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