Los códigos secretos de ChatGPT
Hace meses circula una lista con los códigos secretos de ChatGPT. Se escriben con una barra al comienzo del mensaje y prometen desbloquear comportamientos que el sistema esconde. /TLDR para resumir un texto largo. /ELI5 para que explique como si uno tuviera cinco años. /TRUTH para que deje de dar la razón en todo. REDTEAM para que ataque un proyecto propio.
La promesa es tentadora y el formato resulta convincente. La explicación, en cambio, es divertidamente errónea.
Conviene separar dos preguntas distintas. La primera es si esas palabras hacen algo. La segunda es por qué.
La barra que no abre ninguna puerta
Empecemos por el hecho central: escribir /TRUTH no activa ninguna función oculta. ChatGPT no tiene un intérprete de comandos esperando esas palabras. El sistema recibe el mensaje completo como texto y genera una continuación probable. La barra no dispara nada. Es apenas un signo tipográfico más.
Entonces, ¿por qué muchos usuarios juran que funcionan? Porque efectivamente funcionan, aunque no por el motivo que se anuncia.
Abreviaturas como TLDR y ELI5 nacieron en los foros de internet mucho antes que los chatbots. Significan, respectivamente, "demasiado largo, no lo leí" y "explícamelo como si tuviera cinco años". El modelo las aprendió durante su entrenamiento junto con millones de conversaciones que las usaban. Cuando aparecen en un mensaje, reconoce el pedido asociado y responde en consecuencia. Es el mismo mecanismo por el cual entiende "etcétera" o "posdata". Nadie programó esos significados.
Con los códigos inventados, la cosa cambia. Ante X10THINK o ALT3, el modelo no recupera ninguna convención: infiere. A veces acierta, a veces devuelve algo distinto de lo esperado y el usuario no tiene forma de saber por qué.
Comandos reales, pero otros
Aquí hace falta una precisión, porque comandos con barra sí existen. En la aplicación de escritorio de ChatGPT, escribir una barra abre un menú desplegable con acciones documentadas por OpenAI. /model cambia el modelo de la conversación. /status muestra el consumo de contexto. /compact comprime un chat que se volvió demasiado largo. También están /plan, /goal y /review, entre otros.
Esos comandos pertenecen a la interfaz, no al texto del mensaje. Y ninguno de ellos aparece en las listas que se viralizan.
De ahí surge una regla práctica sencilla. Si la palabra aparece en el menú al escribir la barra, es un comando. Si no aparece, es texto.
Lo mismo, escrito en español
La buena noticia es que cada código viral tiene una traducción. La traducción, además, suele rendir mejor.
En lugar de /ELI5: "Explica este concepto sin tecnicismos y con una analogía cotidiana, como si yo no tuviera formación previa en el tema".
En lugar de /TLDR: "Resume este texto en tres puntos. Sin introducción ni conclusión".
En lugar de /TRUTH: "No busques darme la razón. Señala primero los puntos débiles de mi argumento y después responde".
En lugar de REDTEAM: "Actúa como un evaluador escéptico. Enumera las tres objeciones más fuertes que recibiría este proyecto".
En lugar de META: "Antes de responder, revisa mi consigna e indica qué información te falta para hacer un buen trabajo".
La versión en español es más larga, sin dudas. También es más precisa. Y la precisión es lo que efectivamente mueve el resultado.
Lo que muestra la investigación
Esta intuición tiene respaldo empírico, y bastante reciente.
Un trabajo de Pecher y colaboradores (2026) comparó dos maneras de pedirle lo mismo a un modelo de lenguaje. Por un lado, instrucciones mínimas, sin descripción de la tarea. Por el otro, instrucciones específicas sobre qué hacer y qué se espera como salida. Los pedidos subespecificados mostraron mucha mayor variabilidad de desempeño. Los específicos, bastante menos. Dicho de otro modo: cuanto más vaga la consigna, más impredecible la respuesta.
Anglin y Milan (2025) llegaron a una conclusión complementaria. Evaluaron cinco estrategias de escritura de prompts sobre tareas de clasificación de textos. Ni asignarle un personaje al modelo ni pedirle que razone paso a paso compensaron una consigna mal redactada. Lo que más pesó fue otra cosa: la definición del concepto, el encuadre de la tarea y los ejemplos provistos.
Hay todavía un tercer hallazgo, más incómodo. Brucks y Toubia publicaron en PLOS ONE un estudio sobre lo que llaman arquitectura del prompt. El orden de las opciones, las etiquetas y el encuadre alteran sistemáticamente las respuestas del modelo. Su conclusión es que ningún pedido individual es del todo neutral. No existe la fórmula infalible, con barra o sin ella.
Una consola que no existe
Vale la pena preguntarse por qué el formato /COMANDO resulta tan verosímil.
La barra viene de otro lado. Viene de la terminal de comandos, de Discord, de Slack, de todos los entornos donde escribir una instrucción breve ejecuta una acción exacta. Es la gramática de un medio anterior aplicada a uno nuevo, algo que McLuhan describió hace décadas: el contenido de un medio nuevo suele ser, al principio, el medio viejo.
La confusión revela, entonces, qué creemos estar usando. Imaginamos una consola con atajos ocultos cuando en realidad estamos escribiendo instrucciones para un interlocutor. Esa diferencia no es menor. En una consola, el conocimiento consiste en memorizar la lista correcta. En una conversación, consiste en saber explicar lo que uno quiere.
A modo de cierre
Nada de esto significa que haya que abandonar las abreviaturas. Al contrario.
Si /TLDR ya forma parte de su manera de escribir, sígalo usando. Funciona, porque el modelo conoce la convención, y le ahorra tiempo. Quien quiera dar un paso más puede dejar sus abreviaturas por escrito en las instrucciones personalizadas de ChatGPT, definiendo qué espera de cada una. Ahí la taquigrafía se vuelve estable y verdaderamente propia.
Lo único que conviene abandonar es la idea de que existe una palabra capaz de desbloquear una versión mejor del sistema. Sí, es cierto, nos hace sentir que somos Harry Potter, pero esa versión mejor depende de algo bastante menos mágico: de cuánto sepamos explicar lo que necesitamos.
Y esto último sí tiene interés pedagógico. Pedirle a un estudiante que escriba la instrucción completa, sin abreviaturas, lo obliga a definir el problema antes de delegarlo. La próxima vez que escriba un pedido a la IA, pruebe redactarlo entero. Es probable que la respuesta mejore. Es todavía más probable que descubra que la consigna no estaba tan clara como parecía.
Atribución
Artículo elaborado y verificado por Claude, a partir de notas de investigación provistas por el autor. Imágenes ilustrativas e infografía generadas con ChatGPT. Los comandos con barra existentes fueron verificados en la documentación oficial de OpenAI y en pruebas de campo. Literatura científica sobre sensibilidad a los prompts localizada con Scite. Mejoras de ortografía, gramática y estilo con LanguageTool. Imágenes con ChatGPT. La versión final fue revisada y completada por el autor.
Referencias citadas
- Anglin, K., & Milan, S. (2025). Empirical Prompt Engineering for Construct Identification with Large Language Models. arXiv:2512.03818.
- Brucks, M., & Toubia, O. (2025). Prompt architecture induces methodological artifacts in large language models. PLOS ONE, 20(4), e0319159.
- Pecher, B., Spiegel, M., Belanec, R., et al. (2026). Revisiting Prompt Sensitivity in Large Language Models for Text Classification: The Role of Prompt Underspecification. arXiv:2602.04297.
- (2026). Slash commands. ChatGPT Learn. https://learn.chatgpt.com/docs/reference/slash-commands
Me pareció un artículo interesante y necesario para desmitificar la idea de que existen “palabras mágicas” capaces de desbloquear una versión superior de ChatGPT. Coincido especialmente en que una consigna bien definida suele producir resultados más consistentes y, además, obliga al usuario a pensar con mayor claridad qué problema quiere resolver.
Sin embargo, considero que la alfabetización en inteligencia artificial no debería quedar reducida a aprender a redactar mejores prompts. Como estudiante de Administración de Empresas y desarrollador de software, entiendo que el verdadero desafío aparece cuando intentamos integrar estas herramientas dentro de procesos reales: cómo validamos los resultados, qué datos estamos compartiendo, cómo medimos si verdaderamente mejoran una tarea y quién asume la responsabilidad por las decisiones tomadas.
También me genera cierta reserva la expresión “verificado por Claude”. Un modelo de lenguaje puede ayudar a buscar bibliografía, ordenar argumentos o detectar inconsistencias, pero no debería presentarse como una instancia autónoma de validación. La responsabilidad intelectual continúa siendo del autor, que es quien debe revisar las fuentes, contrastar los resultados y sostener públicamente lo que afirma.
Creo que este tipo de artículos puede ser un buen punto de partida para la facultad. El paso siguiente sería ampliar la discusión: no solamente enseñar cómo pedirle algo a una IA, sino también cuándo utilizarla, cuándo no hacerlo, cómo auditar sus respuestas y cómo incorporarla responsablemente a los procesos educativos y organizacionales.
La IA puede potenciar un proceso bien diseñado, pero también puede acelerar y volver menos visibles las fallas de un proceso que todavía no fue comprendido.
Hola, Luis. Gracias por sus aportes a la reflexión sobre la IA como tecnología. Respecto de la verificación por parte de Claude, quería comentar que es parte normal del proceso. Cuando la búsqueda de bibliografía la hace una IA, la verificación queda a cargo de las personas. En este caso, la búsqueda bibliográfica estuvo a mi cargo, por eso la verificación quedó a cargo de un agente de Claude MCP Scite. ¿Está mal? Me pareció una forma de aseguramiento de la calidad de la publicación.
Hola Profesor, Gracias por la aclaración. Entiendo el proceso y no considero que esté mal usar Claude o Scite como herramientas de apoyo. Mi inquietud está más bien en la palabra “verificado”. Creo que, especialmente en el ámbito académico, la validación final debería seguir siendo humana. La IA puede ayudar a revisar, contrastar y detectar errores, pero no asumir la responsabilidad sobre lo publicado.
No lo planteo como una crítica al artículo, sino como una distinción que me parece importante discutir a medida que incorporamos estas herramientas.