p>\n

Xataka <\/p>\n

por <\/p>\n

Laura L\u00f3pez<\/p>\n

.\u00a0\u00a0\u00a0<\/p>\n","protected":false},"excerpt":{"rendered":"

Durante los \u00faltimos tres a\u00f1os los modelos de inteligencia artificial (IA) han mejorado mucho. Con frecuencia las \u00faltimas revisiones de ChatGPT, Claude, Gemini o DeepSeek nos entregan respuestas convincentes a las consultas que les hacemos o las tareas que les pedimos. Sin embargo, su primera respuesta no suele ser la mejor. Casi nunca lo es. […]<\/p>\n","protected":false},"author":1,"featured_media":50498,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"amp_status":"","footnotes":""},"categories":[6],"tags":[],"class_list":["post-50497","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-y-tecnologia"],"_links":{"self":[{"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/posts\/50497","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ermdigital.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=50497"}],"version-history":[{"count":0,"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/posts\/50497\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ermdigital.com\/index.php?rest_route=\/wp\/v2\/media\/50498"}],"wp:attachment":[{"href":"https:\/\/ermdigital.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=50497"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ermdigital.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=50497"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ermdigital.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=50497"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}