Por qué la mayoría de los prompts te dan respuestas en lugar de pensamiento
Hay una queja que la gente hace sobre la IA que va algo así: "Me da cosas confiadas, genéricas, ligeramente equivocadas". El instinto es culpar al modelo. La respuesta honesta es que la mayoría de los prompts piden salida, y la salida es lo que el modelo devuelve. Si pides un resumen, obtienes un resumen. Si pides una lista de cinco consejos, obtienes una lista de cinco consejos. El resultado se siente superficial porque la solicitud era superficial.
Investigadores de Princeton estudiaron exactamente esta brecha en su artículo de KDD 2024 sobre el comportamiento de citación según la estructura del prompt (Aggarwal et al.). Lo que encontraron es que la estructura del prompt cambia a qué presta atención el modelo, no solo lo que dice. Un pequeño cambio en el encuadre cambia qué fuentes se citan, qué contraargumentos emergen y qué supuestos se hacen explícitos. En otras palabras, el prompt no es una consulta de búsqueda. Es un encuadre.
Este artículo es el catálogo de encuadres. Ocho patrones de prompts específicos, nombrados, listos para copiar y pegar para trabajos específicos de pensamiento. Dos piezas relacionadas de Glasp se sientan junto a él. Context engineering trata de ensamblar la sala donde tu IA trabaja: los documentos, las fuentes, las restricciones. The AI thinking trap trata de mantener tu propia actitud crítica cuando la IA empieza a sentirse demasiado fluida. Esta pieza es el catálogo de movimientos en sí. La sala, la actitud, los movimientos.
Cada patrón a continuación tiene la misma estructura. Cuándo usarlo, de dónde viene, el prompt exacto, un ejemplo de lo que regresa y por qué funciona. Trátalos como un vocabulario, no como una lista de verificación.
Patrón 1: Steel-Man
Steel-Man (Hombre de Acero) es la disciplina de construir la versión más fuerte posible de una visión opuesta antes de argumentar contra ella. Es lo opuesto al hombre de paja: en lugar de atacar una caricatura débil, derrotas la versión más dura.
Cuándo usarlo: antes de defender una posición, publicar un argumento o tomar una decisión de altas apuestas donde ya te has decidido en su mayor parte.
Origen: usualmente rastreado a las reglas de debate constructivo de Anatol Rapoport de los años 60, que requieren replantear la posición del oponente tan bien que digan "gracias, ojalá lo hubiera puesto así".
Prompt:
Defiende la visión opuesta a [mi posición] como un Steel-Man. Construye
el caso más fuerte posible, incluyendo cualquier evidencia o encuadre
que probablemente esté pasando por alto. No matices. No agregues un
"pero en realidad" al final. Solo construye el caso.
Ejemplo de salida: Para una posición como "deberíamos lanzar el MVP esta semana", una respuesta tipo Steel-Man podría decir: "Lanzar esta semana intercambia un lanzamiento arreglable por una primera impresión permanente. Los clientes que rebotan en la semana uno rara vez regresan. El costo de un retraso de dos semanas es pequeño. El costo de relanzar contra una reputación dañada es grande."
Por qué funciona: la mayoría de la gente no pierde argumentos porque sus oponentes sean inteligentes. Pierden porque se prepararon contra la versión tonta. Steel-Man te obliga a enfrentar la versión inteligente antes de estar públicamente comprometido con tu lado.
Patrón 2: Pre-Mortem
Pre-Mortem (Pre-Autopsia) voltea una autopsia en el tiempo. En lugar de analizar por qué falló un proyecto, imaginas que ya falló y reconstruyes el camino que llevó allí.
Cuándo usarlo: antes de lanzar un plan, proyecto o función, especialmente cuando el equipo ya se siente confiado.
Origen: Gary Klein, "Performing a Project Premortem", Harvard Business Review, 2007. Klein encontró que los equipos generaban 30% más razones para fallas potenciales cuando asumían que la falla ya era real.
Prompt:
Es [fecha 6 meses desde ahora]. El plan que estoy a punto de describir
falló terriblemente. Guíame por la secuencia más probable de eventos
que llevó a la falla. Sé concreto sobre lo que pasamos por alto, quién
empujó hacia atrás demasiado tarde y qué señal temprana ignoramos.
Plan: [pegar plan aquí]
Ejemplo de salida: "Para el mes dos, el tráfico de lanzamiento había caído 60% semana tras semana. El equipo había asumido crecimiento orgánico de referencias, pero el bucle de referencias requería una función que se lanzó tarde. Para el mes cuatro, el campeón original en la empresa socia se había ido, y nadie había construido una relación con su reemplazo."
Por qué funciona: la retrospectiva prospectiva cambia cómo busca el cerebro. Preguntar "¿qué podría salir mal?" obtiene respuestas vagas. Preguntar "¿qué salió mal?" obtiene respuestas específicas. La certeza ficticia desbloquea especificidad real.
Patrón 3: Load-Bearing Assumption
Load-Bearing Assumption (Supuesto Estructural) saca a la superficie las afirmaciones silenciosas de las que depende tu argumento. La mayoría de los argumentos tienen uno o dos supuestos que, si son falsos, colapsan toda la estructura. La mayoría de la gente nunca los nombra.
Cuándo usarlo: cuando estás atascado en una decisión, antes de comprometer presupuesto o personal, o cuando un plan se siente obviamente correcto y no puedes decir por qué.
Prompt:
Identifica los 3 supuestos estructurales (load-bearing) en este argumento.
Para cada uno, dime:
1. Qué evidencia lo falsificaría
2. Cómo podría verificarlo en menos de un día
3. Qué cambia si resulta ser falso
Argumento: [pegar argumento]
Ejemplo de salida: "Supuesto 1: que los usuarios tolerarán un tiempo de carga de 10 segundos en la primera visita. Falsificador: tasa de rebote sobre 60% en la página de aterrizaje. Verificación de un día: extraer las analíticas de la semana pasada para la URL del prototipo. Si es falso: todo el flujo de onboarding necesita una vía rápida."
Por qué funciona: los supuestos son peligrosos en proporción a cuán invisibles son. Nombrarlos en voz alta rompe el hechizo. La restricción de "verificar en menos de un día" es lo que mantiene honesto el ejercicio. Si no puedes verificarlo, no puedes afirmarlo.
Patrón 4: Inversion
Inversion (Inversión) hace la pregunta al revés. En lugar de "¿cómo tengo éxito en X?", preguntas "¿cómo garantizaría la peor versión posible de X?". Luego evitas esas cosas.
Cuándo usarlo: cuando un problema se siente atascado, cuando los consejos sobre el tema están llenos de lugares comunes, o cuando puedes listar cosas a evitar más rápido que cosas a hacer.
Origen: Charlie Munger lo tomó prestado del matemático del siglo XIX Carl Jacobi, cuyo consejo era "Invierte, siempre invierte". Munger lo llamó uno de los modelos mentales más útiles que tenía.
Prompt:
En lugar de resolver [problema], lista cada acción que garantizaría
la peor versión de este resultado. Sé específico y concreto. Luego
trabajaremos hacia atrás desde tu lista para descubrir qué hacer
realmente.
Ejemplo de salida: Para "¿cómo escribo un gran correo de onboarding?", la inversión produce: "Escribe 800 palabras. Comienza con la historia de la empresa. Entierra el botón de acción debajo del pliegue. Usa 'estamos emocionados' dos veces. Envía el viernes a las 5pm. Personaliza solo el primer nombre y olvida probarlo."
Por qué funciona: la gente es mejor reconociendo el fracaso que diseñando el éxito. La inversión le da al cerebro un objetivo concreto en el que realmente es bueno acertando. Una vez que la peor versión está en la página, la mejor versión es en su mayoría la negación.
Patrón 5: Devil's Audit
Devil's Audit (Auditoría del Diablo) es el movimiento que ejecutas en tu propio borrador antes de que nadie más lo vea. Le pides al modelo que juegue al revisor hostil, y le pides que sea específico.
Cuándo usarlo: después de escribir un borrador, terminar un argumento o ensamblar una presentación. Antes de enviar, publicar o presentar.
Prompt:
Audita este borrador como un revisor hostil pero inteligente. Lista
específicamente:
1. La afirmación más débil
2. La generalización más injusta
3. La parte donde estoy asumiendo que el lector está de acuerdo conmigo
4. La parte más probable de ser cortada por un editor
Sé específico. Cita las oraciones exactas.
Borrador: [pegar borrador]
Ejemplo de salida: "Afirmación más débil: 'la mayoría de los equipos fallan por la cultura' (párrafo 3) carece de cita y es contradicha por el estudio de McKinsey 2023 que citas más adelante. Generalización más injusta: 'los ingenieros no leen documentación'. Acuerdo asumido: el párrafo 5 trata el trabajo asíncrono como obviamente mejor; muchos lectores no lo harán."
Por qué funciona: la brecha entre lo que escribiste y lo que lee un extraño es enorme. La mayoría de los escritores no pueden ver sus propios supuestos porque los supuestos se sienten como el aire que respiran. Un revisor hostil hace visible el aire. La restricción de "citar las oraciones exactas" fuerza la especificidad, que es donde vive el valor.
Patrón 6: Pre-Reading Brief
Pre-Reading Brief (Brief Pre-Lectura) prepara tu mente antes de consumir una pieza de contenido. En lugar de leer pasivamente, lees como alguien que ya sabe qué buscar.
Cuándo usarlo: antes de un artículo largo, un paper denso, un video importante o un capítulo de libro que realmente necesitas retener.
Prompt:
Antes de que lea esto, dame:
1. Tres preguntas que debería tener en mente mientras leo
2. El contraargumento más fuerte al que debería estar atento
3. Las tres oraciones que debería recordar si olvido el resto
Fuente: [pegar o enlazar]
Ejemplo de salida: "Mantén estas preguntas: (1) ¿Cuál es la pieza de evidencia más fuerte del autor? (2) ¿Dónde se vuelve borrosa la línea de tiempo de los eventos? (3) ¿Cuya perspectiva falta? Contraargumento al que estar atento: el autor trata la correlación como causalidad en el segundo estudio citado. Tres oraciones para recordar: [...]"
Por qué funciona: esto es priming cognitivo. La Teoría Cognitiva del Aprendizaje Multimedia de Mayer muestra que los aprendices que reciben una vista previa estructural retienen aproximadamente 30% más de lo que leen o ven, porque pueden adjuntar información entrante a un andamiaje en lugar de mantenerla fría en la memoria de trabajo. El brief es el andamiaje.
Patrón 7: Synthesis-from-N
Synthesis-from-N es el patrón para cuando has recolectado varias fuentes sobre un tema y necesitas extraer estructura a través de ellas. No un resumen de cada una. Una síntesis que saca a la superficie consenso, conflicto y puntos ciegos compartidos.
Cuándo usarlo: después de leer múltiples artículos, papers o transcripciones sobre un tema. Especialmente útil cuando tienes una biblioteca de resaltados de Glasp que has estado recolectando.
Prompt:
Sintetiza estas N fuentes en:
1. El consenso central (en lo que todas están de acuerdo)
2. El desacuerdo más ruidoso (donde se contradicen explícitamente)
3. El supuesto que todas las fuentes comparten que nadie cuestiona
Fuentes: [pegar resaltados, enlaces o citas]
Ejemplo de salida: "Consenso central: las cinco fuentes están de acuerdo en que la memoria de trabajo es el cuello de botella para el aprendizaje. Desacuerdo más ruidoso: las fuentes 2 y 4 se dividen sobre si la repetición espaciada supera al intercalado. Supuesto compartido no cuestionado: cada fuente trata la motivación como exógena e ignora cómo el formato mismo da forma al engagement."
Por qué funciona: la mayoría de la gente lee N fuentes y termina con N resúmenes. Synthesis-from-N fuerza un solo mapa. La tercera viñeta, el supuesto no cuestionado, es donde usualmente vive el insight real, porque esa es la pregunta que nadie en el campo está haciendo todavía. Para un tratamiento más largo del ciclo leer-resaltar-sintetizar, ver the synthesis loop.
Patrón 8: Failure-Mode Hunter
Failure-Mode Hunter (Cazador de Modos de Fallo) es el patrón de pensamiento sistémico. Listas las formas en que la cosa puede romperse, las clasificas por probabilidad y severidad, y preguntas qué atraparía cada una temprano.
Cuándo usarlo: al diseñar sistemas, procesos, productos o herramientas donde la confiabilidad importa más que la novedad.
Prompt:
Lista los 7 principales modos de fallo para [sistema]. Para cada uno, dame:
1. Probabilidad (baja / media / alta)
2. Severidad (baja / media / alta)
3. El mecanismo de detección más barato que lo atraparía dentro de una hora
Sistema: [describir sistema]
Ejemplo de salida: "Modo de fallo 1: pool de conexiones a la base de datos agotado bajo pico de tráfico. Probabilidad: media. Severidad: alta. Detección: alerta en tiempo de espera de conexión sobre 200ms. Modo de fallo 2: API de tercero silenciosamente limita la tasa sin error. Probabilidad: alta. Severidad: media. Detección: chequeo sintético que compara la carga útil de respuesta con un fixture conocido cada 5 minutos."
Por qué funciona: los modos de fallo usualmente son conocidos por alguien. La pregunta es si son conocidos por ti, antes de que sucedan. Forzar probabilidad, severidad y un mecanismo de detección barato convierte la preocupación vaga en una lista de verificación priorizada. La restricción de "dentro de una hora" es lo que separa el monitoreo real del teatro.
Una hoja de trucos de una página (y cómo memorizar los patrones)
Aquí está todo el catálogo en un solo lugar.
| Patrón | Cuándo | Frase Disparadora |
|---|---|---|
| Steel-Man | Antes de defender una visión | "Construye el caso más fuerte contra mí." |
| Pre-Mortem | Antes de lanzar un plan | "Ya falló. ¿Qué pasó?" |
| Load-Bearing Assumption | Cuando estás atascado o comprometiéndote | "¿Qué 3 supuestos sostienen esto?" |
| Inversion | Cuando el éxito se siente vago | "¿Cómo garantizaría lo peor?" |
| Devil's Audit | Después de escribir un borrador | "Sé el revisor hostil." |
| Pre-Reading Brief | Antes de consumir contenido | "¿Qué 3 preguntas debería tener en mente?" |
| Synthesis-from-N | Después de leer varias fuentes | "Consenso, conflicto, punto ciego compartido." |
| Failure-Mode Hunter | Al diseñar un sistema | "Top 7 modos de fallo, clasificados." |
El truco para memorizarlos es nombrarlos en tu propio trabajo. La próxima vez que pidas el contraargumento más fuerte a tu posición, no solo lo tipees. Di "estoy ejecutando un Steel-Man en esto". Cuando termines un borrador, di "ejecutando el Devil's Audit". Nombrar el movimiento lo convierte de un prompt único en una herramienta que puedes tomar consistentemente.
Un ritmo práctico que funciona bien con el resaltador web de Glasp: resaltar primero, patrón segundo. Mientras lees, guarda los pasajes que se sienten importantes. Luego ejecuta patrones sobre tu biblioteca de resaltados: Steel-Man tu posición usando resaltados de fuentes con las que no estás de acuerdo, Devil's Audit un borrador contra resaltados que has reunido, y Synthesize-from-N a través de un cluster de temas. Los resaltados son la materia prima. Los patrones son los movimientos que haces sobre el material. La función de chat IA de Glasp está construida alrededor de este ritmo. Tus resaltados ya están en contexto, así que los patrones operan sobre lo que realmente has leído, no sobre lo que el modelo adivina.
La mayoría de la gente que se vuelve buena en esto nunca usa los ocho en una sola semana. Eligen dos o tres que encajan con su forma de pensar, y se vuelven fluidos. Esa es la meta. No ocho patrones memorizados. Dos o tres patrones corriendo en piloto automático.
Preguntas frecuentes
¿Funcionan estos patrones en cualquier LLM?
Sí. Han sido probados en GPT-5, Claude 4.6 y Gemini 2.5, y se sostienen porque tratan de la estructura del prompt, no de trucos específicos del modelo. Las salidas de ejemplo arriba fueron generadas en los tres con calidad similar. Los modelos más pequeños producirán versiones más superficiales de la misma forma, pero la forma se mantiene.
¿Debería memorizar los 8?
No. Comienza con dos. Los dos con el mayor apalancamiento para la mayor parte del trabajo del conocimiento son Steel-Man y Pre-Mortem. Steel-Man te salva de defender posiciones que en realidad no has presionado. Pre-Mortem te salva de lanzar planes cuyo modo de fallo ya es obvio en retrospectiva. Agrega los demás a medida que surjan las situaciones. Inversion es el tercero que la mayoría de la gente termina adoptando.
¿Es esto solo ingeniería de prompts?
Relacionado, pero la meta es diferente. La ingeniería de prompts optimiza la salida del modelo: mejores respuestas, menos alucinaciones, formato más limpio. Los patrones de pensamiento optimizan tu cognición: atrapar tus propios puntos ciegos, sacar a la superficie tus propios supuestos, afilar tus propios argumentos. La salida es un efecto secundario. El punto es lo que pasa en tu cabeza cuando ejecutas el patrón.
¿Y los prompts de chain-of-thought o paso a paso?
Chain-of-thought es un meta-patrón que puede apilarse con estos. Puedes agregar "piensa paso a paso" a cualquiera de los ocho patrones de arriba y usualmente obtener una respuesta más rigurosa, especialmente en modelos que no hacen razonamiento por defecto. Pero CoT solo tiende a producir pensamiento verboso apuntado a ningún objetivo en particular. Los ocho patrones de arriba apuntan el pensamiento a algo específico. Úsalos juntos cuando las apuestas justifiquen los tokens extra.
Conclusión
La queja de que la IA es "superficial" es en su mayoría una queja sobre prompts superficiales. Los patrones de arriba no hacen al modelo más inteligente. Hacen tu solicitud más inteligente, que es donde realmente vive el apalancamiento.
Ocho movimientos nombrados. Steel-Man para visiones opuestas. Pre-Mortem para planes. Load-Bearing Assumption para decisiones. Inversion cuando estás atascado. Devil's Audit en borradores. Pre-Reading Brief en contenido. Synthesis-from-N a través de fuentes. Failure-Mode Hunter en sistemas. Los nombres importan porque son lo que realmente recordarás en el momento. "Ejecuta un Steel-Man en esto" es algo que puedes decirte a ti mismo. "Usa un encuadre más crítico en tu prompt" no lo es.
Si tomas una cosa de este catálogo, toma esto: la meta no son mejores respuestas de la IA. La meta es un pensamiento más agudo de tu parte, con la IA como el socio que hace las preguntas que olvidaste hacerte a ti mismo. Los ocho patrones son ocho formas confiables de hacer que esa asociación funcione. Elige dos. Vuélvete fluido. Agrega más cuando el trabajo lo demande.