Few-shot prompting

El few-shot prompting es una técnica de ingeniería de prompts que consiste en darle a un LLM unos pocos ejemplos resueltos (típicamente entre dos y cinco) dentro del mismo prompt, para que infiera el patrón de la tarea y lo aplique a un caso nuevo. En lugar de reentrenar el modelo, lo guiás con demostraciones: le mostrás cómo se ve una entrada y su salida correcta, y el modelo generaliza ese comportamiento.

El término "shot" se refiere a cada ejemplo o demostración. Cuando no das ninguno se llama zero-shot; con un solo ejemplo, one-shot; con varios, few-shot. Es una forma de aprendizaje en contexto (in-context learning): el modelo no modifica sus pesos, simplemente usa los ejemplos del prompt como referencia inmediata para esa consulta puntual.

En la práctica, esta técnica es uno de los recursos centrales para que los agentes de IA respondan con el tono, el formato y los criterios que el negocio necesita, sin depender de un proceso costoso de fine-tuning.

Cómo funciona en concreto

El mecanismo es directo: armás un prompt que primero presenta varios pares de ejemplo (entrada y salida deseada) y al final deja la entrada real que querés resolver. El modelo lee esos ejemplos, detecta el patrón implícito (qué clasificación usar, qué estructura de respuesta, qué tono) y completa el último caso siguiendo esa misma lógica. No hay entrenamiento ni cambios en el modelo: todo ocurre en una sola llamada, dentro de la ventana de contexto.

Un ejemplo claro y cotidiano en LATAM: una empresa de Consumo Masivo quiere clasificar automáticamente los mensajes que entran por WhatsApp en categorías como "reclamo", "consulta de precio" o "pedido de catálogo". En lugar de programar reglas o entrenar un modelo, le muestra al LLM tres o cuatro mensajes reales ya etiquetados ("Necesito saber cuánto sale la caja de 12" entra como consulta de precio; "Me llegó fallado el producto" entra como reclamo) y luego le pasa el mensaje nuevo. El modelo replica el criterio con alta consistencia porque tiene ejemplos del propio negocio frente a sus ojos.

Por qué importa para el negocio

La gran ventaja del few-shot prompting es la relación entre esfuerzo y resultado. Pasás de una respuesta genérica a una alineada con tus reglas internas sin escribir código, sin datasets de entrenamiento y sin esperar ciclos largos. Esto lo vuelve ideal para validar ideas rápido, para tareas que cambian seguido y para casos donde no tenés volumen de datos suficiente para un fine-tuning. También reduce las alucinaciones en tareas de formato, porque los ejemplos acotan qué se espera y qué no.

Algunos usos típicos donde rinde muy bien:

• Clasificación y etiquetado de leads, tickets o mensajes según categorías propias de la empresa.
• Extracción estructurada de datos desde texto libre (por ejemplo, sacar nombre, CUIT y monto de un correo y devolverlo en formato fijo).
• Estandarización de tono y formato en respuestas de atención al cliente o resúmenes.
• Transformación de datos: convertir una descripción suelta en un campo normalizado.

Errores comunes

El primer error es elegir ejemplos poco representativos o todos del mismo tipo: si tus tres demostraciones son del caso fácil, el modelo va a fallar en los casos borde. La selección de ejemplos pesa tanto como su cantidad. El segundo error es saturar la ventana de contexto con decenas de ejemplos pensando que más siempre es mejor; pasado cierto punto, agregás costo en tokens y ruido sin ganar precisión. El tercero es no fijar bien el formato de salida en los ejemplos: si mostrás respuestas inconsistentes, el modelo hereda esa inconsistencia. La recomendación práctica es usar pocos ejemplos pero bien curados, diversos y con el formato exacto que querés recibir.

En qué se diferencia de otras técnicas

El few-shot suele compararse con el zero-shot y con el fine-tuning, porque resuelven el mismo problema (lograr que el modelo haga lo que necesitás) por caminos distintos:

La regla práctica: empezá siempre en zero-shot; si la respuesta no alcanza el estándar, sumás ejemplos (few-shot); y solo si la tarea es de alto volumen, muy específica y estable en el tiempo, evaluás el salto a fine-tuning. Para la mayoría de los procesos de negocio, el few-shot prompting cubre la necesidad con una fracción del esfuerzo.