El few-shot prompting es una técnica que consiste en incluir en el prompt unos pocos ejemplos resueltos de la tarea (normalmente de dos a cinco) antes de pedirle a la IA Generativa que haga la tuya. Con ellos, el modelo copia el formato, el tono y el criterio sin que tengas que explicarlos. Si no das ejemplos es zero-shot, y si das uno solo, one-shot.
Es la forma más rápida de que ChatGPT, Claude o Gemini te devuelvan siempre el mismo tipo de respuesta, y por eso es la técnica a la que recurren los equipos que quieren que varios humanos obtengan resultados parecidos. IBM la define como el proceso de proporcionar a un modelo algunos ejemplos de una tarea para guiar su rendimiento (consultado el 1 de octubre de 2026). Esta guía te explica las tres variantes con ejemplos en español, cuándo usar cada una y los errores que se repiten en las empresas.
Zero-shot, one-shot y few-shot: la diferencia en una tabla
| Técnica | Ejemplos en el prompt | Cuándo encaja | Riesgo |
|---|---|---|---|
| Zero-shot | Ninguno | Tareas comunes y abiertas: un resumen, una idea, una traducción | Respuesta correcta pero genérica, con formato distinto cada vez |
| One-shot | Uno | Quieres fijar un formato o un tono con el mínimo esfuerzo | El modelo copia demasiado ese único ejemplo |
| Few-shot | De dos a cinco | Tareas repetitivas donde importa la consistencia: clasificar, extraer datos, redactar con un estilo fijo | Prompt más largo y ejemplos mal elegidos que sesgan el resultado |
El nombre viene de que «shot» es cada ejemplo que le «disparas» al modelo antes de la tarea real. La idea se popularizó con el artículo que presentó GPT-3 en 2020, Language Models are Few-Shot Learners, de Brown y otros autores, donde se vio que un modelo grande aprendía una tarea nueva solo con verla resuelta unas pocas veces dentro del propio prompt.
Zero-shot prompting: pedir sin ejemplos
En el zero-shot prompting le pides la tarea al modelo sin enseñarle ningún caso resuelto. Se apoya solo en lo que ya sabe. Por ejemplo:
Prompt: «Escribe un eslogan para una cafetería que se especializa en café orgánico.»
Respuesta posible: «Tu momento verde, con café orgánico.»
Funciona bien para ideas rápidas, borradores y tareas que el modelo ya domina. Su límite es que cada ejecución puede devolverte un formato distinto, y eso se nota en cuanto varios humanos del equipo, cada uno con sus hábitos, usan el mismo prompt.
One-shot prompting: un solo ejemplo para fijar el formato
En el one-shot prompting añades un único ejemplo antes de la tarea. Sirve para indicar el tono o la estructura sin escribir una larga lista de reglas.
Ejemplo dado a la IA: «Gracias por tu compra. Si necesitas ayuda, estamos a un mensaje de distancia.»
Prompt: «Escribe un mensaje similar para dar la bienvenida a un nuevo suscriptor de nuestra newsletter.»
Respuesta posible: «Gracias por unirte. Si quieres sacarle partido a cada envío, estamos a un mensaje de distancia.»
Es suficiente para correos, publicaciones o respuestas tipo. El riesgo es que el modelo se pegue demasiado al ejemplo y repita su longitud y sus giros.
Few-shot prompting: varios ejemplos para que detecte el patrón
En el few-shot prompting das varios ejemplos que cubren casos distintos, y el modelo deduce el patrón. Es la opción más fiable para tareas repetitivas. Un ejemplo de descripción de producto:
Ejemplo 1. Producto: mochila resistente al agua → «Perfecta para aventuras al aire libre, esta mochila protege tus pertenencias en cualquier clima.»
Ejemplo 2. Producto: botella térmica → «Mantén tus bebidas calientes o frías durante horas con esta botella de diseño ergonómico.»
Tarea. Producto: silla ergonómica →
Respuesta posible: «Mejora tu postura y tu comodidad con esta silla pensada para largas jornadas de trabajo.»
Fíjate en lo que hacen los dos ejemplos sin que lo hayas pedido: una frase, el beneficio al final y un tono cercano. Ese patrón se transmite mejor con ejemplos que con una explicación.
Cómo escribir un buen prompt few-shot, paso a paso
- Define la tarea en una frase. «Clasifica cada correo de cliente como Consulta, Incidencia o Presupuesto.»
- Elige entre dos y cinco ejemplos reales de tu empresa, no inventados. Si los pegas con datos de clientes, anonimízalos antes.
- Cubre los casos distintos. Si hay tres categorías, que haya al menos un ejemplo de cada una, y alguno de los casos dudosos con la respuesta que tú darías.
- Usa siempre el mismo formato en todos los ejemplos (por ejemplo, «Correo: … → Categoría: …»). El modelo copia también la forma.
- Termina con tu caso real en ese mismo formato y deja la respuesta en blanco.
- Prueba con cinco casos que ya conozcas la respuesta antes de dar el prompt por bueno.
Un ejemplo completo para un equipo de atención al cliente:
Clasifica cada correo como Consulta, Incidencia o Presupuesto.
Correo: «¿Hacéis instalaciones en Segovia?» → Consulta
Correo: «La factura de agosto llegó duplicada» → Incidencia
Correo: «Necesito precio para 40 licencias» → Presupuesto
Correo: «Nadie me contesta desde el lunes» →
Cuándo usar cada una
- Zero-shot cuando la tarea es común y no te importa que el formato varíe.
- One-shot cuando solo necesitas fijar un tono o una estructura.
- Few-shot cuando varios humanos van a repetir la tarea y quieres resultados consistentes: clasificación, extracción de datos de documentos, redacción con estilo de marca.
Errores habituales con few-shot
- Ejemplos demasiado parecidos. Si los tres ejemplos son casi iguales, el modelo asume que todo es así y falla con el caso raro.
- Ejemplos con errores. El modelo imita lo que le das, también lo malo. Un ejemplo mal clasificado enseña mal.
- Orden y sesgo. Si todos los ejemplos de una categoría van al final, el modelo tiende a inclinarse hacia ella. Mezcla el orden.
- Pegar datos personales de clientes. Los ejemplos reales son lo mejor, pero con el Reglamento General de Protección de Datos delante conviene anonimizarlos o trabajar con una cuenta de empresa con las condiciones de privacidad revisadas.
- Dar por hecho que más ejemplos es mejor. Pasados unos pocos, alargas el prompt sin ganar precisión.
¿Y con los modelos de razonamiento?
Conviene un matiz que muchas guías en español no recogen. Con los modelos de razonamiento más recientes, la recomendación de OpenAI en su guía de buenas prácticas es empezar al revés. Dice, en esencia, que estos modelos a menudo no necesitan ejemplos few-shot para dar buenos resultados, y recomienda escribir primero el prompt sin ejemplos (consultado el 1 de octubre de 2026). Si usas ChatGPT o Claude con un modelo de razonamiento, prueba antes zero-shot y añade ejemplos solo si el resultado no tiene el formato que buscas.
Cómo lo trabajamos en SAPINN
Cuando un equipo empieza con IA Generativa, el problema rara vez es que no sepa qué es el few-shot. Es que cada humano escribe sus prompts a su manera y los resultados no se parecen entre sí. En el Bootcamp de IA Generativa los directivos y sus equipos construyen sus propios prompts con ejemplos de su trabajo real, aprenden a guardarlos y a compartirlos, y al terminar el ahorro medio es de 6 horas por humano y semana. Hemos impactado a más de 1.500 humanos y la satisfacción media es de 8,5 sobre 10.
Si quieres empezar por lo básico, tienes nuestra guía de cómo escribir prompts para empresas y una colección de 100 prompts por departamento que puedes adaptar. Si lo que necesitas es que tu equipo lo aprenda con sus propios casos, lo hacemos con una formación a medida. Y si usas una herramienta concreta, tenemos las guías de ChatGPT y de Claude para empresas.
Si no sabes por dónde empezar, solicita tu Diagnóstico gratuito de IA Generativa y te decimos en qué punto está tu empresa y qué tareas conviene resolver primero.
Preguntas frecuentes
¿Cuántos ejemplos necesita un prompt few-shot?
Entre dos y cinco suelen bastar. Lo importante es que cubran los casos distintos de la tarea, no que sean muchos.
¿Qué diferencia hay entre few-shot y fine-tuning?
En el few-shot los ejemplos van dentro del prompt y valen solo para esa conversación, no cambian el modelo. En el fine-tuning se reentrena el modelo con muchos ejemplos y el cambio es permanente. Para casi cualquier empresa mediana, empezar por few-shot es más barato y reversible.
¿Funciona few-shot en ChatGPT, Claude y Gemini?
Sí, es una técnica de prompt y no depende de la herramienta. Lo que cambia es cuánto la necesita cada modelo: los de razonamiento suelen funcionar bien sin ejemplos.
¿Puedo usar datos reales de mis clientes como ejemplos?
Mejor anonimízalos. Quita nombres, correos y cualquier dato identificable, o usa una cuenta de empresa con las condiciones de privacidad revisadas. En la guía del Reglamento de IA de la UE tienes el marco que aplica a las empresas españolas.
¿Es lo mismo few-shot que chain of thought?
No. El few-shot enseña con ejemplos qué respuesta esperas. El chain of thought pide al modelo que razone paso a paso antes de contestar. Se pueden combinar, y ese es otro tema.
