Exige tres enfoques genuinamente distintos
Prohíbe la solución obvia y observa qué pasa. Pídele un plan a una IA y hará lo que un motor rápido y complaciente hace mejor: converge en la primera idea plausible y se compromete. Cuando pides "opciones", normalmente recibes una sola propuesta real flanqueada por dos hombres de paja — una amplitud falsa que hace que el error parezca considerado. La solución es convertir la divergencia en un requisito estricto, no en una sugerencia.
Por qué gana la primera idea por defecto
Un modelo de lenguaje genera la continuación más probable dado tu prompt. Si tu planteamiento se inclina hacia una solución, el modelo se ancla en ella — y el sesgo de anclaje es medible y persistente en los LLM. Estudios recientes muestran que los modelos potentes siguen siendo vulnerables a él incluso cuando se les dice que ignoren la pista, y las mitigaciones simples (cadena de pensamiento, "ignora el ancla", reflexión) no lo eliminan de forma confiable. Así que un prompt sin restricciones del tipo "dame algunas opciones" tiende a elaborar el ancla en lugar de escapar de ella.
La práctica del diseño tiene un nombre para el antídoto: diverge antes de converger. El Double Diamond separa a propósito la generación de ideas de la selección de ideas — intentar hacer ambas a la vez es como conducir con el freno puesto. Primero quieres un conjunto amplio de caminos genuinamente distintos, y luego reducir con base en evidencia.
El prompt de los tres enfoques
No pidas "opciones". Nombra los ejes para que el modelo no pueda colapsarlos en uno. Un trío confiable:
| Enfoque | Qué obliga | La pregunta que responde |
|---|---|---|
| Mínimo | Lo más pequeño que podría funcionar | "¿Y si hiciéramos casi nada?" |
| Comprar / reutilizar | Una librería, servicio o patrón existente | "¿Y si no lo construimos?" |
| Invertido | El enfoque obvio queda prohibido | "¿Cuál es el mejor plan que no puede usar X?" |
El casillero invertido es el que hace el trabajo. Prohibir el enfoque obvio elimina el ancla y empuja al modelo hacia una región del espacio de opciones que de otro modo nunca visitaría. No te comprometes con el plan invertido — lo usas para revelar los supuestos que el plan por defecto ocultaba.
Conviértelo en una regla, no en un deseo
- Indica el número y la restricción. "Dame tres enfoques que difieran en arquitectura, no en redacción. Uno no debe usar una base de datos." Los pedidos vagos dan amplitud vaga.
- Exige un diferenciador por opción. Pide que cada una nombre su riesgo principal y la única condición bajo la cual es la correcta. Si dos opciones comparten el mismo riesgo, son la misma opción.
- Rechaza los casi duplicados en voz alta. "Los enfoques 2 y 3 son el mismo plan con distinto nombre — reemplaza uno." Nombrar el colapso lo reinicia.
Movida avanzada: muestrea y luego compara
La divergencia también vive en la decodificación. La autoconsistencia — muestrear varios caminos de razonamiento independientes y comparar dónde aterrizan — mejora la precisión del razonamiento precisamente porque distintos caminos revelan distintas respuestas. Puedes tomar la idea a mano: corre el mismo prompt de planificación dos o tres veces en contextos nuevos y compara las salidas. La convergencia entre corridas independientes es señal de que el plan es robusto; la divergencia es un mapa de las decisiones aún en juego. En cualquier caso aprendes algo que la primera respuesta única habría ocultado.
El beneficio es barato y grande: amplías el espacio antes de reducirlo, así que es mucho menos probable que apuntes una semana de trabajo en la dirección equivocada por una idea que el modelo nunca cuestionó de verdad.
Recursos
- Double Diamond design process — The Fountain Institute
- Divergent vs. convergent thinking with the UX Double Diamond
- Understanding the Anchoring Effect of LLMs (arXiv 2505.15392)
- Self-Consistency Improves Chain-of-Thought Reasoning (arXiv 2203.11171)
¿Construyendo una función de IA? Yeda AI diseña, audita y despliega sistemas LLM en producción.