El prompting de cadena de pensamiento pide al modelo que muestre su trabajo, exponiendo los pasos intermedios del razonamiento, antes de dar una respuesta. Wei et al. (2022) observaron que este sencillo cambio mejora sustancialmente el rendimiento en benchmarks de aritmética, sentido común y razonamiento simbólico, y que el efecto aumenta con la escala del modelo.
La contrapartida es la velocidad y el coste en tokens: más razonamiento significa respuestas más largas. Ayuda sobre todo en problemas que realmente requieren varios pasos.