Cuando trabajamos con modelos de lenguaje como ChatGPT, Claude o Gemini, es frecuente que las ideas generadas terminen sonando todas parecidas. Ya sea para nombrar un podcast, una red Wi-Fi o una startup, los LLMs producen listas predecibles y poco originales. Sin embargo, existe una técnica de prompting en dos etapas, respaldada por un estudio de la Wharton School, que permite extraer hasta 100 ideas verdaderamente diversas y únicas. El método es simple pero requiere disciplina: primero, se pide al asistente que genere una gran cantidad de conceptos sin ningún filtro de calidad; después, se le solicita que revise la lista para maximizar la diversidad, eliminando redundancias y reemplazándolas con enfoques completamente distintos.
La primera etapa se centra en la cantidad bruta. El prompt debe indicar explícitamente que se desean 100 ideas, numeradas, sin explicaciones ni descripciones. Se permite incluir lo obvio, lo malo, lo extraño y fragmentos a medio cocer. La meta es saturar el espacio de posibilidades, obligando al modelo a explorar combinaciones poco habituales. Por ejemplo, si el objetivo es encontrar un nombre para una cafetería, las primeras respuestas suelen ser predecibles: 'El Grano Diario', 'Despertar con Café', 'Central Perk', etc. Pero al llegar a los últimos treinta o cuarenta nombres, aparecen conceptos más arriesgados como 'Ruido Cálido', 'Objeto Matutino' o 'Azúcar Prestada'. El estudio de Wharton confirma que las ideas más interesantes suelen aparecer al final de la lista, cuando el modelo se ve forzado a abandonar los caminos más transitados.
Una vez que tenemos el listado inicial de 100 ideas, llega la segunda etapa: la diversificación. Le indicamos al asistente que revise la lista y, cada vez que encuentre dos o más ideas basadas en el mismo concepto subyacente, se quede con la mejor y reemplace las demás con nuevas propuestas que abarquen ángulos completamente diferentes. El objetivo es que ninguna idea comparta la misma base conceptual, aunque la redacción sea distinta. Si en nuestra lista aparecen 'Café de la Mañana', 'Taza Mañanera' y 'Amanecer con Café', claramente las tres apuntan al mismo concepto de la mañana. El asistente debe conservar la más potente y sustituir las otras por ideas que exploren, por ejemplo, el concepto de 'espacio público', 'tiempo detenido' o 'encuentro casual'. Tras esta segunda pasada, la lista se vuelve auténticamente diversa: nombres como 'Sala de Estar Pública', 'Hora Azul', 'Localhost' o 'Azúcar Prestada' ofrecen perspectivas muy distintas sobre lo que puede representar una cafetería.
Opcionalmente, se puede añadir una tercera etapa para filtrar por calidad: pedir al modelo que seleccione las 10 ideas más interesantes de la lista diversificada. Pero recomiendo revisar personalmente las 100 ideas finales, porque a menudo las gemas ocultas están en apariencias extrañas que el algoritmo podría descartar prematuramente. Este proceso no solo funciona para nombres de marca; es igualmente eficaz para generar características de producto, estrategias de marketing, nombres de funciones técnicas o enfoques de resolución de problemas.
En el ámbito empresarial y tecnológico, la capacidad de obtener ideas divergentes es crucial. Una empresa de desarrollo de software, por ejemplo, puede aplicar esta técnica para explorar posibles arquitecturas, nombres de servicios internos o funcionalidades innovadoras. En Q2BSTUDIO, compañía especializada en desarrollo de aplicaciones a medida, utilizamos métodos de prompting avanzados para potenciar la creatividad en nuestros equipos. Al combinar esta técnica con la experiencia en inteligencia artificial, logramos que los modelos generen propuestas que escapan de los patrones habituales y aportan verdadera diferenciación competitiva.
La generación de ideas diversas tiene un impacto directo en áreas como la ciberseguridad, donde encontrar nombres de amenazas, protocolos o herramientas de defensa con perspectivas originales puede marcar la diferencia. También en la nube, al diseñar servicios en AWS o Azure, la capacidad de pensar en combinaciones inusuales de recursos ayuda a optimizar costos y rendimiento. Q2BSTUDIO integra servicios cloud AWS y Azure en sus proyectos, y aplica técnicas de brainstorming asistido por IA para identificar patrones de arquitectura que ningún competidor ha considerado. En el ámbito de Business Intelligence, con Power BI, la generación de métricas y visualizaciones alternativas puede revelar insights ocultos en los datos. Por último, los agentes IA se benefician enormemente de esta diversidad: un agente entrenado para generar ideas variadas puede ayudar a equipos de producto a explorar caminos que de otro modo pasarían desapercibidos.
El método de dos etapas no es una receta mágica, pero sí una forma estructurada de romper la inercia creativa de los modelos. Al forzar la cantidad primero y luego la diversidad, obligamos al LLM a salir de sus zonas de confort semánticas. En lugar de recibir diez variaciones de la misma idea, obtenemos cien caminos distintos que podemos evaluar, combinar y refinar. Es especialmente útil cuando se necesita un nombre para un nuevo producto, un eslogan, una campaña o incluso una estructura de datos. La clave está en no conformarse con las primeras diez sugerencias y en aplicar la segunda etapa con rigor.
En un mundo donde la originalidad es cada vez más valorada, esta técnica ofrece una ventaja tangible. Las empresas que dominan el arte del prompting no solo obtienen mejores respuestas, sino que también aceleran los ciclos de innovación. Q2BSTUDIO, con su enfoque en desarrollo de software personalizado, agentes de IA, ciberseguridad y cloud, demuestra que la combinación de tecnología y creatividad bien dirigida puede transformar ideas genéricas en soluciones únicas. La próxima vez que necesites ideas, recuerda: pide cien, luego diversifica, y después elige con criterio. El resultado será una cartera de conceptos que realmente se diferencien de todo lo demás.
