---
title: "¿Qué es chain-of-thought (cadena de pensamiento) en LLMs?"
description: "La cadena de pensamiento pide a un LLM escribir los pasos antes de responder. Su origen, por qué ayuda y cómo los modelos de razonamiento ya lo hacen solos."
url: https://broadrouter.com/es/glossary/chain-of-thought/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/chain-of-thought/) (actualizado el 2026-11-16).

# Cadena de pensamiento (chain-of-thought, CoT)

Actualizado 2026-11-16

La cadena de pensamiento (chain-of-thought, CoT) es una técnica de prompting en la que a un modelo de lenguaje se le muestra o se le pide que escriba pasos de razonamiento intermedios antes de su respuesta final. Mejora la precisión en problemas de varios pasos, como aritmética y lógica, y los modelos de razonamiento ya la generan automáticamente.

También llamado: cadena de pensamiento, cadena de razonamiento, razonamiento paso a paso, prompting paso a paso, CoT, chain-of-thought, chain-of-thought prompting, step-by-step prompting, CoT prompting

La cadena de pensamiento empezó como un truco de prompting y se convirtió en una función de los modelos.

## Cómo funciona

Wei y sus colegas publicaron el método en 2022. En lugar de ejemplos few-shot que muestran solo la pregunta y la respuesta, escribieron ejemplos que muestran los pasos intermedios. Con ocho ejemplos de ese tipo, un modelo de 540 mil millones de parámetros alcanzó una precisión de estado del arte en GSM8K, un conjunto de problemas de matemáticas de nivel escolar, por delante de un GPT-3 ajustado con un verificador. Probaron razonamiento aritmético, de sentido común y simbólico.

Un ejemplo de cadena de pensamiento en un prompt:

```text
Q: A shop has 23 apples. It uses 20 and buys 6 more. How many are left?
A: It starts with 23. After using 20 it has 3. After buying 6 it has 9. The answer is 9.
```

Escribir los pasos le da al modelo más tokens de cómputo antes de comprometerse con una respuesta, y cada paso condiciona el siguiente. Es una forma de [few-shot prompting](https://broadrouter.com/es/glossary/few-shot-prompting/) en la que los ejemplos enseñan un método, no solo un formato.

## Cómo la internalizan los modelos de razonamiento

Los modelos de razonamiento se entrenan para producir ellos mismos este texto paso a paso. La guía de OpenAI dice que “use internal reasoning tokens before producing a response” (traducción: usan tokens de razonamiento internos antes de producir una respuesta), y que esos tokens no son visibles a través de su API, pero ocupan contexto y se facturan como salida. Algunos modelos abiertos devuelven el razonamiento en un campo aparte. Consulte [tokens de razonamiento](https://broadrouter.com/es/glossary/reasoning-tokens/) para ver cómo se cuentan.

## Por qué importa

-   **Precisión.** Las tareas de varios pasos, como matemáticas, planificación y corrección de código, son las que más se benefician. Las consultas simples ganan poco.
-   **Costo y latencia.** Cada paso es un [token de salida](https://broadrouter.com/es/glossary/input-and-output-tokens/). Una cadena larga puede costar más que la respuesta.
-   **No es una prueba.** Los pasos escritos pueden parecer sólidos y aun así ser erróneos, así que no evitan la [alucinación](https://broadrouter.com/es/glossary/hallucination/).

## En BroadNet Inference

La documentación de BroadNet dice que DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan antes de responder, y que el razonamiento cuenta para [`max_tokens`](https://broadrouter.com/es/glossary/max-tokens/). Deje 1,000 tokens o más, o configure `reasoning_effort` en `low`; con un límite pequeño, la respuesta puede llegar vacía. Cuando se informa, `usage.completion_tokens_details.reasoning_tokens` muestra cuántos se usaron. La documentación no incluye BroadNet Gemma 4 VL 26B como modelo de razonamiento, así que el prompting clásico de cadena de pensamiento es la forma de pedirle pasos. La [guía de respuestas vacías](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/) y el artículo sobre el [costo de los tokens de razonamiento](https://broadrouter.com/es/blog/reasoning-tokens-cost/) explican cómo presupuestarlos.

## Preguntas frecuentes

### ¿La cadena de pensamiento es lo mismo que los tokens de razonamiento?

Están relacionados, pero no son lo mismo. La cadena de pensamiento es la técnica de escribir los pasos. Los tokens de razonamiento son lo que genera un modelo de razonamiento cuando lo hace internamente, y se facturan como salida.

### ¿Debo escribir «piensa paso a paso» a un modelo de razonamiento?

Normalmente no hace falta. Los modelos de razonamiento ya razonan antes de responder. La guía de OpenAI sugiere darles un objetivo claro y restricciones en lugar de prescribir cada paso.

### ¿La cadena de pensamiento cuesta más?

Sí. Los pasos son tokens de salida, que suelen ser los más caros, y añaden latencia.

## Vea también

-   [Tokens de razonamiento (reasoning tokens)](https://broadrouter.com/es/glossary/reasoning-tokens/) (término)
-   [Few-shot prompting (prompting con pocos ejemplos)](https://broadrouter.com/es/glossary/few-shot-prompting/) (término)
-   [max\_tokens (límite de tokens de salida)](https://broadrouter.com/es/glossary/max-tokens/) (término)
-   [Alucinación (hallucination)](https://broadrouter.com/es/glossary/hallucination/) (término)
-   [Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/) (término)
-   [¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/) (guía)
-   [Tokens de razonamiento: por qué paga más salida de la que ve](https://broadrouter.com/es/blog/reasoning-tokens-cost/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-chain-of-thought&utm_content=page-cta) ·

**Fuentes**

-   [Wei et al. (2022), Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (consultado el 2026-11-16)](https://arxiv.org/abs/2201.11903)
-   [OpenAI, guía de modelos de razonamiento (consultado el 2026-11-16)](https://developers.openai.com/api/docs/guides/reasoning)
-   [Referencia de la API de BroadNet Inference, tokens de razonamiento y en caché (consultado el 2026-11-16) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-chain-of-thought&utm_content=sources)
