La técnica que usan los expertos para sacarle el máximo partido a la IA: encadenar modelos para refinar el resultado

Durante los últimos tres años los modelos de inteligencia artificial (IA) han mejorado mucho. Con frecuencia las últimas 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 infrautilizándolas y desperdiciando una parte de su potencial.

Afortunadamente hay una estrategia muy sencilla que puede ayudarnos no a obtener una respuesta razonablemente buena, sino a conseguir el resultado más preciso y fiable. La respuesta óptima. 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 basándose en el contexto que le hemos dado. Si el contexto es escaso, la respuesta será claramente mejorable.

Ahora bien, si el contexto está bien definido pero la petición es amplia, la IA tenderá a cubrir el terreno de forma razonable, aunque sin profundizar en ningún aspecto concreto. Ningún trabajo profesional se entrega en su primera versión. Siempre hay una revisión, una crítica o un ajuste. El encadenamiento de varias IA traslada exactamente esa lógica al trabajo con los modelos de lenguaje. Y, como estamos a punto de comprobar, es un aliado muy valioso.

Qué es encadenar varias IA y por qué funciona

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 última lo verifica todo. En este escenario cada modelo actúa como un especialista con un rol diferente. Y el resultado final acumula las ventajas de cada fase.

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 más eficaz que uno al que le pedimos que lo genere y lo critique al mismo tiempo. La especialización mejora el resultado.

Sea como sea, lo ideal es que ilustremos esta estrategia con un ejemplo práctico. Imaginemos que necesitamos redactar un correo electrónico delicado en el que pretendemos rechazar una propuesta de colaboración sin dañar nuestra relación profesional con la persona a la que vamos a enviar el e-mail. Podemos pedir a ChatGPT lo siguiente:

"Redacta un correo electrónico para rechazar una propuesta de colaboración de un proveedor con el que tengo una buena relación. Quiero que el tono sea cordial, que deje la puerta abierta a futuras oportunidades y que no suene a excusa"

El resultado será un correo perfectamente válido. Quizá demasiado genérico, pero válido. Para mejorarlo podemos copiar ese texto y entregárselo a Claude con un prompt como este:

"Actúa como un experto en comunicación profesional. Este es un correo electrónico de rechazo que he redactado. Identifica sus tres puntos más débiles y explica cómo puedo mejorar cada uno de ellos"

Claude señalará, por ejemplo, que la apertura es demasiado abrupta, que la frase que "deja la puerta abierta" suena a fórmula vacía, y que el cierre no propone ningún paso concreto. No obstante, aún no hemos acabado. Ahora podemos pulirlo un poco más entregando la salida de Claude a Gemini, o, incluso, a ChatGPT, con un prompt como este:

"Reescribe este correo electrónico incorporando las siguientes mejoras: [aquí pegamos los tres puntos que ha criticado Claude]. Mantén el mismo tono y la misma longitud"

El resultado de este tercer paso será sustancialmente mejor que el primero. No porque ninguna IA sea más "inteligente" que las demás, sino porque cada una de ellas ha actuado con un propósito muy delimitado. En cualquier caso, no es imprescindible que recurramos a varios modelos de IA. También podemos hacer lo mismo con una única IA si cambiamos el rol en cada mensaje.

Nuestra estrategia es la misma: no pediremos a un único prompt que lo haga todo. Generaremos primero, criticaremos después y refinaremos al final. Incluso podemos añadir un cuarto paso de verificación ("¿hay algo en este texto que pueda malinterpretarse?") o de adaptación ("tradúcelo ahora a un registro más informal"). Cada paso adicional tiene un coste bajo y un beneficio alto. Invertir dos minutos más en encadenar tres prompts en lugar de usar solo uno puede transformar un resultado correcto en uno excepcional.

Imagen | Generada por Xataka con un prompt creado por Claude y entregado a ChatGPT

En Xataka | Modo bloqueo de ChatGPT: qué es, para qué sirve, quién puede usarlo y cómo activarlo

En Xataka | La IA está sustituyendo uno de los trabajos más odiados del mundo: el cobrador del frac