El Divergent Prompting es una técnica de inyección de prompts que modifica cómo los modelos de IA procesan instrucciones, sacándolos de patrones predecibles para lograr respuestas más creativas, específicas y divergentes de lo que normalmente generarían. No es magia, pero funciona porque convence al modelo de que debe “pensar diferente” mediante reformulaciones estratégicas de la pregunta.
En 30 segundos
- El Divergent Prompting es una variante de inyección de prompts que modifica cómo el modelo responde usando verbos de acción, adjetivos específicos y reformulaciones de contexto.
- Funciona mejor con modelos de lenguaje grandes (GPT-4, Claude, Gemini) que tienen más capacidad para reconocer matices en instrucciones no estándar.
- Las aplicaciones van desde brainstorming creativo hasta investigación de datos, content marketing y debugging de procesos complejos.
- El error más común es esperar que una técnica de prompting sea una varita mágica — el modelo sigue teniendo limitaciones inherentes de entrenamiento y conocimiento.
Qué es el Divergent Prompting
El Divergent Prompting es una técnica de prompt engineering que busca hacer que los modelos de lenguaje generen respuestas menos predecibles y más variadas, usando patrones de lenguaje, verbos de acción y contextos que no son los “estándar”. Si normalmente le preguntás a una IA de forma directa y recibís una respuesta medida, defensiva o genérica, el Divergent Prompting te da herramientas para reencuadrar la pregunta de forma que el modelo entienda que vos querés algo diferente.
No es magia. Es aprovechar cómo están entrenados estos modelos.
Introducción a la técnica de Divergent Prompting
Ponele que le pedís a Claude: “Dame ideas para un blog”. La respuesta que recibís es competente, segura, y exactamente igual a las mil respuestas que el modelo ya generó antes (listas de temas, categorías, palabras clave, eso). Es correcta. Pero es predecible. Es lo que todos esperar.
Ahora, si usás Divergent Prompting y le pedís: “Vos sos un editor de un blog de nicho maniático, que odia el contenido genérico. Un lector tuyo acaba de cancelar la suscripción. ¿Qué artículos hubiese escrito vos en los últimos tres meses para evitar que se fuera?” (spoiler: la respuesta es completamente diferente). La IA sale del patrón de respuesta estándar. Genera ideas específicas, antagónicas, con una lógica interna diferente.
¿Por qué pasa? Porque reformulaste el prompt como un escenario, asignaste un rol, e incluiste una consecuencia. El modelo tiene más contexto para hacer un razonamiento causal diferente. Cubrimos ese tema en detalle en proteger sistemas contra manipulación.
La técnica funciona porque los transformers (la arquitectura base de GPT, Claude, Gemini) entrenan con miles de millones de tokens de texto. Algunos patrones quedan sobre-representados: “dame una lista de X”, “explícame Y”, “compara Z”. El Divergent Prompting es, en esencia, salir de esos patrones tramados a fuerza en los pesos de la red.
Cómo hackear la IA con Divergent Prompting
Hay tres palancas principales.
1. Reformulación de contexto y rol
En vez de pedirle algo directamente, dale un rol y un escenario. “Sos un analista de competencia de un ecommerce que tiene 2% de market share y está perdiendo clientes a Mercado Libre” es más potente que “analiza qué hace Mercado Libre”. El modelo, al asumir ese rol, filtra y jerarquiza diferente porque tiene una motivación implícita.
2. Inyección de restricciones o desafíos inversos
Funciona pedirle que haga algo “imposible” o bajo reglas extrañas. En vez de “dame un titular para un artículo sobre JavaScript”, probá: “dame cinco titulares para un artículo sobre JavaScript sin usar las palabras ‘aprender’, ‘guía’, ‘tutorial’, ‘cómo’ ni mencionar ‘DOM'”. Las restricciones fuerzan a que busque en otras partes del espacio semántico. Las respuestas son menos clichés.
3. Ampliación de contexto con ejemplos negativos
Dale ejemplos no solo de qué sí quieres, sino qué NO. “Quiero un nombre para un SaaS de analytics. Nombres que NO quiero: Databox, CloudWatch, Amplitude, Grafana, cualquier cosa que suene ‘techy'”. El modelo, al ver eso, entiende que tenés un gusto específico y no es el gusto por defecto de Silicon Valley.
Verbos y modificadores clave para respuestas creativas
No todos los verbos funcionan igual. “Analiza” te da el mismo resultado que “examina” o “evalúa”. Pero “desafía”, “cuestiona”, “explota” o “exagera” te llevan a lugares diferentes. Esto se conecta con lo que analizamos en cómo ChatGPT interpreta los prompts.
Acá hay verbos que “despiertan” respuestas divergentes:
- Desafía: “Desafía la premisa de que más contenido = más tráfico”
- Invierte: “Invierte la estrategia de SEO estándar”
- Exagera: “Exagera la importancia de esto al absurdo”
- Simplifica al extremo: Útil para obtener el kernel de una idea sin envoltura técnica
- Genera malentendidos posibles de: Te da lo que otros podrían entender mal, cuáles son los puntos de fricción
- Criminaliza (usado cuidadosamente): “¿Cómo harías esto si fuera ilegal?” genera pensamiento lateral sin que sea realmente ilegal
- Predica a: “Predica esta idea a alguien que la odia” fuerza argumentos más fuertes
Los modificadores también importan. “Dame un título innovador” es genérico. “Dame un título que sea corrosivo, que cuestione el status quo pero que sea clickeable sin clickbait” es específico. El modelo tiene más dimensiones en qué moverse.
Casos de uso y ejemplos concretos
Brainstorming de contenido
Usás Divergent Prompting cuando tu blog está quedando ranciado. Ponele que escribís sobre productividad y todos tus artículos terminan siendo lo mismo: “10 hábitos para ser productivo”, “5 apps que te ahorran tiempo”, etc. Dale un giro con inyección de prompts.
Prompt estándar: “Dame ideas de artículos sobre productividad”.
Prompt con Divergent: “Sos un escritor de un blog que tiene 50,000 suscriptores de productividad. Tu tasa de churn subió 20% este mes porque el contenido se volvió predecible. El algoritmo de tu plataforma penaliza el contenido genérico. Dame cinco ideas de artículos que serían impugnadas por tus competidores porque desafían lo que se supone que ‘funciona’ en productividad, pero que enganchería a tus lectores porque les sorprenderían”.
La respuesta que obtenés es radicalmente diferente. El modelo sale del patrón de “tips+herramientas” y empieza a pensar en contranarrativas, puntos ciegos del género, falsos consensos (que no es poco).
Debugging y troubleshooting
Si tenés un sistema que se comporta raro, Divergent Prompting te ayuda a pensar diferente. En vez de “¿Por qué se cuelga mi script?”, probá: “Sos un engineer paranoia que assume que cualquier cosa puede fallar. Mirá este código y dame cinco cosas que pueden romper que no son obvias, incluyendo interacciones extrañas con el sistema operativo, carga, límites de memoria o race conditions”. Sobre eso hablamos en comportamiento de GPT bajo presión.
Te da ángulos que un debug lineal no te daría.
Investigación y análisis de datos
En vez de “analiza estos datos de tráfico de mi sitio”, probá: “Sos un analista que está busca anomalías. No quiero conclusiones obvias. Dame solo las cosas raras: correlaciones inversas inesperadas, picos que no deberían estar ahí, patrones que rompen lo que pasó los meses anteriores”. Eso te da un análisis sesgado hacia lo raro, que es muchas veces lo único que importa.
Errores comunes y cómo evitarlos
Error 1: Pensar que es magia, no una técnica
El Divergent Prompting no te da respuestas que el modelo no sea capaz de generar. Solo lo saca de su distribución de probabilidades normal. Si el modelo no tiene conocimiento sobre un tema, un prompt divergente no le da ese conocimiento. El modelo sigue siendo lo que es: un estadístico gigante de patrones. La inyección de prompts lo redistribuye, no lo amplía.
Error 2: Asumir que funciona igual en todos los modelos
Claude es “más obediente” a prompts complejos que GPT-4. Gemini Pro a veces se niega a participar de juegos de rol. El Divergent Prompting funciona mejor en modelos con más capacidad de siguiente de instrucciones sutiles (Claude 3.5 Sonnet, GPT-4 Turbo, Gemini 2.0) que en modelos más pequeños.
Error 3: Armar prompts demasiado largos y esperanzados
Si tu prompt ocupa dos pantallas de contexto, probablemente estés pidiendo demasiadas cosas. El Divergent Prompting es elegante porque es una reformulación mínima que genera máximo cambio. Rol + restricción + un ejemplo. Eso basta. Si tu prompt dice “también, además, y además de eso, también quiero…”, el modelo se pierde.
Error 4: No iterar
La primera respuesta divergente no es siempre la mejor. Requiere follow-ups. “¿Más extremo?” o “Dame una versión que sea más ácida” o “Eso no es divergente, es genérico disfrazado de divergente”. La iteración es donde sale lo bueno. En respuestas de Gemini a instrucciones ambiguas profundizamos sobre esto.
Preguntas Frecuentes
¿Cómo sé si estoy usando Divergent Prompting correctamente?
Comparás la respuesta con lo que hubieses obtenido con un prompt estándar. Si la respuesta es significativamente diferente — si tiene perspectivas que no hubiera considerado, si desafía premisas que daba por sentadas, si sale de patrones predecibles — es que funcionó. Si la respuesta sigue siendo genérica pero con más palabras, no.
¿Cuál es la diferencia entre Divergent Prompting e inyección de prompts regular?
Toda inyección de prompts es un intento de cambiar cómo el modelo responde reformulando el contexto o las instrucciones. El Divergent Prompting es una categoría específica: aquella donde el objetivo explícito es generar respuestas divergentes de la distribución normal del modelo. Es un enfoque, no una técnica mágica diferente.
¿Funciona con modelos como GPT-4o mini o Claude Haiku?
Sí, pero con variaciones. Los modelos más pequeños tienen menos “espacio de maniobra” semántico porque entrenan con menos datos. Un Divergent Prompt que te da grandes resultados con GPT-4 podría dar resultados mediocres con mini. Pero funciona. Solo que necesitás más iteración y prompts más específicos.
¿Puedo usar Divergent Prompting para hacer que la IA me genere código malicioso o contenido prohibido?
En teoría sí, los modelos tienen guardrails pero pueden ser evitados con inyección de prompts lo suficientemente sofisticada. En práctica, no deberías intentarlo. Los modelos están entrenados con clasificadores de seguridad múltiples. Si lo intentás, lo más probable es que el modelo rechace o se bloquee. Además, si logras que un modelo genere algo malicioso mediante inyección, eso es reportable a la empresa que lo desarrolló como un problema de seguridad.
Conclusión
El Divergent Prompting es real, funciona, y no es complicado de usar. Es un cambio de mentalidad: en vez de pensar en prompts como instrucciones de usuario estándar, pensá en ellos como contextos que pueden ser reformulados para que el modelo salga de sus patrones predecibles, subís la “temperatura” de la generación sin realmente cambiar temperatura (que muchos modelos no permiten desde el usuario).
La inyección de prompts en general y el Divergent Prompting específicamente son herramientas de poder pero no mágicas. No generan conocimiento que el modelo no tenga. No lo hacen razonar mejor (aunque parezca). Lo que hacen es redistribuir probabilidades dentro de lo que el modelo ya sabe. Es sutil. Es útil. Y si lo usás bien, es la diferencia entre “la IA me dio una respuesta correcta pero genérica” y “la IA me dio una respuesta que no se me hubiese ocurrido”.