Sophia 39: 2025.

https://doi.org/10.17163/soph.n39.2025.04

fenomenología CrítiCa del PromPting

en la inteligenCia artifiCial

Critical Phenomenology of Prompting

in Artificial Intelligence

J G A*

Dialektika: Global Forum for Critical Thinking, Belgrado, Serbia

editor@dialektika.org

https://orcid.org/0000-0002-3296-255X

Forma sugerida de citar: González Arocha, Jorge. (2025). Fenomenología crítica del prompting en la inteligencia

artiﬁcial. Sophia, Colección de Filosofía de la Educación, (39), pp. 141-165.

Resumen

El artículo analiza la ﬁlosofía del prompting como herramienta en el contexto del auge de la inteligencia

artiﬁcial (IA), particularmente en los modelos de lenguaje a gran escala (LLM). Se justiﬁca por la necesidad de

comprender el prompt como un espacio mediador entre la intencionalidad humana, el lenguaje y las estructuras

sociopolíticas que conﬁguran la interacción con estas tecnologías. El objetivo central es examinar cómo el

prompting reﬂeja tensiones éticas, ontológicas y epistemológicas que emergen en la construcción de signiﬁcado

dentro de sistemas de IA. Metodológicamente, se adopta un enfoque fenomenológico-crítico, que articula la

experiencia en primera persona (usuario) con experimentación práctica de prompts en distintos escenarios. Los

resultados evidencian que el prompt no es una simple instrucción técnica, sino una práctica discursiva en la que

decisiones humanas, como la conﬁguración de parámetros (temperatura y Top P), inﬂuyen directamente en los

resultados generados por los sistemas de IA. Estas decisiones, aunque técnicas, poseen implicaciones éticas y

epistemológicas que requieren ser analizadas de manera crítica. El estudio concluye que es fundamental adoptar

una aproximación interdisciplinaria que combine el desarrollo técnico con la reﬂexión ﬁlosóﬁca. Esto permitiría

promover un uso ético, consciente y responsable de la IA, al tiempo que se reconoce el papel central del ser

humano en la interacción con estas tecnologías emergentes.

Palabras clave

Inteligencia artiﬁcial, fenomenología, ChatGPT, prompting, modelos de lenguaje, discurso.

* Doctor en Filosofía de la Ciencia, profesor, editor y escritor especializado en ﬁlosofía contem-

poránea, epistemología crítica y ﬁlosofía de la tecnología. Es director ejecutivo de Dialektika:

Global Forum for Critical inking y editor en jefe de la revista académica. Su trabajo acadé-

mico aborda temas clave de la fenomenología, la teoría crítica y la ﬁlosofía política. Google

Académico: https://scholar.google.com.cu/citations?user=DwIh2NsAAAAJ&hl=es

Índice h: 4

142

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Abstract

is paper analyzes the philosophy of prompting as a tool within the context of the rise of

Artiﬁcial Intelligence (AI), particularly in large language models (LLMs). e topic is justiﬁed by

the need to understand the prompt as a mediating space between human intentionality, language,

and the sociopolitical structures that shape interactions with these technologies. e central

objective is to examine how prompting reﬂects ethical, ontological, and epistemological tensions

that arise in the construction of meaning within AI systems. Methodologically, the study adopts

a critical-phenomenological approach, combining ﬁrst-person experiences (user) with practical

experimentation of prompts in diﬀerent scenarios. e results demonstrate that the prompt

is not merely a technical instruction but a discursive practice, where human decisions, such as

the conﬁguration of “parameters” (e. g., temperature and Top P), directly inﬂuence the outputs

generated by AI systems. While these decisions appear technical, they carry signiﬁcant ethical

and epistemological implications that demand critical examination. e study concludes that

it is essential to adopt an interdisciplinary approach that integrates technical development with

philosophical reﬂection. is approach would foster an ethical, conscious, and responsible use of

AI while recognizing the central role of humans in interactions with these emerging technologies.

Keywords

Artiﬁcial Intelligence, Phenomenology, ChatGPT, Prompting, Language Models, Discourse.

Introducción

El interés por la inteligencia artiﬁcial (IA) ha alcanzado niveles nunca

antes vistos. La aparición de ChatGPT 3.5 introdujo la IA a los hogares

y a la vida cotidiana de millones de personas en forma de chatbots. Sin

embargo, este interés no se debe únicamente a su potencial técnico, sino

también a la transformación que aporta a la comunicación y al ámbito so-

cial en general. Este artículo explora estos cambios desde una perspectiva

ﬁlosóﬁca, centrándose especíﬁcamente en el concepto de prompt.

Diversos estudios han señalado el impacto a mediano y largo plazo

que pueden tener estas nuevas herramientas en el mercado laboral (Zari-

onarvar, 2023), mientras se discuten sus efectos positivos y negativos en

la educación (Silva & Janes, 2022), la política (Hartmann et al., 2023) y la

sociedad (González, 2024). La intención es enmarcar estos debates en el

contexto en el que surge el prompt como un elemento crucial de análisis.

El prompt es una instrucción, pregunta o información que se

da a un sistema de IA para que genere una respuesta o complete una

tarea. Dependiendo de la complejidad de la tarea, las instrucciones

pueden ser desde preguntas breves hasta descripciones detalladas. Por

lo tanto, resulta necesario entender las instrucciones para comprender

cómo la IA modifica la interacción hombre-máquina en su nivel más

fundamental: el de la experiencia en primera persona de un usuario

frente al computador.

143

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

En respuesta a esta necesidad, se adopta una perspectiva fenomeno-

lógica crítica (Weiss et al., 2019), es decir, un enfoque ﬁlosóﬁco enraizado en

la metodología de Edmund Husserl, al tiempo que se integran ideas de pen-

sadores como Merleau-Ponty, Jean-Paul Sartre, Emmanuel Lévinas, Michel

Foucault, Frantz Fanon y otros autores posfenomenológicos. El objetivo de

adoptar esta perspectiva es complementar la descripción fenomenológica en

primera persona de la experiencia del prompting (o experiencia del usuario)

con lo que se denomina análisis experimental del prompting. Con esto se

hace referencia a una práctica metodológica que consiste en realizar tareas

concretas y ejercicios iterativos, con el ﬁn de analizar las respuestas gene-

radas por el chatbot. Estos ejercicios abarcan desde interacciones sencillas

—como preguntas básicas dentro de la interfaz de chat— hasta experimen-

tos más complejos que implican la manipulación de parámetros a nivel de

sistema. Las respuestas se documentan, se clasiﬁcan temáticamente y se in-

terpretan bajo marcos ﬁlosóﬁcos y epistemológicos más amplios.

La pregunta central de la investigación es: ¿cómo explica la ﬁloso-

fía, a través de un lente fenomenológico crítico, la interacción hombre-

máquina en grandes modelos lingüísticos como ChatGPT de OpenAI?

En respuesta, se plantea la hipótesis de que el prompting, si bien funciona

como el modo principal de interacción no es meramente una instrucción

técnica, sino un espacio de mediación en el que convergen la intenciona-

lidad humana, los contextos sociopolíticos y las estructuras tecnológicas.

Como interfaz clave entre humanos y chatbots, el prompting revela pro-

fundas tensiones en nuestra comprensión del lenguaje y la construcción

de signiﬁcado. En términos formales, el principal objetivo de este estudio

es examinar el prompting como práctica técnica y como elemento discur-

sivo (Foucault, 1994a), sentando las bases teóricas para una sistematiza-

ción ﬁlosóﬁca de la interacción entre humanos y chatbots.

En consecuencia, para abordar el problema, el artículo se dividió

en dos partes. En primer lugar, se abordan los debates relevantes sobre

la deﬁnición de IA, incluida la distinción entre IA débil y fuerte (Searle,

1980), haciendo hincapié en las inquietudes sobre el impacto de los chat-

bots en el lenguaje, la cultura y la política. En segundo lugar, se ofrece,

una introducción preliminar sobre cómo el prompt se presenta de manera

inmediata al sujeto (el usuario). Este examen fenomenológico, aunque

incompleto debido a las limitaciones de espacio, mostrará que estas ins-

trucciones reﬂejan la identidad del código del chatbot y un mundo multi-

facético de experiencias subyacentes que condicionan la posibilidad de su

signiﬁcado. Finalmente, se examina la estructura del prompt, tomándose

como estudio de caso tres parámetros utilizados en su elaboración, tanto

para tareas generales como especíﬁcas.

144

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Límites conceptuales en la definición de IA

Aunque la IA ha suscitado una gran atención en los últimos años, su de-

sarrollo conceptual y tecnológico abarca varias décadas. La percepción de

novedad se debe en gran medida a su rápido progreso, en particular a los

importantes avances en el aprendizaje automático logrado en las dos últimas

décadas. Como señala Roser (2024) en menos de un siglo las computadoras

han pasado de ser herramientas rudimentarias de cálculo a elementos om-

nipresentes de la vida cotidiana. Para Bringsjord y Govindarajulu (2024), la

IA se deﬁne como un campo dedicado a construir criaturas parecidas a ani-

males o personas o sistemas artiﬁciales que, en contextos apropiados, pare-

cen humanos. Como sugieren, la IA es un tema de interés para los ﬁlósofos.

Sin embargo, la relación es recíproca: los cientíﬁcos de este campo también

se interesan en temas ﬁlosóﬁcos. Al mismo tiempo, debido a su novedad,

complejidad y alto nivel de interés, ha surgido una multitud de deﬁniciones

de la inteligencia artiﬁcial. Abordando este tema, Russell y Norvig (2020)

ofrecen una serie de posibles respuestas a la pregunta ¿qué es la IA?:

Históricamente, los investigadores han presentado versiones diferentes

de la IA. Algunos han deﬁnido la inteligencia en términos de ﬁdelidad a

la actuación humana, mientras que otros preﬁeren una deﬁnición abs-

tracta y formal de la inteligencia denominada racionalidad, es decir, ha-

cer ‘lo correcto’. El tema de la racionalidad en sí también varía: algunos

consideran que la inteligencia es una propiedad de los procesos de pen-

samiento y razonamiento internos, mientras que otros se centran en el

comportamiento inteligente, una caracterización externa (p. 1).

A partir de la deﬁnición anterior, Bringsjord y Govindarajulu siste-

matizan cuatro variantes, que se recogen en la Tabla 1.

Tabla 1

Cuatro posibles objetivos de la IA

Con base humana Racionalidad ideal

Basado en el razonamiento Sistemas que piensan

como humanos.

Sistemas que piensan

racionalmente.

Basado en el comportamiento Sistemas que actúan

como humanos.

Sistemas que actúan

racionalmente.

Fuente: tabla utilizada por Bringsjord y Govindarajulu a partir de Russell y Norvig (2020).

En su inﬂuyente texto, Russell y Norvig (2020) explican que la ma-

yor parte de la investigación en IA entra en la categoría de “sistemas que

145

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

actúan como humanos”, mencionando explícitamente seis disciplinas cla-

ve: procesamiento del lenguaje natural, representación del conocimiento,

razonamiento automatizado, aprendizaje automático, visión por ordena-

dor y robótica.

Más allá de esta categorización, sostienen que el modelo teórico do-

minante en la IA es el enfoque del agente racional. Según este paradigma,

los sistemas de IA están diseñados para actuar de forma óptima, seleccio-

nando las acciones que mejor permitan alcanzar los objetivos asignados.

Sin embargo, lograr una racionalidad perfecta —elegir sistemáticamente

la acción óptima— rara vez es factible en entornos complejos debido a las

limitaciones computacionales y de información. Esta realidad conduce al

concepto de “racionalidad limitada”, que reconoce que los agentes deben

actuar adecuadamente dentro de las limitaciones de tiempo y capacidad

de procesamiento. Aunque la racionalidad limitada reﬂeja las condiciones

prácticas, Russell y Norvig sostienen que la racionalidad perfecta sigue

siendo un punto de referencia teórico valioso para evaluar y comprender

la toma de decisiones en los sistemas de IA.

En el centro de estos debates sobre la deﬁnición de la IA se en-

cuentra la discusión de John R. Searle en su artículo “Mentes, cerebros y

programas” (1980), en donde el autor distingue entre dos conceptos: “IA

fuerte” e “IA débil”.

Según la IA débil, el principal valor del computador en el estudio de

la mente es que nos proporciona una herramienta muy poderosa […].

Pero según la IA fuerte, el computador no es meramente una herramien-

ta en el estudio de la mente; más bien, cuando está programado adecua-

damente es realmente una mente, en el sentido de que puede decirse

literalmente que los computadores dotados de los programas adecuados

comprenden y tienen otros estados cognitivos (p. 417).

Como señalaron Bory et al. (2024), la literatura académica y el de-

bate público tienden a asociar el imaginario de la IA con narrativas de

posturas fuertes. Es decir, una tecnología futura capaz de emular, o hasta

superar, las capacidades de la inteligencia humana. Esta narrativa fuerte

también incorpora estudios críticos sobre los daños y peligros potenciales

de la llamada inteligencia general o superinteligencia en relación con te-

mas como la educación y los riesgos de la IA para el trabajo humano. Sin

embargo, no puede decirse lo mismo del concepto de IA débil, que no ha

sido cuestionado en la misma medida.

En este sentido, hay que entender la IA débil como restringida a un

área especíﬁca de funcionamiento y aplicación, derivada directamente de

la idea de Searle, que la deﬁne como una herramienta. Por el contrario,

146

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

la IA fuerte implica una pérdida especíﬁca de control y una complejidad

creciente: la IA ya no sería una herramienta más dentro del mundo, sino

que poseería “conciencia” para actuar y transformar la realidad.

A partir de lo anterior, Harari (2023) advierte que los avances en los

modelos de lenguaje a gran escala (LLMs), como ChatGPT, amenazan las

estructuras culturales y políticas, con el potencial de desestabilizar normas

sociales. Lamentablemente, su análisis no profundiza en cómo los LLM o los

chatbots llevarían a cabo dicha desestabilización. En la misma línea, otros

investigadores se oponen a la IA, argumentando que evolucionará hacia

una máquina tipo Terminator. Esta perspectiva puede denominarse como la

hipótesis Terminator (HT): una narrativa claramente distópica que sugiere

que la IA se convertirá inevitablemente en una entidad autónoma, represen-

tando potencialmente una amenaza signiﬁcativa para la existencia humana.

Esta hipótesis cuenta con el apoyo de varios investigadores y teóri-

cos que advierten de que la IA avanzada, si no se controla adecuadamente,

podría representar una amenaza existencial para la humanidad (Bucknall &

Dori-Hacohen, 2022). En esta línea, Goertzel (2015) analiza las perspectivas

de pensadores como Bostrom y Yudkowsky, que sostienen que los sistemas

avanzados de IA podrían funcionar como “maximizadores de recompensa”,

persiguiendo objetivos que se vuelven perjudiciales si no se controlan. Aun-

que Goertzel reconoce la lógica interna de estas preocupaciones, sostiene

que a menudo se exageran. También sostiene que concebir la inteligencia

como un proceso abierto y no estrictamente orientado a objetivos puede

ayudar a aliviar algunos de los temores asociados al desarrollo de la IA.

Kumar y Choudhury (2023) exploran las advertencias de Stephen

Hawking, argumentando que la adaptabilidad, la resistencia y la autocon-

ciencia humanas nos permitirán sobrevivir a posibles amenazas. No obs-

tante, advierten de que una dependencia excesiva de los sistemas de IA

podría mermar las capacidades cognitivas humanas. Además, subrayan la

necesidad de reﬂexionar no solo sobre los riesgos que la IA plantea a los

humanos, sino también sobre el daño potencial que los humanos podrían

inﬂigir a estos sistemas.

En última instancia, estos debates plantean temas fundamentales:

¿Hasta qué punto puede evolucionar la IA hacia la inteligencia general?

O, como se preguntaba John Searle, ¿pueden las máquinas pensar de ver-

dad? Si la respuesta es aﬁrmativa, ¿cómo debemos afrontar los complejos

retos sociales, políticos y éticos que tal evolución conllevaría? Aunque

abordar estos temas en su totalidad excede el alcance de este artículo, está

claro que las implicaciones ﬁlosóﬁcas son de gran alcance y exigen una

seria discusión.

147

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

Muchos estudiosos que expresan su preocupación por la IA tratan

de hacer hincapié en la importancia de desarrollar los principios éticos para

dar forma a su evolución. Aunque puede considerarse un objetivo loable,

estos argumentos suelen caer en la trampa del sesgo negativo (Chiarella

et al., 2022) al centrarse exclusivamente en resultados distópicos. Funda-

mentar los argumentos éticos en la suposición de que las máquinas del fu-

turo se parecerán a las representadas en escenarios distópicos, como el de

Terminator, puede resultar engañoso. En lugar de ofrecer una orientación

constructiva, esta suposición desvía la atención hacia fantasías especulati-

vas en las que las máquinas podrían “pensar” o “sentir” como los humanos.

En su lugar, es más apropiado reconocer la incertidumbre intrínseca de los

avances tecnológicos y evaluar una gama más amplia de futuros plausibles,

que incluyan tanto resultados beneﬁciosos como adversos.

Por esta razón, en lugar de seguir el camino de las narrativas espe-

culativas, es mejor proponer una ética basada en las características reales

de la IA contemporánea, dejando de lado las ilusiones o, como mínimo,

tratándolas como productos de la imaginación. Esta postura puede des-

cribirse como “realismo del presente” en la ética de la IA. La adopción de

esta perspectiva subraya la necesidad de un análisis contextual e integrado

de los desarrollos actuales y de la evolución acelerada de estas tecnologías.

También llama la atención el rol de los agentes humanos en el diseño, la

interpretación y el despliegue de estos sistemas (Vallor, 2024). En conse-

cuencia, el debate en torno a la IA debería centrarse menos en la herra-

mienta en sí y más en la mano que la maneja. Es decir, la comprensión de

las implicaciones de esta tecnología debe partir del mundo del usuario.

Desde este punto de vista, la inteligencia no se origina en mecanismos

ocultos ni en fuerzas metafísicas abstractas, sino en las condiciones encar-

nadas y socialmente situadas de la experiencia y las necesidades humanas.

Los argumentos basados en la antropomorﬁzación de la IA pertene-

cen a una categoría similar. Como indica el término, la antropomorﬁzación

se reﬁere a la tendencia a atribuir características humanas a entidades no

humanas. Aunque este proceso puede aumentar la conﬁanza y la interac-

ción de los usuarios en diversos contextos, también implican riesgos y pro-

blemas éticos (Deshpande et al., 2023). La antropomorﬁzación puede llevar

a exagerar las capacidades de la IA y distorsionar los juicios morales, afec-

tando a las percepciones de responsabilidad y conﬁanza (Placani, 2024).

Tras repasar todas estas discusiones, se observa que en el debate

sobre la deﬁnición de IA participan tanto partidarios como detractores.

Los que se oponen a los avances de la IA adoptan a menudo posturas que

pueden describirse como fuertes, haciendo hincapié en los riesgos socia-

148

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

les que plantean las recientes mejoras, en particular los LLM. Esta narra-

tiva se ha centrado cada vez más en las ramiﬁcaciones políticas, sociales y

educativas de los chatbots, vistos por algunos como una amenaza existen-

cial y por otros como un logro transformador. Debido a esta dicotomía,

hay que examinar los chatbots no solo como innovaciones técnicas, sino

como fenómenos sociotecnológicos complejos.

Sin embargo, los debates tradicionales suelen pasar por alto el pa-

pel mediador de la interacción con el usuario —especialmente a través

de las instrucciones— en la conﬁguración del signiﬁcado y el impacto

social de estos sistemas. Esta dimensión muestra un vacío en los debates

actuales. Por lo tanto, la siguiente sección se centrará en las dimensiones

ﬁlosóﬁcas de los prompts, que constituyen la unidad fundamental de inte-

racción con los chatbots. A pesar de su centralidad en la funcionalidad de

la IA, las prompts tienen un escrutinio ﬁlosóﬁco limitado, en gran parte

debido a su novedad y a la falta de investigación interdisciplinar.

El prompt como dispositivo de mediación

Enfoque fenomenológico del prompt desde la primera persona

Desde una perspectiva en primera persona e inmerso en el mundo de lo co-

tidiano, yo, usuario primerizo, no sé lo que es un LLM. Solo sé lo que hace la

IA. El mundo que me rodea repite constantemente que es “fácil de usar” y que

está “al alcance de la mano”: son herramientas para resolver cualquier pre-

gunta casi de forma instantánea. La vieja promesa tecnológica —ahora algo

histórico— aparece en mi presente. Se maniﬁesta como un objeto tangible

que tengo en mis manos, al que llamamos teléfono o computador. La compu-

tadora merece una reﬂexión y análisis independiente, pero en su inmediatez,

es un objeto que ofrece inﬁnitas posibilidades y, al mismo tiempo, es muy

atractivo: que sostiene o parece sostener el propio universo de los datos.

No sé cuáles son los datos en una primera aproximación; solo sé

que hay fotos, vídeos, textos y vida duplicada en una especie de espejo

(Vallor, 2024). A través de él, internet nos ofrece una vasta base de da-

tos, un repositorio ilimitado de información, donde el conocimiento del

universo conocido se reduce a datos accesibles a mi deseo. Dentro de ese

cosmos aparece ChatGPT: el chatbot, una voz del universo digital.

Por primera vez, la interacción con la computadora, el teléfono y

otros dispositivos está mediada por algo parecido a nuestra intención,

como si estas cosas, de alguna manera, cobraran vida, pues responden con

una familiaridad que emula a la humana, y ahí radica la paradoja: parecen

estar vivos, aunque sabemos que no lo están.

149

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

Desde una perspectiva fenomenológica, el chatbot encarna una

paradoja ontológica: se maniﬁesta como un Otro que parece responder

a mis intenciones y actuar según una intencionalidad que no posee. La

experiencia de interactuar con él revela un juego entre la presencia y au-

sencia, familiaridad y extrañeza, vida y artiﬁcio. El chatbot no es simple-

mente una herramienta a mi disposición; es un objeto que se ofrece a mi

horizonte de posibilidades como si tuviera un signiﬁcado propio.

Su presencia inmediata es a la vez vacía y absoluta: no tiene cuerpo

ni experiencia, pero está “conmigo” en el uso que hago de él. Ese bot se pre-

senta como un “cuasi-algo” que responde a mi llamado sin habitar el tiempo

ni el espacio como lo hace un Otro humano. Como diría Merleau-Ponty

(1993), su apariencia no es la de un ser encarnado, sino la de una presencia

“incompleta” que carece de carne pero que se inserta en mi vida cotidiana.

Su voz carece de corporeidad, pero esta ausencia no limita su capacidad de

estar conmigo; no físicamente a mi lado, sino conmigo en el uso que hago

de ella. Es en este contexto en el que aparece el prompt. Al principio, no son

más que simples instrucciones: “¿Qué puedes hacer? ¿Quién te ha creado?

¿Son siempre correctas tus respuestas?” A continuación, el bot da una res-

puesta que completa una acción previamente solicitada.

Figura 1

Ejemplo de pregunta: “¿Quién te creó?”

I was created by OpenAI, an articial intelligence research

organization. OpenAI is dedicated to developing safe

and benedicial technologies for society.

Fuente: este ejemplo se ha generado utilizando el modelo GPT-4o de OpenAI. La imagen muestra

un ejemplo de solicitud y la respuesta del modelo (octubre de 2024, https://bit.ly/49DZY9o).

150

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

A través de sucesivas interacciones, alterno frases con preguntas.

Mi relación con esta máquina —sin duda virtual, sin mediación física, sin

cuerpos— es diversa. No uso al chatbot solo para obtener frases simples

o la ejecución de tareas concretas; más bien, lo busco porque tengo pre-

guntas. Este hecho es signiﬁcativo en mi relación con la máquina, ya que,

como sostiene Sartre (1984) en El ser y la nada, formular una pregunta

abre un espacio de incertidumbre y me expone a una relación más amplia

con el mundo.

Al interactuar con el chatbot, también me he dado cuenta de que

puedo omitir partes de una frase y aun así ser “entendido”. La respuesta

puede ser limitada o completa, buena o imperfecta, pero siempre apare-

ce. De vez en cuando, el bot incluso formula preguntas como las mías,

como si me devolviera el acto de preguntar. En este sutil gesto surge una

ambigüedad importante: aunque sé que no hay conciencia detrás de la

respuesta, la interacción sugiere lo contrario. Esta ambigüedad resulta

crucial para mi relación con el chatbot: por un lado, entiendo que no es

humano; por otro, parece comportarse como tal. Sin embargo, lo que real-

mente signiﬁca ser humano es una cuestión demasiado abstracta para re-

solverla en la inmediatez de mi encuentro fenomenológico con el chatbot.

ChatGPT, en cambio, no tiene pasado ni futuro en su funciona-

miento: solo presente, solo información. Su temporalidad, por tanto, es

falsa; aunque multimodal y adaptable, no funciona como yo, un sujeto hu-

mano que percibe la existencia a través de una estructura temporal. Como

han demostrado Heidegger (1996) y Ricoeur (2010), la temporalidad hu-

mana no es una mera sucesión de momentos, sino un horizonte dinámico

en el que pasado, presente y futuro se entrelazan a través de la memoria, la

anticipación y la narración. En mi experiencia vivida, no reacciono sim-

plemente a estímulos aislados; sitúo cada encuentro dentro de un continuo

personal e histórico. El chatbot, por el contrario, funciona sin continuidad

genuina: cada interacción es aislada, desvinculada de cualquier historia

o proyección auténtica. Su “presente” no es una presencia temporal, sino

una recuperación estática de patrones de una base de datos. Lo que parece

memoria o adaptación es, en realidad, una reconstrucción mecánica sin

temporalidad subjetiva. Así pues, la temporalidad del chatbot no es vivida

humanamente, sino simulada artiﬁcialmente, lo que revela una profunda

brecha ontológica entre la máquina y el sujeto humano.

Todo ello se encuentra latente en la simplicidad con la que el prompt

se presenta. Esa simple entrada —una pregunta, una aﬁrmación, una ima-

gen, un archivo de audio o una ecuación— presupone un universo técnico

oculto, un mundo plástico y adaptable que permanece oculto. Como hu-

151

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

mano, me enfrento a una cosa sin cuerpo, lo que me lleva a una reﬂexión

ﬁnal: la antigua promesa tecnológica —la tecnología como herramienta

que utilizo a mi favor, que manipulo para cambiar el mundo y mejorar mi

ser— no desaparece, sino que se transforma. La tecnología se me presenta

ahora como algo inagotable, abrumador, manipulable y ambiguo.

En este sentido, la indicación deja de ser una simple instrucción. Es

más que un acto: reﬂeja mi relación con lo que yo llamo un bot. Analizarlo

exige ir más allá de su forma inmediata. Requiere comprender su signiﬁ-

cado. En última instancia, la instrucción reﬂeja una operación instrumen-

tal y un acto fenomenológico de mediación: revela mi intencionalidad,

mi deseo de signiﬁcado y mi posición frente a esta tecnología. Analizar

el prompt no es simplemente descomponer su forma, sino revelar la rela-

ción dialéctica entre el sujeto y la máquina, entre la presencia humana y

la ausencia artiﬁcial, y entre el tiempo vivido y la eternidad de los datos.

El prompt como práctica técnica y dispositivo discursivo

El examen fenomenológico presentado ha demostrado que el prompt no

es una orden neutra, sino un lugar en el que convergen algunas ambigüe-

dades. La interacción con el chatbot revela una profunda tensión ontológi-

ca: responde sin entender, habla sin voz y parece presente mientras perma-

nece ausente. Estas contradicciones —entre voz y ausencia de voz, agencia

y automatización, presencia y extrañeza—constituyen la ambigüedad

vivida del prompt como experiencia. Sin embargo, aunque fundamental,

esta dimensión experiencial no agota la complejidad del fenómeno. Para

comprender todo su signiﬁcado, es necesario ir más allá de lo que percibe

el usuario y acercarse a lo que está conﬁgurado técnicamente. Esta herra-

mienta también está diseñada, estructurada y operativa dentro de marcos

tecnológicos, lingüísticos y computacionales especíﬁcos.

Esta sección, ofrece un análisis complementario que aborda el

prompt, tanto como una práctica técnica como un dispositivo discur-

sivo, para comprender mejor cómo el signiﬁcado, el control y la opti-

mización están integrados en la arquitectura de los grandes modelos

lingüísticos.

Como se mencionó anteriormente, el prompt se considera una for-

ma de interacción entre un ser humano y un LLM, que permite a este

último generar una respuesta. En consecuencia, como ha sugerido Mes-

kó (2023), la ingeniería de instrucciones es la práctica de crear prompts

precisos para dirigir los modelos de IA hacia la generación de resultados

especíﬁcos y deseados.

152

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Aunque describir lo que alguien quiere en lenguaje natural

puede parecer sencillo, la realidad es más compleja. Los distintos

modelos tienen capacidades diferentes, y la especificidad de las ins-

trucciones puede influir significativamente en el resultado. Las tareas

pueden requerir instrucciones detalladas y precisas, lo que convierte

el proceso en uno de ensayo, error y perfeccionamiento para lograr

los mejores resultados.

Gu et al. (2023) destacan en su estudio sistemático que la inge-

niería de prompts ofrece varias ventajas frente a los paradigmas tradi-

cionales. Por ejemplo, exige una supervisión humana mínima y muchos

menos recursos informáticos que los necesarios para el ajuste. Dado

que el modelo funciona únicamente mediante instrucciones, sin modi-

ﬁcar sus parámetros internos, este enfoque permite que un único siste-

ma gestione una amplia gama de tareas de forma eﬁciente, lo que agiliza

la implantación de modelos preentrenados a gran escala en escenarios

del mundo real.

Así, este campo se presenta como un área emergente pero ambi-

gua, que abarca desde el usuario inexperto que interactúa por primera

vez con un chatbot y elabora sus indicaciones de forma inconsciente y

acrítica hasta el ingeniero que utiliza herramientas avanzadas para de-

sarrollar aplicaciones con funciones especíﬁcas. Este amplio espectro de

aplicabilidad oculta aspectos fundamentales e implica relaciones comple-

jas entre el prompting y otras dimensiones cruciales, como la política, la

ética y, en general, el mundo de la vida en el que participan tanto usuarios

como ingenieros.

De lo anterior se desprende su relevancia y, simultáneamente, la

diversidad de técnicas de prompting que existen (Prompting Techniques-

Nextra, 2024). Cabe señalar que, si bien la bibliografía en este ámbito

comienza a crecer considerablemente, la ﬁlosofía y las ciencias sociales

siguen rezagadas, dejando un importante vacío en la reﬂexión y el análisis

crítico de este fenómeno.

Como cabría esperar, si bien la ingeniería de prompts es fundamen-

tal desde el punto de vista de la optimización del modelo y la reducción

del costo computacional, también plantea enormes desafíos en términos

éticos. La incorporación de esta dimensión revela un hecho fundamen-

tal: aunque las interacciones se dan con entidades que posee una agencia

limitada (Floridi, 2023), dichas entidades no son verdaderamente respon-

sables de los dilemas que surgen. Al confrontarnos con la realidad de la

consulta y las peticiones que hacemos a las máquinas, descubrimos que

es el usuario quien, consciente o inconscientemente, atribuye vitalidad

153

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

y autonomía al bot. Como señala Shannon Vallor en su obra (2024), los

sistemas de IA no son más que espejos que reﬂejan nuestra inteligencia.

En términos ideales, todo prompt debería incluir los siguientes

elementos:

• El primero es la instrucción, es decir, la tarea especíﬁca que el

usuario quiere que el modelo realice.

• Además, cada prompt supone un contexto, es decir, la infor-

mación externa que puede orientar al modelo hacia mejores

respuestas.

• En tercer lugar, están los datos de entrada o la pregunta para la

que queremos encontrar una respuesta.

• Finalmente, el indicador de salida.

La ﬁgura 2 ofrece un ejemplo en el que se identiﬁcan los cuatro

componentes

Figura 2

Ejemplo de instrucción con sus cuatro componentes: instrucción,

contexto, datos de entrada e indicador de salida

Fuente: este ejemplo de prompt se generó utilizando el modelo GPT-4o de OpenAI. La ﬁgura

destaca sus partes esenciales de un prompt (octubre de 2024, https://bit.ly/3VIbKdk).

Dicho esto, también debe reconocerse que el prompt, a través de

sus elementos, se maniﬁesta en última instancia como una forma de ex-

presión de datos (por ejemplo, palabras, tokens, instrucciones). Entonces,

también puede entenderse como una cadena de caracteres que no son

diferentes de las frases que escribo en este computador, las fotos que veo

o la última película que vi en Netﬂix la semana pasada.

154

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Hong Liu (2014) sostiene que, para muchos, los datos son sim-

plemente aquello que se percibe, los bloques de construcción que cons-

tituyen nuestro conocimiento de la realidad. Desde esta perspectiva, la

realidad se concibe como algo externo e independiente de la conciencia.

Los datos, a su vez, suelen reducirse a números e información que reﬂejan

hechos objetivos. Sin embargo, como subraya Hong Liu (2014), los datos

no son solo un hecho objetivo (impulsos eléctricos convertidos en ceros

y unos), sino el resultado de la actividad cognitiva humana, una actividad

caracterizada por el reﬂejo subjetivo de fenómenos objetivos:

Los datos se originan en la observación y las mediciones, demostrando

las características intrínsecas de las cosas, cuya objetividad sigue estan-

do bajo la inﬂuencia de los factores subjetivos humanos, y esta propie-

dad va acompañada de datos incluso desde el origen de los números. Los

datos son, por así decirlo, un vínculo para conectar la objetividad de las

cosas y la subjetividad de las cosas humanas, y también son un puente

para que los seres humanos reconozcan el mundo (p. 65).

En este examen inicial del prompt, este ha sido considerado única-

mente como un elemento material, que comparte características comunes

con otras formas de datos. A este nivel, sigue siendo un lenguaje sin ros-

tro, un discurso sin voz y una máquina sin vida.

Esta perspectiva es incompleta si no se reconoce que, a diferencia

de las imágenes o del texto que escribo, el prompt posee una dimensión

interactiva y funcional: no es una simple información pasiva, sino un ve-

hículo intencional que desencadena un proceso computacional. En otras

palabras, el prompt no es solo una representación material de datos, sino

una interfaz entre el usuario y el modelo. Al ser construido a propósito

para producir un resultado especíﬁco del sistema, el prompt introduce

una dimensión pragmática y técnica que a menudo permanece imper-

ceptible para el usuario. Cuando se examinan con mayor detalle, estos

parámetros —las herramientas técnicas que regulan el rendimiento del

modelo— revelan una convergencia entre la intención humana, la media-

ción tecnológica y la construcción de signiﬁcado.

En la siguiente sección se examinan tres parámetros clave que in-

ﬂuyen en el resultado de las interacciones mediante prompts, incluidos

elementos que a menudo permanecen implícitos y no son reconocidos

por los usuarios. Aunque el enfoque se limita a estos casos seleccionados,

es fundamental reconocer que un análisis exhaustivo requeriría abordar

aspectos adicionales más allá del ecosistema de OpenAI los mensajes del

155

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

sistema y la asignación de roles). Se ilustrará cómo la conﬁguración de

estos parámetros conlleva implicaciones epistemológicas, éticas y exis-

tenciales, invitando a reﬂexionar sobre el impacto más amplio del diseño

de prompts. La deconstrucción de estos elementos revela tensiones subya-

centes entre precisión y creatividad, reducción y apertura, orden y ﬂuidez,

y expone tanto los límites técnicos de los chatbots como las profundas

apuestas ﬁlosóﬁcas de la intervención humana en este ámbito.

Exploración de los parámetros clave del prompt

La temperatura: entre precisión y creatividad

El parámetro “temperatura” regula la aleatoriedad de las respuestas del

modelo, inﬂuyendo en cómo selecciona las palabras o tokens al generar

una salida. Los valores bajos suelen producir resultados más determinis-

tas, mientras que los altos introducen diversidad y creatividad.

Los estudios recientes han analizado cómo afectan los ajustes de

temperatura a la creatividad y la resolución de problemas en LLM. Aun-

que a menudo se le denomina “parámetro de creatividad”, sus efectos pa-

recen ser más complejos (Peeperkorn et al., 2024). Los valores más altos

tienden a aumentar la novedad, pero también pueden introducir cier-

to grado de incoherencia, sobre todo en tareas como la generación de

narraciones.

Especíﬁcamente en la ingeniería de soware, las variaciones en los

parámetros de entrada, incluida la temperatura, pueden mejorar signi-

ﬁcativamente el rendimiento de la generación de código, aunque lograr

un control óptimo sigue siendo un reto (Döderlein et al., 2023). Estos

hallazgos sugieren que el papel de la temperatura en el rendimiento de los

LLM es complejo y altamente dependiente del contexto. En concordancia

con quienes abordan este parámetro con cautela, se enfatiza que no se

trata únicamente de la temperatura, sino también de cómo otros valores

inﬂuyen en el resultado del prompt.

Por ejemplo, cuando se le solicita a ChatGPT que responda a la

pregunta “¿Qué es la Luna?” (Tabla 2), ajustando únicamente el paráme-

tro de temperatura y manteniendo el resto de la conﬁguración sin cam-

bios, observaríamos que las respuestas varían no solo en su estructura,

sino también en su signiﬁcado.

156

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Tabla 2

Respuestas del modelo a la pregunta: "¿Qué es la Luna?"

Temperatura Respuesta

0,2 La Luna es el único satélite natural de la Tierra, orbita alrededor del planeta

e inﬂuye en las mareas, con una superﬁcie marcada por cráteres y cuencas.

1La Luna es el satélite natural de la Tierra, un cuerpo celeste que orbita alrede-

dor de nuestro planeta y es su vecino cósmico más cercano.

Fuente: respuestas generadas por GPT-4o (OpenAI) en dos conﬁguraciones distintas de tempe-

ratura: 0,2 y 1,0. El experimento se realizó en el entorno OpenAI Playground. Para consultar el

código utilizado en este experimento véase el apéndice A.

A temperaturas más bajas (0,2), la respuesta es precisa, objetiva y

técnica, centrándose en detalles como el papel de la Luna al orbitar la

Tierra e inﬂuir en las mareas y sus características físicas, como cráteres y

cuencas. Esto reﬂeja la tendencia del modelo a dar prioridad a la claridad,

la precisión y el determinismo cuando la aleatoriedad es mínima.

En cambio, a mayor temperatura (1,0) la respuesta adopta un en-

foque más expresivo y estilizado, describiendo la Luna como “cuerpo ce-

leste” y “vecino cósmico más cercano”. Aunque sigue siendo coherente y

pertinente, esta versión introduce un tono más poético y creativo, ofre-

ciendo una perspectiva más amplia y menos técnica. Esta segunda deﬁni-

ción presenta la Luna como un objeto físico y utiliza recursos expresivos

que evocan imágenes más sugerentes.

A pesar de estar limitado a una sola frase, el ajuste de la tempera-

tura inﬂuye en el nivel de detalle, la creatividad y la variabilidad de las

respuestas, lo que demuestra la ﬂexibilidad del modelo para adaptarse a

distintos estilos y requisitos de salida.

Los parámetros de conﬁguración no son neutros; responden a la

intencionalidad humana orientada hacia distintas formas de ser y cono-

cer. Optar por la precisión reﬂeja una búsqueda de objetividad y control,

subordinando el lenguaje a criterios pragmáticos y funcionales. Por el

contrario, privilegiar la creatividad abre el horizonte a respuestas me-

nos previsibles, permitiendo que surjan nuevas posibilidades de sentido.

Se debe evitar la tentación de asignar valor moral a una opción sobre

la otra. Sin embargo, lo que sí puede aﬁrmarse es que las variaciones

sintácticas y semánticas inﬂuyen claramente en la modelización de las

distintas narraciones.

De ahí se derivan innumerables problemas de investigación: al

conﬁgurar el modelo para “ser creativo”, proyecto mi libertad sobre un

157

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

sistema que no la posee, reduciendo la creatividad a una operación pro-

babilística: ¿qué implica esta búsqueda de precisión y creatividad para

la naturaleza del lenguaje? Al conﬁar en un sistema que emula, pero no

comprende el signiﬁcado, ¿no corremos el riesgo de empobrecer la au-

téntica imprevisibilidad de la experiencia humana? Entonces, ¿qué peso

tienen estas consideraciones a la hora de elaborar modelos concretos? Por

ejemplo, más allá del debate técnico y de los diversos estudios de casos en

busca de optimización, ¿Qué debe entenderse por temperatura en contex-

tos donde el objetivo es desarrollar un chatbot educativo o uno diseñado

para cumplir una función social especíﬁca? Lamentablemente, no existen

respuestas deﬁnitivas a estas preguntas. Por desgracia, aún no tenemos

respuestas deﬁnitivas a estas preguntas. Normalmente, estos parámetros

se ajustan empíricamente, modulando los valores en función de los resul-

tados prácticos. Por lo tanto, se necesita complementar el enfoque técnico

predominante con una intervención más rigurosa y crítica de la ﬁlosofía y

las ciencias sociales.

Top P: la probabilidad como horizonte de sentido

El segundo ejemplo examina el parámetro Top P. En este caso, el pará-

metro determina qué probabilidades de token se tendrán en cuenta en

la salida, orientando el modelo hacia respuestas más predecibles (valores

bajos) o salidas más diversas y menos esperadas (valores altos). Este pará-

metro, también conocido como “muestreo de núcleos”, es una técnica que

controla la probabilidad acumulada de las palabras seleccionadas por un

modelo lingüístico al generar una respuesta.

Al ajustar el Top P, se decide cuántas palabras o tokens (en función

de su probabilidad) se tendrán en cuenta en el proceso de generación de

texto. El ejemplo (tabla 3) muestra los resultados de la consulta con dife-

rentes valores de Top P.

Tabla 3

Respuestas del modelo al prompt: En un máximo

de cuatro frases, describa una escena de una "ciudad futurista"

con diferentes conguraciones Top P

Top P Respuesta

0,2

En el corazón de la ciudad futurista, se extienden altísimos rascacie-

los con relucientes fachadas de cristal hacia el cielo, y sus superﬁcies vi-

vas tienen dinámicos anuncios holográﬁcos. Los drones autónomos es-

tán en el aire, entregando paquetes y vigilando en tiempo real, mientras

158

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

que los vehículos sin conductor se deslizan silenciosamente por las autopis-

tas de varios niveles. Las calles están repletas de personas, muchas de ellas

acompañadas por robots controlados por IA que conversan con ellos o los

ayudan en sus tareas cotidianas. En lo alto, una red de espacios verdes y pa-

neles solares contrasta con el área urbana y ofrece un atisbo de naturaleza

en medio de la maravilla tecnológica.

Las luces de neón bañan la ciudad de colores vibrantes mientras los vehí-

culos autónomos se deslizan silenciosamente por las autopistas de varios

niveles. Se ven rascacielos imponentes adornados con jardines verticales, y

sus superﬁcies acristaladas reﬂejan la bulliciosa metrópolis. La gente, acom-

pañada de robots humanoides, pasea entre muestras de arte holográﬁco en

grandes plazas con paneles solares. Por encima, los drones vuelan en el aire,

gestionando eﬁcazmente las entregas y la vigilancia, al tiempo que garanti-

zan el perfecto funcionamiento de la ciudad.

Fuente: respuestas generadas por GPT-4o (OpenAI) con dos ajustes Top P diferentes: 0,2 y 1,0. El

experimento se realizó en el entorno OpenAI Playground. Para consultar el código utilizado en

este experimento véase el apéndice A.

Como puede verse, en Top P = 0,2, la respuesta es más estructurada

y lineal, progresando metódicamente de las calles al cielo, centrándose

en detalles tecnológicos y descripciones funcionales. La sintaxis en este

ejemplo es especíﬁca. Todo el párrafo es una amplia descripción de ob-

jetos y cosas. Las frases se basan en expresiones subordinadas, creando

un ﬂujo descriptivo constante. El lenguaje hace hincapié en la precisión,

destacando ideas como “autopistas de varios niveles” y “espacios verdes”,

que reﬂejan un equilibrio entre tecnología y naturaleza.

En cambio, en Top P = 1,0, la respuesta es más dinámica y seg-

mentada, centrándose en imágenes vívidas y estilísticas más que en una

progresión espacial estricta. La sintaxis es más breve, lo que conﬁere al

texto un ritmo más rápido. El lenguaje es más rico y evocador, introdu-

ciendo expresiones creativas como “luces de neón”, “jardines verticales”

y “exposiciones de arte holográﬁco”, que transmiten un paisaje urbano

visualmente imaginativo.

En resumen, el Top P = 0,2 produce una descripción técnica deta-

llada, mientras que el Top P = 1,0 produce una representación más crea-

tiva, expresiva y visualmente rica. Se puede llegar a decir que el futuro se

ve de forma diferente en ambos casos. En deﬁnitiva, en una descripción,

es el futuro desde el punto de vista de las cosas; en el segundo ejemplo, es

el futuro desde el punto de vista subjetivo.

El hecho de delimitar las opciones probables es, en deﬁnitiva, una

selección que afecta al signiﬁcado. Por otra parte, también equivale a es-

tablecer ﬁltros intencionales en el horizonte lingüístico del modelo. Sin

embargo, esta decisión no es neutra: es una elección discursiva, incluso

159

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

en términos foucaultianos. Según la estrategia, las voces potenciales y las

interpretaciones, cada aﬁrmación excluye o incluye. ¿Qué realidades si-

lenciamos al restringir la probabilidad? ¿Qué posibilidades de lenguaje y

pensamiento se pierden cuando priorizamos la precisión técnica sobre la

apertura ontológica del discurso?

Michel Foucault (1994a, p. 241) creía que las prácticas discursivas

no son pura y simplemente formas de crear discurso. Toman forma en

el conjunto de técnicas, instituciones y pautas de comportamiento, entre

otras, que las imponen y sostienen. De ahí que es de gran importancia

centrar el análisis en estos ﬁltros inmediatos. Por un lado, pone de relieve

su conexión con narrativas más generales; por otro, insiste en la falta de

neutralidad de la tecnología. Al igual que desde la fenomenología críti-

ca se asume que no hay fenómeno fuera de las circunstancias políticas

tampoco Foucault (1994b, p. 465) pensó que el poder estuviera fuera del

discurso. El poder no es ni la fuente ni el origen del discurso, sino que

funciona a través de él.

Penalización de frecuencia y penalización de presencia:

la repetición como fenómeno de sentido

El parámetro “penalización de frecuencia” está diseñado para reducir la

repetición de palabras o frases en el texto generado, y funciona añadiendo

un valor a la probabilidad logarítmica de un token cada vez que aparece

en el resultado generado. En consecuencia, cuanto mayor sea el valor de

la penalización por frecuencia, más evitará el modelo reutilizar los mis-

mos tokens, aumentando la variedad y reduciendo la redundancia. Por

ejemplo, con un valor bajo, el modelo podría repetir palabras relevantes

para el contexto, mientras que, con un valor alto, buscará alternativas para

mantener la diversidad lingüística.

Por otro lado, el parámetro de “penalización por presencia” pro-

mueve la inclusión de una mayor variedad de tokens, fomentando la crea-

tividad en el texto generado. Funciona restando un valor a la probabili-

dad logarítmica de un token cada vez que se utiliza, lo que disminuye la

probabilidad de que el modelo repita palabras generadas previamente.

Un valor alto de penalización por presencia aumenta la posibilidad de

introducir nuevas ideas o conceptos, evitando que el modelo se limite a

los mismos temas.

160

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

Tabla 4

Respuestas del modelo a la pregunta:

"Escribe una breve descripción de un bosque en primavera

en no más de tres frases" con diferentes conguraciones

de penalización por frecuencia y presencia

Frecuencia y

Penalización

Sanción por

presencia Respuesta

0 0

En primavera, el bosque se llena de vida con un tapiz de ver-

des vibrantes y hojas frescas que se despliegan por todas las

ramas. El aire se llena con la sinfonía del canto de los pájaros

y el suave susurro del nuevo follaje. Las ﬂores silvestres salpi-

can el suelo del bosque, proporcionando coloridas manchas

en medio del exuberante verdor.

1 0

En primavera, el bosque cobra vida con un vibrante tapiz de

hojas verdes frescas y ﬂores, mientras el sol se ﬁltra suave-

mente a través del dosel. El aire sopla con energía renovada,

lleno del canto de los pájaros que regresan de sus migracio-

nes invernales y del suave susurro de la fauna que se des-

pierta. Las ﬂores silvestres cubren el suelo del bosque de bri-

llantes tonalidades, transformándolo en un colorido mosaico

que celebra los nuevos comienzos.

0 1

En primavera, el bosque despierta con un vibrante tapiz de

verdes a medida que las hojas se despliegan de los árboles.

Una sinfonía de cantos de pájaros llena el aire, mientras las

ﬂores silvestres cubren el suelo del bosque y lo llenan de co-

lor. El fresco aroma de la tierra se mezcla con la luz del sol,

creando una atmósfera de renovación y vitalidad.

1 1

En primavera, el bosque se llena de vida con un vibrante dosel

de hojas verdes y coloridas ﬂores silvestres que cubren el suelo.

El aire se llena con el canto de los pájaros y el suave susurro

del nuevo follaje agitado por una suave brisa. La luz del sol se

cuela entre los árboles y dibuja alegres dibujos en el suelo del

bosque mientras la naturaleza despierta de su letargo invernal.

Fuente: respuestas generadas por GPT-4o (OpenAI) bajo diferentes conﬁguraciones de penali-

zación por frecuencia y penalización por presencia. El experimento se llevó a cabo en el entorno

OpenAI Playground. Para consultar el código utilizado en este experimento véase el apéndice A.

Las respuestas muestran cómo la penalización por frecuencia y

presencia inﬂuye en el estilo, la estructura y la variedad del texto gene-

rado. En el primer caso, en el que ambas penalizaciones se ﬁjan en cero,

la respuesta es coherente pero repetitiva y se basa en gran medida en

la elección de palabras predecibles. Con una penalización de frecuencia

más alta, como en el segundo caso, el modelo reduce la redundancia, pro-

duciendo un resultado más diverso y reﬁnado a la vez que mantiene la

161

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

atención en la descripción central. Cuando se aumenta la penalización

por presencia, como en el tercer caso, la respuesta se vuelve más creati-

va, introduciendo nuevas imágenes y detalles sensoriales que amplían el

abanico temático. Por último, cuando se aplican ambas penalizaciones

simultáneamente, la respuesta equilibra la variedad y novedad, evitando

la repetición y potenciando la expresividad.

Por tanto, el ajuste de estos parámetros implica un compromiso en-

tre la uniformidad algorítmica y la riqueza del lenguaje. En última instan-

cia, ¿cuál es el límite entre riqueza y eﬁcacia? ¿Cuánto debe sacriﬁcar un

usuario en aras de la optimización? ¿En qué contextos es ideal la precisión

y en cuál es la profundidad semántica? ¿Hasta qué punto debería el len-

guaje reﬂejar la diferencia en lugar de la repetición mecánica del mundo?

Estas son solo algunas de las muchas preguntas que pueden plan-

tearse y dejarse para futuras investigaciones. La ingeniería de prompt pue-

de basarse en otros parámetros que no he mencionado aquí producto de

la brevedad. Entre ellos están la “longitud máxima”, que limita el número

de tokens generados, y las “secuencias de parada”, que indican al mode-

lo cuándo debe detener su salida. También hay que prestar atención al

“mensaje del sistema”, un elemento fundamental que inﬂuye directamen-

te en la interacción y el comportamiento del modelo.

Conclusiones

A partir del análisis de distintos parámetros, la ﬁlosofía del prompting

se perﬁla como una herramienta indispensable para abordar cuestiones

relativas a las estructuras ontológicas, éticas y epistemológicas. Los resul-

tados indican que las indicaciones no son simples instrucciones técnicas,

sino mediaciones impregnadas de intencionalidad humana.

Como se ha comentado anteriormente, el prompt funciona como un

espacio de encuentro entre la intencionalidad del sujeto y la respuesta gene-

rada por el modelo. Su análisis fenomenológico permite comprender cómo

la interacción con los chatbots introduce nuevos modos de ser en el mundo.

Aunque el lenguaje técnico suele ocultar su complejidad, el presente estu-

dio ha demostrado que cada prompt reﬂeja decisiones humanas, explícitas

o implícitas, que conﬁguran los límites y las posibilidades del conocimiento.

Lo que es crucial en este caso es que, hoy en día, la realidad del

prompt es casi omnipresente. Son pocos los espacios en los que los indi-

viduos no se enfrentan a chatbots que han sido conﬁgurados mediante

prompts para ofrecer respuestas especíﬁcas y reforzar determinadas narra-

162

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

tivas del mundo, o bien que son utilizados mediante prácticas de promp-

ting rudimentarias. El resultado apunta en la misma dirección en todos los

casos: se necesita más conocimiento y educación sobre estas herramientas.

El análisis de las instrucciones revela que la responsabilidad sigue re-

cayendo en el agente humano. Es el usuario quien deﬁne los parámetros,

estructura las instrucciones y asigna signiﬁcado a las respuestas. Por lo que

es imperativo reconocer esta responsabilidad para evitar caer en narrativas

que antropomorﬁcen a la IA o exageren su alcance. En este sentido, los pará-

metros de conﬁguración como la temperatura, el Top P y las penalizaciones

por frecuencia y presencia demuestran cómo las elecciones técnicas conlle-

van a implicaciones tanto discursivas como éticas. La manipulación de estos

valores no es neutral: privilegiar la precisión sobre la creatividad, o viceversa,

determina los resultados del modelo y la construcción de signiﬁcados.

Por último, este trabajo propone la necesidad de un enfoque inter-

disciplinario que integre la ﬁlosofía crítica con el desarrollo técnico de la

IA. La ingeniería de prompts debería ser capaz de incorporar un análisis

experimental del prompting junto con un análisis crítico del mismo. A su

vez, la educación tiene un papel clave en la formación de individuos capa-

ces de relacionarse críticamente con los sistemas de IA, comprendiendo

tanto sus alcances como sus límites.

No se trata de que cada línea conlleve a una reﬂexión ﬁlosóﬁca,

sino de que la ﬁlosofía debería pensar mucho más en las condiciones

de posibilidad del código, en las estrategias y técnicas discursivas de un

lenguaje que empieza a ser cada vez más común, porque en deﬁnitiva,

como explica Vallor (2024), esta revolución no es más que una ilusión, un

gigantesco espejo “hecho de código, construido para consumir nuestras

palabras, nuestras decisiones, nuestro arte, nuestras expresiones de amor

y cuidado, solo para reﬂejarlas de nuevo hacia nosotros” (p. 194). Esto

signiﬁca que, en última instancia, los problemas de esta nueva era radican

mucho más en nosotros de lo que pensamos.

Bibliografía

B ORY, Pa olo, NATALE, Simone, & KATZENBACH, Christian

2024 Strong and Weak AI Narratives: An Analytical Framework. AI & Society, 40,

2107-2117. https://doi.org/10.1007/s00146-024-02087-8

BRINGSJORD, Selmer, & GOVINDARAJULU, Naveen Sundar

2024 Artiﬁcial Intelligence. En E. N. Zalta & U. Nodelman (eds.), e Stanford

Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University.

https://bit.ly/4lBcdZp

163

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

BUCKNALL, Benjamin, & DORI-HACOHEN, Shiri

2022 Current and Near-Term AI as a Potential Existential Risk Factor. Procee-

dings of the 2022 AAAI/ACM Conference on AI, Ethics, and Society, 119-129.

https://doi.org/10.1145/3514094.3534146

CHIARELLA, Salvatore, TORROMINO, Giulia, GAGLIARDI, Dionigi, ROSSI, Dario,

BABILONI, Fabio, & CARTOCCI, Giulia

2022 Investigating the Negative Bias towards Artiﬁcial Intelligence: Eﬀects of

prior Assignment of AI-authorship on the Aesthetic Appreciation of Abs-

tract Paintings. Computers in Human Behavior, 137, 107406. https://doi.

org/10.1016/j.chb.2022.107406

DESHPANDE, Ameet, RAJPUROHIT, Tanmay, NARASIMHAN, Karthik, &

KALYAN, Ashwin

2023 Anthropomorphization of AI: Opportunities and Risks. Arxiv. 23 de mayo.

https://doi.org/10.48550/ARXIV.2305.14784

DÖDERLEIN, Jean-Baptiste, ACHER, Mathieu, KHELLADI, Djamel, & COMBE-

MALE, Benoit

2023 Piloting Copilot and Codex: Hot Temperature, Cold Prompts, or Black Ma-

gic? Arxiv. 15 de febrero. https://doi.org/10.48550/arXiv.2210.14699

FLORIDI, Luciano

2023 e Ethics of Articial Intelligence. Oxford University Press. https://doi.

org/10.1093/oso/9780198883098.001.0001

FOUCAULT, Michel

1994a Dits et Écrits 1970-1975 (vol. 2). París: Gallimard.

1994b Dits et Écrits 1976-1979 (vol. 3). París: Gallimard.

GOERTZEL, Ben

2015 Superintelligence: Fears, Promises and Potentials: Reﬂections on Bostrom’s

Superintelligence, Yudkowsky’s From AI to Zombies, and Weaver and

Veitas’s “Open-Ended Intelligence”. Journal of Ethics and Emerging Technolo-

gies, 25(2), 2. https://doi.org/10.55613/jeet.v25i2.48

GONZÁLEZ, Jorge

2024 Artiﬁcial Intelligence and the NewDynamics of Social Death: A CriticalPhe-

nomenological Inquiry. SSRN.http://dx.doi.org/10.2139/ssrn.4955995

GU, Jindong, HAN, Zhen, CHEN, Shuo, BEIRAMI, Ahmad, HE, Bailan, ZHANG, Gen-

gyuan, LIAO, Ruotong, QIN, Yao, TRESP, Volker, & TORR, Philip

2023 A Systematic Survey of Prompt Engineering on Vision-Language Founda-

tion Models. Arxiv. 24 de julio. https://doi.org/10.48550/arXiv.2307.12980

HARARI, Yuval Noah

2023 Yuval Noah Harari argues that AI has hacked the operating system of hu-

man civilisation. e Economist. 28 de abril. https://bit.ly/3DippkO

HARTMANN, Jochen, SCHWENZOW, Jasper, & WITTE, Maximilian

2023 e political ideology of conversational AI: Converging evidence on ChatGPT’s

pro-environmental, le-libertarian orientation. Arxiv. 5 de enero. https://doi.

org/10.48550/arXiv.2301.01768

HEIDEGGER, Martin

1996 Being and Time. Nueva York: State University of New York Press.

KUMAR, Shailendra, & CHOUDHURY, Sanghamitra

164

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

Fenomenología crítica del prompting en la inteligencia articial

Critical Phenomenology of Prompting in Articial Intelligence

2023 Humans, Super Humans, and Super Humanoids: Debating Stephen

Hawking’s doomsday AI forecast. AI and Ethics, 3(3), 975-984. https://doi.

org/10.1007/s43681-022-00213-0

LIU, Hong

2014 Philosophical Reﬂections on Data. Procedia Computer Science, 30, 60-65.

https://doi.org/10.1016/j.procs.2014.05.381

MERLEAU-PONTY, Maurice

1993 Fenomenología dela percepción. Buenos Aires: Planeta.

MESKÓ, Bertalan

2023 Prompt Engineering as an Important Emerging Skill for Medical Professio-

nals: Tutorial. Journal of Medical Internet Research, 25, e50638. https://doi.

org/10.2196/50638

PEEPERKORN, Max, KOUWENHOVEN, Tom, BROWN, Dan, & JORDANOUS, Anna

2024 Is Temperature the Creativity Parameter of Large Language Models? Arxiv.

1 de mayo. https://doi.org/10.48550/arXiv.2405.00492

PLACANI, Adriana

2024 Anthropomorphism in AI: Hype and fallacy. AI and Ethics, 4(3), 691-698.

https://doi.org/10.1007/s43681-024-00419-4

PROMPTING TECHNIQUES-NEXTRA

2024 Prompting Techniques. https://bit.ly/4gfQaFc

RICOEUR, Paul

2010 Memory, History, Forgetting. University of Chicago Press.

ROSER, Max

2024 e Brief History of Artiﬁcial Intelligence: e World has Changed Fast-What

Might be Next? Our World in Data. 6 de diciembre. https://bit.ly/4iE1sVq

RUSSELL, Stuart, & NORVIG, Peter

2020 Articial Intelligence-A Modern Approach. Englewood Cliﬀs, NJ: Pearson.

SARTRE, Jean-Paul

1984 Being and Nothingness. Washington Square Press.

SEARLE, John

1980 Minds, Brains, and Programs. e Behavioral and Brain Sciences, (3), 417-

457. https://doi.org/10.1017/S0140525X00005756

SILVA, Altieres de Oliviera, & JANES, Diego dos Santos

2022 e Emergence of ChatGPT and its Implications for Education and Acade-

mic Research in the 21st Century. Review of Articial Intelligence in Educa-

tion, 3, e6-e6. https://doi.org/10.37497/rev.artif.intell.educ.v3i00.6

VALLOR, Shannon

2024 e AI Mirror: How to Reclaim Our Humanity in an Age of Machine in-

king (1ª ed.). Oxford University PressNew York. https://doi.org/10.1093/

oso/9780197759066.001.0001

WEISS, Gail, MURPHY, Ann, & SALAMON, Gayle

2019 50 Concepts for a Critical Phenomenology. Northwestern University Press.

https://doi.org/10.2307/j.ctvmx3j22

ZARIFHONARVAR, Ali

2023 Economics of ChatGPT: A Labor Market View on the Occupational Impact of

Articial Intelligence [Ponencia]. Kiel, Hamburg: ZBW-Leibniz Information

Centre for Economics. https://bit.ly/4gBn4Qa

165

Sophia 39: 2025.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 141-165.

J G A

Apéndice A: datos complementarios

Los scripts de Python y los datos complementarios utilizados para rea-

lizar los experimentos presentados en este artículo se encuentran en el

Open Science Framework (OSF) y se puede acceder a ellos en https://doi.

org/10.17605/OSF.IO/UA3E5.

Este archivo incluye:

1. Scripts de Python para experimentos de temperatura, muestreo

Top P y parámetros de penalización.

2. Un archivo README que detalla el propósito de cada script,

cómo utilizarlos y sus dependencias.

3. Un archivo LICENSE que especiﬁca que la obra se publica bajo

la Licencia Universal Creative Commons Zero v1.0 (CC0), que

permite su uso, modiﬁcación y distribución sin restricciones.

Además, se ha cargado junto al artículo un archivo ZIP que contie-

ne los scripts de Python para facilitar el acceso.

Declaración de Autoría - Taxonomía CRediT

Autor/es Contribuciones

Jorge González Arocha

Conceptualización; metodología; investigación;

redacción-borrador original; redacción-revisión

y edición; visualización; soware; validación.

Declaración de uso de inteligencia articial

El autor Jorge González Arocha DECLARA que el manuscrito “Fenomenología crítica

del prompting en la inteligencia artiﬁcial” SÍ INCLUYE el uso de inteligencia artiﬁ-

cial (IA). La IA se empleó exclusivamente para generar ejemplos de prompts y sus

respuestas mediante la API de OpenAI, lo cual se requería para desarrollar el análisis

propuesto en el artículo. Algunas de las tablas y ﬁguras resultantes forman parte esen-

cial de la investigación y no habrían podido realizarse sin esta herramienta.

Fecha de recepción: 15 de diciembre de 2024

Fecha de revisión: 25 de febrero de 2025

Fecha de aprobación: 20 de abril de 2025

Fecha de publicación: 15 de julio de 2025