Durante los últimos años, la "ingeniería de prompts" (Prompt Engineering) se ha aclamado como el trabajo del futuro. Hemos construido complejas cadenas de pensamiento, definiciones de personas y restricciones elaboradas solo para lograr que los grandes modelos de lenguaje (LLM) hagan lo que queremos.
Pero un nuevo y viral estudio de la Universidad de Stanford sugiere que quizás lo hemos estado complicando demasiado.
El estudio introduce un concepto llamado muestreo verbalizado (Verbalized Sampling). En lugar de intentar diseñar el prompt perfecto para guiar al modelo por un camino concreto, los investigadores descubrieron que basta con pedirle al modelo que explore su propio espacio de probabilidad para obtener resultados notablemente mejores y más creativos.
¿La frase mágica?
"Genera 5 respuestas con sus probabilidades."
Los LLM funcionan prediciendo el siguiente token en función de la probabilidad. Cuando usted pide una sola respuesta, el modelo suele recurrir al camino más probable, que además acaba siendo el más aburrido y el más seguro.
Si pide explícitamente varias respuestas y sus probabilidades, obliga al modelo a ampliar su espacio de búsqueda. Tiene que considerar finalizaciones que normalmente descartaría. La otra mitad del truco es la autoevaluación. Asignar una probabilidad es una forma de introspección, y ahí es donde salen a la luz joyas creativas de alta calidad pero de menor probabilidad.
Este hallazgo cuestiona la tendencia actual de construir bibliotecas de prompts enormes y complejas. La simplicidad gana. En lugar de prompts de sistema de 50 líneas, pruebe a pedir variedad y autoclasificación.
Creatividad bajo demanda. La técnica es especialmente potente para la escritura creativa, la lluvia de ideas y la resolución de problemas, donde no existe "una única respuesta correcta". Ahí lo que busca es precisamente la dispersión de las respuestas, no la media.
Eficiencia de costes. Generar 5 respuestas consume más tokens. Pero el tiempo ahorrado en el refinamiento iterativo y la calidad del resultado suelen compensar el coste bruto de los tokens.
No del todo. Todavía necesita definir su tarea con claridad. Pero la era de "susurrar" a la IA con conjuros arcanos quizás esté llegando a su fin. El futuro de la interacción parece consistir menos en controlar el modelo y más en colaborar con su naturaleza probabilística.
Fundador y responsable técnico de Rise.sk. Diseña y entrega aplicaciones web, sistemas de datos y automatizaciones, y escribe sobre decisiones de software, IA y servicios digitales.
OpenAI dice que GPT-5.6 Sol supera a Claude Fable 5 en programación por un tercio del coste. Anthropic dice que Fable 5 lidera en capacidad bruta. Ambos tienen razón. Aquí tiene qué modelo gana qué trabajo.
Los tokens de API pueden costar menos que una hora de desarrollador, pero no son todo el proyecto. Una comparación práctica del uso del modelo, la revisión, las pruebas y los costes operativos.
MCP conecta un agente con herramientas y datos. A2A conecta agentes independientes. Aquí verá dónde encaja cada protocolo y qué controles de seguridad siguen siendo su responsabilidad.
Su contexto determina la respuesta