Ir al contenido principal
Español— Elegir un idioma
Menú

Casos de uso reales para salidas predichas

Lección 6 de 16 Actualizado el 29 de julio de 2026 Avanzado
En esta página
  1. Tres familias de casos de uso
  2. Caso de uso 1: Edición de código
  3. Caso de uso 2: Edición de texto
  4. Caso de uso 3: Relleno de plantillas
  5. Medición de las mejoras en el mundo real
  6. Puntos clave

Tres familias de casos de uso

El hilo conductor de estas tres familias es sencillo: las salidas predichas merecen la pena cuando la mayor parte de la salida ya se conoce de antemano. La naturaleza de la tarea (código, texto o plantilla) importa menos que la proporción del resultado que puedes proporcionar como predicción. Con un 90 % de contenido sin cambios, la mejora es drástica; con un 30 %, se vuelve insignificante, independientemente del caso de uso.

Ten presente esta proporción mientras exploras las tres familias siguientes. Representan escenarios en los que dicha proporción es naturalmente alta. En esta lección verás ejemplos concretos para cada categoría, junto con patrones que podrás replicar en tus propias aplicaciones.

Caso de uso 1: Edición de código

Este es el ajuste más natural porque el código maximiza mecánicamente la proporción: renombrar una variable en un archivo de 500 líneas deja 498 líneas estrictamente idénticas. Partes de un archivo de código existente y quieres realizar un cambio específico. El modelo solo necesita regenerar las líneas modificadas.

Renombrar una variable

existing_code = """
def calculate_total(items):
    tax_rate = 0.20
    subtotal = sum(item.price for item in items)
    tax = subtotal * tax_rate
    total = subtotal + tax
    return total
"""

prompt = (
    "Renombra la variable 'tax_rate' como 'vat_rate' en todo este código. "
    "Responde únicamente con el código modificado."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

El modelo sabe que la estructura del código permanece idéntica. Solo recalcula los tokens afectados por el cambio de nombre.

Cambiar una importación o dependencia

existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS

app = Flask(__name__)
CORS(app)

@app.route('/api/predict', methods=['POST'])
def predict():
    data = request.get_json()
    result = model.predict(data['input'])
    return jsonify({'prediction': result})
"""

prompt = (
    "Migra este código de Flask a FastAPI. "
    "Mantén la misma lógica de negocio. "
    "Responde únicamente con el código."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Caso de uso 2: Edición de texto

El texto sigue la misma lógica que el código, con un matiz importante: los cambios en el texto suelen estar menos localizados de lo que podrías pensar. Cambiar un número en un informe puede desencadenar reescrituras de la frase que lo comenta, del párrafo de resumen y de la conclusión. La mejora es real, pero mídela en tus documentos reales en lugar de asumir que equivale a la que observas con el código.

Actualizar una sección de un informe

report = """
# Q4 2025 Quarterly Report

## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.

## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.

## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""

prompt = (
    "Actualiza este informe para el primer trimestre de 2026 con los siguientes datos: "
    "Ingresos = 2,7 M€ (+17 %), margen = 24 %, 53 nuevos contratos, "
    "tamaño medio de operación = 51.000 € (+4 %). "
    "Para las perspectivas del segundo trimestre, menciona la expansión en la región del Benelux. "
    "Mantén exactamente la misma estructura."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": report}
    ],
    prediction={"type": "content", "content": report}
)

Caso de uso 3: Relleno de plantillas

Cuando dispones de una plantilla fija en la que solo cambian unos pocos valores, la predicción es casi perfecta:

email_template = """
Hello {name},

Following up on our conversation on {date}, I confirm the following points:

1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)

I remain at your disposal for any questions.

Best regards,
{signatory}
"""

# Rellenar parcialmente la plantilla para la predicción
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")

prompt = (
    "Completa este correo con la siguiente información: "
    "fecha = 28 de marzo de 2026, proyecto = Cloud Migration, "
    "fecha_inicio = 15 de abril de 2026, num_personas = 5, "
    "presupuesto = 85.000."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": prediction}
    ],
    prediction={"type": "content", "content": prediction}
)

Medición de las mejoras en el mundo real

Para evaluar la eficacia de las salidas predichas en tu caso de uso, compara sistemáticamente ejecuciones con y sin predicción:

import time

# Sin predicción
start = time.time()
resp_normal = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)
time_normal = time.time() - start

# Con predicción
start = time.time()
resp_predicted = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start

gain = (1 - time_predicted / time_normal) * 100
print(f"Sin predicción: {time_normal:.2f}s")
print(f"Con predicción: {time_predicted:.2f}s")
print(f"Mejora de latencia     : {gain:.1f}%")

La mejora varía según el porcentaje de contenido predicho correctamente. Para un cambio del 5 % en un archivo de 500 líneas, espera una reducción de la latencia del 60 % al 80 %.

Puntos clave

  • La edición de código (cambio de nombre, migración, refactorización ligera) es el caso de uso principal
  • La edición de texto (informes, documentos) se beneficia de una estructura estable
  • Las plantillas con pocos valores dinámicos ofrecen la mejor relación entre mejora y esfuerzo
  • Mide siempre la mejora real en tu contexto antes de desplegar en producción