Ejemplos en prompts de IA: la clave está en la calidad, no en la cantidad

Sí, incluir ejemplos bien elegidos en tu prompt (few-shot prompting) es una de las técnicas más efectivas para mejorar la calidad de las respuestas de la IA. El few-shot prompting consiste en proporcionar demostraciones dentro del prompt para guiar al modelo hacia un mejor rendimiento y condicionar su respuesta a los ejemplos suministrados . El punto óptimo suele estar entre 2 y 5 ejemplos, y la evidencia sugiere que añadir demasiados puede generar rendimientos decrecientes o incluso negativos .

Hallazgos clave

• Los ejemplos mejoran drásticamente la precisión. Por ejemplo, Claude 3 Haiku pasó de un 11% de acierto sin ejemplos a un 75% con solo tres ejemplos, igualando el rendimiento de modelos mucho más grandes en modo zero-shot .
• El rango óptimo respaldado por la investigación es de 2 a 5 ejemplos. Las guías de prompting suelen describir el few-shot como el uso de entre 2 y 5 ejemplos, y varios estudios identifican este rango como el ideal .
• Más no siempre es mejor. Un estudio de arXiv identificó un problema de "sobrecarga de ejemplos" (over-prompting) donde demasiados ejemplos pueden reducir el rendimiento del modelo, desafiando la idea de que siempre es beneficioso añadir más .
• La calidad de los ejemplos importa más que la cantidad. Ejemplos diversos, de alta calidad y bien estratificados pueden superar a simplemente añadir más ejemplos, mientras que ejemplos inconsistentes pueden enseñar al modelo patrones erráticos .
• Para tareas que requieren razonamiento, prueba primero sin ejemplos. No asumas que los ejemplos son siempre necesarios; compara el rendimiento zero-shot contra few-shot, porque el over-prompting puede perjudicar en ciertos escenarios .

Recomendaciones prácticas

Escenario	Enfoque recomendado
Tareas sensibles al formato (JSON, etiquetas, tono)	Usa de 2 a 5 ejemplos limpios y diversos, ya que los ejemplos ayudan a fijar el formato, el tono y las etiquetas .
Generación de texto estándar / clasificación	Empieza con 2 o 3 ejemplos de alta calidad, ya que las demostraciones few-shot pueden guiar al modelo hacia un mejor rendimiento .
Tareas que requieren razonamiento complejo	Empieza sin ejemplos; añade 1 o 2 solo si necesitas un control de formato más estricto, y comprueba si los ejemplos ayudan o perjudican .
Tareas de extracción complejas	Usa un conjunto pequeño de ejemplos representativos que reflejen fielmente la tarea .
En caso de duda	Empieza con 3 ejemplos, prueba y ajusta, ya que el rango de 2 a 5 ejemplos es el más recomendado y demasiados pueden causar over-prompting .

Conclusión: Usa ejemplos, mantenlos entre 2 y 5, y prioriza la calidad y la diversidad sobre la cantidad . Prueba si tu modelo específico se beneficia más del few-shot o del zero-shot, especialmente en tareas de razonamiento donde los ejemplos extra no siempre ayudan .