Cadena de prompts: cómo encadenar peticiones a la IA

Es la diferencia entre pedirle a alguien "escríbeme un informe completo sobre X" y guiarle paso a paso: primero investiga, después organiza, después redacta, después revisa.

El resultado es dramáticamente mejor. Un LLM que recibe una instrucción clara y acotada rinde mucho más que uno sobrecargado con 10 requisitos simultáneos.

Cuándo usarlo (y cuándo no)

Usa cadena de prompts cuando:

• La tarea tiene pasos claramente diferenciados (investigar, redactar, revisar)
• Un solo prompt genera resultados mediocres
• Necesitas verificar la calidad en puntos intermedios
• La salida final es larga o compleja (informe, artículo, análisis)

No lo uses cuando:

• La tarea es simple y directa (traducir una frase, formatear datos)
• Un solo prompt bien escrito ya te da lo que necesitas
• El coste de múltiples llamadas a la API no justifica la mejora

Si primero quieres dominar los fundamentos, lee nuestra guía de prompts profesionales y los errores comunes al escribir prompts.

Patrones de cadena: secuencial, ramificado y loop

No todas las cadenas son iguales. Hay tres patrones fundamentales, cada uno con sus ventajas:

1. Cadena secuencial (pipeline)

Cada paso alimenta al siguiente en orden lineal. Es el patrón más común y fácil de implementar.

Input → Paso 1 → Paso 2 → Paso 3 → Output final

Ejemplo: Investigar → Estructurar → Redactar → Revisar

Ideal para: creación de contenido, análisis de datos, cualquier tarea con fases naturales y ordenadas.

2. Cadena ramificada (fan-out / fan-in)

Un paso genera múltiples outputs que se procesan en paralelo. Al final, un paso de síntesis consolida los resultados.

Input → Paso 1 → [Rama A, Rama B, Rama C] → Síntesis → Output

Ejemplo: Brief → [Versión formal, Versión casual, Versión técnica] → Seleccionar mejor

Ideal para: generar variantes, análisis desde múltiples perspectivas, A/B testing de contenido.

3. Cadena con loop (iterativa)

Un paso se repite hasta que el resultado cumple un criterio de calidad predefinido.

Input → Generar → Evaluar → ¿Cumple criterio? → No → Regenerar
                                              → Sí → Output final

Ejemplo: Escribir email → Evaluar persuasión → Si < 7/10 → Reescribir

Ideal para: optimización de copy, refinar código, mejorar argumentos hasta un estándar mínimo.

Estructura de una cadena efectiva

Toda cadena de prompts sigue este patrón:

1. Prompt de extracción: Obtener o generar la materia prima (datos, ideas, estructura).
2. Prompt de procesamiento: Transformar, organizar o analizar la materia prima.
3. Prompt de síntesis: Producir el output final en el formato deseado.
4. Prompt de revisión (opcional): Evaluar y mejorar el output final.

Cada paso debe tener un objetivo claro y una instrucción de formato para que el siguiente paso pueda consumir la salida sin problemas.

Ejemplo: crear contenido de calidad

Supongamos que necesitas un artículo de blog sobre "tendencias de ciberseguridad en 2026":

Paso 1: Investigación

Actúa como analista de ciberseguridad. Lista las 10 tendencias
más relevantes en ciberseguridad para 2026. Para cada una:
- Nombre de la tendencia
- Por qué es relevante
- Impacto estimado (alto/medio/bajo)
Formato: lista numerada.

Paso 2: Estructura

A partir de estas tendencias [pegar resultado anterior], crea
un outline para un artículo de blog de 1500 palabras. Incluye:
- Título SEO con año
- 6 secciones (H2) con descripción de 1 línea
- 3 puntos clave por sección
- CTA final

Paso 3: Redacción

Redacta el artículo siguiendo este outline [pegar outline].
Tono: profesional pero accesible. Sin jerga innecesaria.
Incluye datos concretos (cifras, porcentajes, nombres).
1500 palabras. Formato HTML con H2 y párrafos.

Paso 4: Revisión

Revisa este artículo como editor senior. Identifica:
- Afirmaciones sin evidencia
- Párrafos que se pueden acortar
- Transiciones débiles entre secciones
- Oportunidades de añadir enlaces internos
Devuelve el artículo corregido.

Cuatro pasos, cuatro prompts simples, un resultado que un solo prompt nunca igualaría.

Ejemplo: análisis de datos

Cadena para analizar resultados de una encuesta:

Paso 1: "Extrae las métricas clave de estos datos [pegar CSV]. Lista: media, mediana, desviación y outliers por cada columna."

Paso 2: "A partir de estas métricas [pegar resultado], identifica los 5 hallazgos más relevantes para un director de marketing."

Paso 3: "Redacta un resumen ejecutivo de 300 palabras con estos hallazgos [pegar resultado]. Incluye una recomendación accionable por hallazgo."

Tres pasos que convierten datos crudos en un resumen ejecutivo útil. Si te interesa este caso de uso, lee nuestras guías de prompts para análisis de datos y prompts para resúmenes ejecutivos.

Ejemplos por dominio profesional

Las cadenas de prompts se adaptan a cualquier dominio. Aquí van ejemplos reales:

Legal: redactar un contrato

Paso 1: "Lista las cláusulas necesarias para un contrato de
         prestación de servicios SaaS B2B en España."
Paso 2: "Redacta cada cláusula con lenguaje legal preciso.
         Incluye: objeto, precio, duración, SLA, protección
         de datos, resolución y jurisdicción."
Paso 3: "Revisa como abogado mercantil. Identifica gaps
         legales, conflictos entre cláusulas y riesgos
         para el prestador del servicio."
Paso 4: "Genera una versión simplificada (resumen ejecutivo)
         para que el cliente no jurista entienda cada punto."

Ventas: preparar una propuesta comercial

Paso 1: "Analiza esta empresa [datos] y su sector. Identifica
         sus 3 problemas principales que nuestro producto resuelve."
Paso 2: "Diseña una propuesta de valor específica para cada
         problema. Incluye métricas de impacto esperado."
Paso 3: "Redacta la propuesta comercial completa: contexto,
         solución, pricing, timeline, ROI esperado."
Paso 4: "Genera 5 posibles objeciones del cliente y prepara
         respuesta para cada una."

Desarrollo: implementar una feature

Paso 1: "Diseña la arquitectura para [feature]. Esquema de BD,
         endpoints necesarios y componentes frontend."
Paso 2: "Implementa los modelos y endpoints (backend)."
Paso 3: "Implementa los componentes y páginas (frontend)."
Paso 4: "Escribe tests unitarios y de integración."
Paso 5: "Revisa el código: seguridad, rendimiento, edge cases."

Cuándo las cadenas ganan al prompt único

No siempre necesitas una cadena. Hay situaciones donde un prompt único es suficiente y más eficiente. La cadena gana cuando:

1. La tarea tiene dependencias lógicas: No puedes revisar algo que no has escrito. No puedes analizar datos que no has extraído. Si hay un "primero X, después Y", la cadena es mejor.

2. La calidad importa más que la velocidad: Un solo prompt genera output más rápido, pero una cadena genera output de mayor calidad. Si el resultado es para un cliente o público externo, invierte los 5 minutos extra.

3. Necesitas control intermedio: Si a mitad de proceso quieres ajustar el rumbo (la investigación revela algo inesperado, la estructura no convence), la cadena te da puntos de control. Un prompt monolítico te da un resultado final que solo puedes aceptar o rechazar completo.

4. El contexto desborda el modelo: Los LLMs tienen un límite de contexto (128K tokens en GPT-4, 200K en Claude). Si tu tarea requiere procesar un documento de 50 páginas y generar un análisis detallado, dividirlo en cadena evita que el modelo "olvide" partes del input.

5. Diferentes pasos requieren diferentes "personalidades": Combina con role prompting: investigador en el paso 1, redactor en el paso 2, editor en el paso 3. Cada paso con su propio rol optimizado.

Debugging de cadenas

Cuándo una cadena no produce el resultado esperado, el problema está en uno (o más) de los pasos. Cómo encontrarlo:

1. Inspecciona cada output intermedio: Ejecuta la cadena paso a paso y lee cada resultado. El paso que produce un output mediocre es el culpable. Arreglarlo suele arreglar toda la cadena.

2. Problemas comunes por paso:

• Paso 1 (extracción) falla: El input es ambiguo o el prompt no específica qué extraer. Solución: ser más específico en el formato de salida.
• Paso 2 (procesamiento) falla: La salida del paso 1 no tiene el formato que el paso 2 espera. Solución: añadir instrucciones de formato explícitas al paso 1.
• Paso 3 (síntesis) falla: Demasiada información de entrada sin priorizar. Solución: añadir un paso intermedio de filtrado/priorización.
• Paso 4 (revisión) falla: Criterios de revisión vagos. Solución: dar criterios específicos y cuantificables.

3. Técnica de bisección: Si la cadena tiene 6 pasos y el resultado final es malo, verifica primero el paso 3. Si el output del paso 3 es bueno, el problema está en 4-6. Si es malo, está en 1-3. Divide y conquista.

4. Logging: Guarda cada output intermedio. Cuando iteras sobre la cadena, poder comparar versiones anteriores te ayuda a entender qué cambio mejoró o empeoró el resultado.

Herramientas para gestionar cadenas

Para cadenas manuales (copy-paste entre prompts), no necesitas herramientas. Pero cuando las cadenas se repiten o tienen muchos pasos, automatizar ahorra horas:

No-code / Low-code:

• n8n: Open source, self-hosted. Conecta nodos de LLM con lógica condicional, loops y transformaciones. Ideal para cadenas de producción.
• Make (Integromat): Visual, drag-and-drop. Bueno para cadenas simples con pocas ramas.
• Zapier: Similar a Make pero con más integraciones. Limitado en lógica compleja.

Code (Python):

• LangChain: Framework Python para cadenas de LLM. Potente pero con curva de aprendizaje.
• Script simple con API: Para cadenas secuenciales, un script de 50 líneas que llama a la API de OpenAI/Anthropic en bucle es suficiente y más mantenible que LangChain.
• Claude Code: Para cadenas de desarrollo, Claude Code con managed agents ejecuta cadenas automáticamente.

Cuándo automatizar:

• Ejecutas la misma cadena más de 3 veces por semana
• La cadena tiene más de 5 pasos
• Necesitas resultados consistentes (misma calidad cada vez)
• Múltiples personas del equipo usan la misma cadena

Errores comunes al encadenar prompts

• Cadenas demasiado largas: Más de 7 pasos indica que deberías dividir la tarea en subtareas independientes.
• Pasos demasiado ambiguos: Cada prompt debe tener un objetivo claro y un formato de salida definido.
• No verificar intermedios: Si no revisas la salida de cada paso, arrastras errores hasta el final.
• Copiar/pegar todo: Al pasar la salida de un paso al siguiente, incluye solo lo relevante. No pegues 2000 palabras si con un resumen de 200 basta.
• Ignorar el contexto: Cada nuevo prompt pierde contexto anterior (en un chat nuevo). Incluye un resumen del contexto si cambias de sesión.
• No definir criterios de éxito: Si no sabes qué es "bueno" en cada paso, no puedes evaluar si la cadena funciona. Define métricas antes de ejecutar.
• Sobre-ingeniería: No toda tarea necesita una cadena de 7 pasos. Si un prompt bien escrito te da un 8/10, no montes una cadena para pasar al 8.5/10. El esfuerzo no lo justifica.

Combina esta técnica con el uso de roles en prompts para resultados aún mejores.

Siguiente paso

El prompt chaining es la técnica intermedia más potente de prompt engineering. Si la dominas, ya estás por encima del 90% de usuarios de IA. El siguiente nivel es automatizar estas cadenas con herramientas como Claude Code o n8n, donde los pasos se ejecutan sin intervención manual.

Empieza con una cadena secuencial de 3-4 pasos para una tarea que haces frecuentemente. Cuando veas la diferencia de calidad, escalarás a cadenas más complejas de forma natural. Y cuando las cadenas se vuelvan repetitivas, automatízalas.