Cadena de pensamiento
Sinónimos: Chain of Thought · CoT · Razonamiento paso a paso
Definición ampliada
La cadena de pensamiento —en inglés Chain of Thought, abreviado CoT— es una técnica de prompting que pide al modelo desglosar el problema en pasos antes de dar la respuesta final, en lugar de responder directamente. Este razonamiento paso a paso mejora de forma medible el rendimiento en tareas aritméticas, lógicas y de razonamiento simbólico [1].
Hay una distinción que conviene fijar desde el principio, porque de ella depende todo el uso responsable de la técnica: la cadena de pensamiento cambia lo que el modelo produce, no da acceso a cómo lo produjo. El texto de los pasos es una salida más del sistema, generada igual que el resto.
Puede ser una forma de gastar cómputo en inferencia, pero ese presupuesto también puede emplearse en varios intentos o selección de respuestas [2].
Contexto histórico
La técnica se formalizó en 2022, cuando Wei y colaboradores mostraron que incluir en el prompt ejemplos con su razonamiento desarrollado mejoraba de forma sustancial los resultados en modelos suficientemente grandes, sin modificar sus parámetros [1]. El efecto no aparecía en modelos pequeños, lo que la convirtió en uno de los ejemplos más citados de capacidad que surge con la escala.
Poco después llegó el matiz que la técnica necesitaba. En 2023, Turpin y colaboradores demostraron que introducir sesgos en la entrada —por ejemplo, sugerir de antemano una respuesta— cambiaba la respuesta del modelo sin que la cadena de pensamiento mencionara esa influencia: el razonamiento expuesto justificaba la conclusión sin reflejar lo que realmente la había causado [3].
Importancia actual
A fecha de septiembre de 2026, el razonamiento paso a paso está incorporado al funcionamiento habitual de los modelos orientados a tareas complejas. Su utilidad práctica no está en discusión.
Lo que sí conviene tener presente es el alcance de lo que muestra. Una cadena de pensamiento no es una explicación auditable del cómputo del modelo, y tratarla como tal es un error con consecuencias: un razonamiento expuesto puede ser una racionalización construida después, coherente y convincente, que no corresponde al proceso que produjo la respuesta [3].
Aplicaciones
Generales
Problemas con varios pasos —cálculos, comparaciones encadenadas, decisiones con condiciones múltiples—, donde el desglose deja ver dónde falla el resultado.
Sanitarias
Pedir a un modelo que explicite cómo relaciona síntomas, antecedentes y pruebas antes de sugerir una orientación permite al profesional localizar el punto concreto donde discrepa, en lugar de recibir una conclusión cerrada. Ese es el valor real de la técnica en clínica.
Pero el desglose no acredita que el modelo haya razonado así, y por tanto no vale como justificación de una decisión clínica. La lectura correcta es tratar cada paso como una afirmación que hay que comprobar por separado, no como la traza de un razonamiento verificado. Un razonamiento plausible en la pantalla y una conclusión equivocada pueden convivir sin contradicción aparente.
Limitaciones
- El razonamiento expuesto puede no corresponder al cómputo real: puede ser una justificación posterior de una respuesta ya determinada [3].
- Un error en un paso intermedio se arrastra hasta el final, con la apariencia de un desarrollo ordenado.
- Alarga las respuestas y encarece el uso sin mejorar tareas que no requieren razonamiento encadenado.
- La plausibilidad del desglose aumenta la confianza del lector más de lo que aumenta la fiabilidad del resultado.
Ejemplos
- Un problema de dosificación por peso en el que el modelo expone el cálculo y permite revisar cada operación.
- Un caso en el que el modelo llega a la conclusión correcta con un paso intermedio equivocado, y el desglose lo deja a la vista.
- Un caso en el que el usuario sugiere una respuesta en la pregunta y el modelo construye un razonamiento que la respalda sin mencionar la sugerencia [3].
Relacionados
Referencias
En el Atlas visual: Del prompt al sistema