Cloud Híbrida
Ciberseguridad & NaaS
AI & Data
IoT y Conectividad
Business Applications
Intelligent Workplace
Consultoría y Servicios Profesionales
Pequeña y Mediana Empresa
Sanidad y Social
Industria
Retail
Turismo y Ocio
Transporte y Logística
Energía y Utilities
Desata la creatividad de la IA para obtener mejores ideas
La innovación y la creatividad son esenciales para resolver problemas y desarrollar nuevos productos y servicios, pero generar nuevas ideas puede ser complicado. Herramientas basadas en modelos LLM como ChatGPT o Copilot son de ayuda en esta tarea y han demostrado ser eficaces para generar ideas estructuradas. Sin embargo, presentan ciertas limitaciones para producir ideas verdaderamente diversas y a menudo generan propuestas demasiado parecidas cuando no se les orienta adecuadamente.
Estas limitaciones se deben a que los LLM optimizan sus respuestas hacia los patrones estadísticamente más probables en los datos de entrenamiento, y con frecuencia no exploran un conjunto de soluciones lo suficientemente amplio y variado como para generar ideas menos convencionales.
Para abordar esta limitación un grupo de investigadores ha comparado las ideas generadas por un LLM (GPT-4) con las ideas propuestas por un grupo de estudiantes. Los resultados muestran que, aunque los estudiantes tienden a producir de forma natural ideas más variadas, los LLM pueden alcanzar un nivel de diversidad de ideas similar e incluso superior cuando se utiliza un diseño adecuado de prompt.
Las técnicas de prompting permiten explorar soluciones más creativas e innovadoras y generar ideas menos convencionales.
Técnicas de prompting para aumentar la diversidad de ideas
Los investigadores han evaluado una serie de estrategias diseñadas para maximizar el potencial creativo de los modelos LLM:
Prompt mínimo
Este enfoque proporciona instrucciones básicas, como ‘Genera una lista de ideas’.
Aunque es sencillo y rápido de implementar, tiende a generar resultados homogéneos debido a la falta de guía específica. Los modelos responden a patrones comunes sin explorar ideas más inusuales o complejas.
Personas simuladas
Este método consiste en instruir al modelo para que adopte diferentes perspectivas, personalidades, roles o estilos de pensamiento, como ‘Piensa como un científico visionario’ o ‘Imagina ser un artista excéntrico’. Por ejemplo, emular a figuras como Nikola Tesla, Joan Miró o Ada Lovelace puede inducir resultados creativos significativamente variados. En un contexto empresarial, esta técnica puede aplicarse para imaginar soluciones desde perspectivas multidisciplinares.
Marcos metodológicos establecidos
Integrar técnicas creativas como el Design Thinking de Stanford en los prompts proporciona un marco estructurado que guía el proceso creativo. Esto mejora la diversidad y asegura la coherencia y viabilidad de las ideas propuestas con un enfoque estructurado hacia la creatividad gracias a la existencia de un marco metodológico ampliamente reconocido.
Cadena de razonamiento (Chain-of-Thought, CoT)
El enfoque CoT divide la tarea principal en tareas menores y secuenciales como generación inicial, refinamiento de la idea y descripción detallada. Desde el punto de vista algorítmico esta segmentación permite que el modelo se enfoque en cada etapa específica del problema con la posibilidad de integrar evaluaciones intermedias que mejoran continuamente los resultados.
Esto incrementa la dispersión temática y el número de categorías únicas, fomentando mayor diversidad y reduciendo patrones genéricos, demostrando ser altamente efectiva para generar nuevas ideas.
■ Aplicado a otros ámbitos, como por ejemplo en la educación, la técnica CoT puede generar primero contenidos de aprendizaje, refinarlos después para adaptarlos a diferentes grupos de edad o necesidades específicas de los estudiantes (como niños o adultos mayores que buscan aprender habilidades digitales) y finalmente detallar las actividades, materiales o enfoques pedagógicos adecuados para cada grupo.
La técnica de prompting CoT puede adaptarse a diversas industrias y necesidades, permitiendo a las empresas explorar soluciones valiosas y novedosas.
Ejemplo práctico aplicando la técnica CoT
Para ilustrar de forma práctica y en un contexto real cómo aplicar la estrategia CoT, los investigadores utilizan el ejemplo de la creación de un producto que cueste menos de 50 euros y que esté dirigido a estudiantes universitarios:
Primera etapa: generación inicial
- Prompt:
> Genera 50 ideas de productos físicos dirigidos a estudiantes universitarios que puedan venderse por menos de 50 euros - Ejemplo de respuesta:
Taza térmica.
→ Este paso aprovecha la capacidad del modelo para ofrecer respuestas rápidas y generales.
Segunda etapa: revisión de ideas
- Prompt:
> Haz que estas ideas sean más audaces y únicas - Resultado revisado:
Taza con batería recargable que enfría o calienta bebidas según la preferencia.
→ Este paso añade un elemento diferenciador y asegura que son ideas únicas o infrecuentes.
Tercera etapa: descripción detallada
- Prompt:
> Describe cada idea en un párrafo de 40-80 palabras. - Ejemplo final:
Taza térmica inteligente con batería integrada que ajusta la temperatura para mantener el café caliente o enfriar bebidas en verano.
→ Este paso ayuda a concretar y contextualizar la idea y a explorar sus posibles aplicaciones prácticas.
Con estos métodos y utilizados de manera adecuada los LLM pueden igualar e incluso superar las capacidades humanas en la generación de ideas.
Resultados del análisis
El estudio concluye que la técnica CoT (en este caso aplicada a GPT-4) es particularmente efectiva por su capacidad para descomponer tareas complejas en subtareas manejables, permitiendo a los modelos explorar un espectro más amplio de soluciones en cada etapa.
En comparación con otras técnicas, CoT aprovecha procesos secuenciales que facilitan el ajuste progresivo de ideas, incrementando la probabilidad de generar respuestas infrecuentes mediante evaluaciones iterativas y reestructuraciones basadas en el feedback proporcionado por el modelo.
Además, el uso combinado de varias técnicas de prompting amplifica el conjunto de soluciones generadas.
Conclusión
El uso estratégico de técnicas de prompting en modelos LLM transforma su capacidad para generar ideas, permitiendo explorar territorios creativos más amplios y diversificados en cada vez más ámbitos empresariales, productivos o académicos.
Estas metodologías mejoran el rendimiento en tareas específicas y los investigadores concluyen que, si se utiliza correctamente, la IA puede igualar e incluso superar las capacidades humanas en la generación de ideas cuando se diseñen prompts elaborados y detallados que guíen al modelo hacia resultados novedosos.
La clave está en diseñar prompts claros y estructurados que guíen al modelo hacia resultados menos frecuentes.
Por supuesto, este enfoque no solo es aplicable a la creación de productos para estudiantes universitarios, sino que puede adaptarse a diversas industrias y necesidades permitiendo a las empresas explorar un vasto territorio de potenciales soluciones valiosas e innovadoras.
■ Para profundizar, puedes consultar el estudio Prompting Diverse Ideas: Increasing AI Idea Variance, de Meincke, Mollick y Terwiesch.
