Ventana de contexto: qué cabe y qué puede pasar por alto la IA

Una ventana de contexto es el espacio total de tokens que un modelo de lenguaje de gran tamaño (LLM) puede usar en una solicitud: incluye tanto la entrada que lee como la salida que genera. En una ventana de 1M tokens, las instrucciones, los documentos y la conversación comparten ese espacio con la respuesta y, cuando el modelo lo utiliza, con el razonamiento. Que todo quepa en la ventana no significa que el modelo vaya a usar correctamente cada detalle.

¿Qué es la ventana de contexto en IA?

Imagina una mesa de trabajo. Sobre ella se acumulan documentos, instrucciones y tareas a medio terminar. Una mesa más grande permite desplegar más material, pero sigue haciendo falta espacio para trabajar. Y tener todos los documentos a la vista no garantiza que encuentres la cláusula que importa.

Un token es una unidad que procesa el modelo; a menudo corresponde a un fragmento de palabra, no a una palabra completa. El texto, el código y las demás entradas se convierten en tokens según las reglas de cada modelo. Cuenta los tokens de la solicitud real en lugar de calcular la capacidad a partir del número de páginas o del tamaño de los archivos. La guía de tokens de Google explica esta diferencia.

La entrada puede incluir material que nunca escribiste en el cuadro de chat:

• Instrucciones del sistema que definen el comportamiento del asistente.
• Tu mensaje actual y el historial de conversación que se conserva.
• Definiciones de herramientas que describen las acciones disponibles para el modelo.
• Resultados de herramientas, fragmentos recuperados, imágenes y documentos.

Anthropic incluye expresamente estos componentes en su cómputo del contexto. Por eso, una pregunta breve del usuario puede formar parte de una solicitud muy extensa.

¿En qué se diferencian la ventana de contexto y el límite de tokens?

La ventana de contexto limita la solicitud completa; el límite de salida restringe la parte que se genera. Los modelos de razonamiento pueden dedicar parte de ese presupuesto de generación a razonar antes de producir la respuesta visible. OpenAI documenta que la entrada, la salida y el razonamiento consumen espacio de la misma ventana.

En una ventana compartida, la regla para planificar es esta:

Los tokens de entrada más los tokens reservados para la generación deben caber en la ventana de contexto.

Incluye el razonamiento en esa reserva cuando el modelo lo contabilice ahí. Respeta también el máximo de salida independiente del modelo. Configurar un límite de salida alto no crea espacio adicional.

¿Qué determina la ventana de contexto de una herramienta de IA?

Determina cuánto material puede considerar el modelo a la vez en esa solicitud. No indica con qué precisión lo utilizará, qué guarda la aplicación entre sesiones ni qué parte de ese material almacenado volverá a enviar la próxima vez.

Para quien atiende casos de soporte, la diferencia es muy concreta: un ticket puede seguir guardado en el sistema de atención y, aun así, no estar en la entrada actual del asistente. Para quien desarrolla la aplicación, guardar la transcripción y preparar la siguiente solicitud al modelo son responsabilidades distintas.

Tamaño actual de la ventana de contexto: Claude, GPT-6 y Gemini 4

Los principales modelos de API de la tabla ofrecen ventanas de alrededor de un millón de tokens, pero sus reglas de salida importan tanto como esa cifra. Datos verificados en las páginas oficiales de los modelos el 16 de octubre de 2026. Cada fila enlaza directamente al proveedor: son especificaciones de API, no garantías sobre un plan de chat para consumidores ni sobre los límites propios de una aplicación.

La página actual de modelos de Claude indica la misma ventana y el mismo máximo de salida para todos los modelos mostrados. Por eso, el tamaño de la ventana sirve de poco para elegir entre ellos: compara cómo resuelven tu tarea.

GPT-6 Astra, GPT-6.1 Sol y GPT-6 Luna también comparten la capacidad indicada. Dos modelos con la misma ventana pueden comportarse de forma distinta al extraer información, planificar o programar. La especificación establece cuánto cabe, no cuál ofrece mayor calidad.

La capacidad de decodificación larga de Gemini 4 Argon forma parte de su ventana compartida. Según Google, la API limita la salida solicitada al espacio que queda después de la entrada; el razonamiento también consume ese presupuesto. No se puede sumar una salida extensa a una ventana ya llena de entrada. El cómputo de tokens de Gemini detalla la regla.

Un ejemplo con números: el prompt cabe, pero la respuesta no

Un prompt de un millón de tokens deja menos espacio para la respuesta del que podría sugerir el máximo de salida del modelo.

Tomemos los límites documentados de GPT-6 Astra. Supongamos que la solicitud completa contiene 1,000,000 tokens de entrada, incluidas las instrucciones, las herramientas, el historial y los documentos de referencia. Es un presupuesto ilustrativo, no una carga de trabajo medida. Quieres reservar los 128,000 tokens de generación que el modelo permite como máximo.

El cálculo es el siguiente:

• Ventana: 1,050,000 tokens.
• Espacio disponible después de la entrada: 1,050,000 − 1,000,000 = 50,000 tokens.
• Entrada más salida previstas: 1,000,000 + 128,000 = 1,128,000 tokens.
• Espacio que falta: 78,000 tokens.

La entrada cabe. La reserva prevista para la respuesta, no. El espacio restante debe alcanzar tanto para el razonamiento como para la respuesta visible.

Para reservar toda esa capacidad de salida, la entrada debe tener como máximo 922,000 tokens, resultado de 1,050,000 − 128,000, sin descontar todavía el margen adicional que necesite tu flujo de trabajo. No hace falta reservar el máximo en cada tarea: ajusta la reserva a la salida que esa tarea requiere.

¿Por qué una ventana más grande no garantiza recordar mejor?

Una solicitud puede caber y, aun así, producir una respuesta que omita información relevante incluida en ella. Es un fallo de calidad, aunque la API acepte el prompt.

Anthropic describe cómo disminuye la capacidad de recuperar información a medida que crece el contexto en su guía de ingeniería de contexto. El fallo no tiene por qué manifestarse como una negativa rotunda a responder. Un asistente puede pasar por alto una excepción, mezclar una política antigua con la que la sustituye o responder a partir de un fragmento cercano que parece pertinente.

El estudio Lost in the Middle, de Nelson F. Liu y colaboradores, encontró que el rendimiento al responder preguntas sobre documentos y recuperar pares clave-valor dependía de dónde aparecía la información relevante. La información situada en el centro podía ser más difícil de utilizar que la cercana a los extremos. Se trata de una investigación anterior, no de una evaluación de los modelos actuales de la tabla.

La calidad con contextos largos se debe medir en tu propia carga de trabajo. No hay una cantidad universal de tokens a partir de la cual todos los modelos dejen de ser fiables de repente.

Para un asistente de soporte, prepara un pequeño conjunto de evaluación con excepciones a políticas cuyas respuestas correctas ya conozcas. Compara una solicitud centrada en la política aplicable con otra más larga que incluya también políticas ajenas al caso. Coloca el pasaje decisivo al principio, en el centro y al final. Comprueba que la respuesta aplica la excepción correcta y cita la fuente adecuada.

Para un asistente de programación, plantea una pregunta que dependa de un archivo de implementación y del código que lo llama. Añade archivos no relacionados solo después de obtener la respuesta con el contexto centrado en la tarea. Si la versión más larga empeora, comprar más capacidad no explica el fallo.

Encontrar una frase distintiva aporta evidencia útil sobre la recuperación de información. No demuestra que el modelo pueda conciliar documentos contradictorios ni respetar todas las restricciones durante una tarea larga.

¿Qué hacer cuando el contexto es demasiado largo?

Quien desarrolla la aplicación debe revisar la solicitud completa. Quien la utiliza debe guardar el estado de la tarea antes de continuar la sesión. En ambos casos hay que distinguir entre una entrada rechazada y una respuesta que se detuvo por falta de espacio.

Para los modelos actuales de Claude, Anthropic documenta un error de prompt demasiado largo cuando la entrada por sí sola supera la ventana. Si la entrada cabe, pero la generación alcanza el límite, la respuesta puede detenerse con model_context_window_exceeded. Revisa el error o el motivo de finalización real en vez de dar por hecho que el sistema descartó mensajes antiguos sin avisar. Consulta el comportamiento de Claude al superar el contexto.

1. 1

   Cuenta todo lo que envía la aplicación

   Revisa en conjunto las instrucciones, los mensajes de la conversación, las definiciones de herramientas, los fragmentos recuperados y los resultados de herramientas. Usa el contador de tokens del proveedor cuando admita el formato de tu solicitud y contrasta su estimación con el uso que indica la respuesta. El endpoint de recuento de Anthropic acepta mensajes estructurados y muchos tipos de entrada, pero tiene restricciones para las herramientas del servidor y algunas fuentes de archivos.

2. 2

   Reserva espacio para la generación

   Anota la ventana del modelo, su máximo de salida y la reserva de salida que necesitas. Incluye el razonamiento cuando corresponda. Reduce el presupuesto de entrada en consecuencia; no trates cada token que queda como espacio para otro documento.

3. 3

   Localiza el material que no deja de crecer

   Busca resultados de búsqueda repetidos, registros completos, documentos duplicados y ramas abandonadas de la conversación. Un agente de programación puede necesitar la prueba que falla y la función pertinente; rara vez necesita la salida completa de todos los comandos anteriores que funcionaron en cada turno. Conserva la evidencia necesaria para verificar la próxima acción.

4. 4

   Guarda una nota para retomar el trabajo

   Antes de reiniciar o compactar, guarda el objetivo, las decisiones confirmadas, los asuntos pendientes, la ubicación de las fuentes relevantes y la siguiente acción. Si estás atendiendo un caso de un cliente, conserva la solicitud actual y la excepción de la política que corresponda. Vuelve a abrir la fuente original siempre que importe la redacción exacta.

5. 5

   Comprueba que el resultado siga siendo correcto

   Repite la tarea que fallaba con la solicitud reducida. Confirma que incluye la evidencia necesaria y que la respuesta es correcta. Si el prompt ya cabe, pero sigue omitiendo el detalle decisivo, revisa la selección de información y la capacidad de recuperarla en vez de seguir recortando a ciegas.

Si un flujo de trabajo breve y estable ya responde bien y se mantiene dentro de sus límites, conserva el modelo elegido. Una ventana anunciada como más grande no basta para justificar una migración.

Recuperación, resúmenes, compactación o caché: qué usar en cada caso

Elige la intervención según lo que esté ocupando espacio. Estas técnicas resuelven problemas distintos y pueden combinarse.

Usa recuperación de información cuando la colección de fuentes sea mucho mayor que el material necesario para responder. La generación aumentada por recuperación (RAG) aporta material seleccionado de las fuentes antes de que el modelo responda. Un asistente de soporte debería recuperar la política de devoluciones aplicable y el registro del pedido, en lugar de leer toda la base de conocimientos. La guía de RAG con agentes explica cómo un agente puede volver a buscar cuando la primera evidencia no basta.

El límite está en la selección: si la recuperación omite la excepción decisiva, el modelo no podrá utilizarla. Mantén un conjunto acotado de documentos completos en el contexto cuando la tarea exija comparar sus detalles a lo largo del trabajo, y evalúa si reducir ese conjunto elimina información necesaria.

Usa un resumen cuando los detalles anteriores puedan convertirse en un estado de la tarea que se conserve. Un resumen debe recoger qué se decidió, qué sigue sin estar claro y dónde están las fuentes que lo respaldan. En un cambio de código, eso puede incluir el enfoque elegido, el comportamiento que falla actualmente y las rutas de los archivos relevantes. No sustituyas una cláusula contractual exacta o un mensaje de error por una paráfrasis imprecisa si la siguiente decisión depende de su redacción.

Usa compactación cuando la propia conversación ocupe la mayor parte del espacio. La compactación sustituye el historial acumulado por un contexto más pequeño que permite continuar. Anthropic advierte que una compresión demasiado agresiva puede perder detalles importantes: revisa qué se conserva en lugar de tratar la conversación compactada como un archivo sin pérdidas. La explicación de Anthropic sobre compactación detalla ese compromiso.

La guía de ingeniería de contexto aborda de forma más amplia cómo elegir y mantener esos contenidos durante el trabajo de un agente.

Usa la caché de prompts cuando se repita una entrada útil. Permite reutilizar el procesamiento de un prefijo coincidente del prompt: la parte inicial de la solicitud que no cambia. Coloca las instrucciones estables y el material compartido antes del contenido variable, y sigue las reglas de caché del modelo. La guía actual de OpenAI incluye el comportamiento de los puntos de corte explícitos, mientras que la página de Gemini 4 Argon solo indica compatibilidad con caché implícita. Consulta la caché de OpenAI y la compatibilidad de Gemini con la caché.

Los prompts largos añaden tokens de entrada facturables. Los aciertos de caché pueden reducir el coste de la entrada repetida, según las reglas de escritura en caché, pero esos tokens siguen ocupando espacio en la ventana. El funcionamiento de la caché se explica en una guía aparte.

Compactar o reescribir el principio de un prompt puede reducir la reutilización de la caché. Conserva un prefijo estable mientras siga siendo útil; elimina el historial irrelevante cuando perjudique la solicitud. Una tasa alta de aciertos de caché no garantiza una buena respuesta.

¿Qué se exagera sobre los contextos largos?

A la cifra de capacidad se le suele pedir que demuestre cosas que no mide. No acredita una recuperación perfecta de la información, una memoria permanente ni la capacidad de sustituir cualquier flujo de recuperación por un prompt más grande.

El caso útil para ampliar la ventana es concreto: la tarea necesita más información relevante al mismo tiempo, la solicitud reducida pierde relaciones esenciales y la más grande produce resultados correctos en tu evaluación. Esa sí es una razón para aprovechar la capacidad.

Actúa cuando los registros, el historial o las colecciones de fuentes estén dejando sin espacio a la respuesta. Primero mejora lo que entra en la solicitud. Considera un modelo con una ventana mayor si el material relevante sigue sin caber. Espera si el flujo actual es fiable y lo único que te atrae es una especificación más alta.

Preguntas frecuentes sobre las ventanas de contexto

¿Qué es la ventana de contexto de un modelo de lenguaje de IA?

Es la capacidad de tokens que el modelo tiene en cada solicitud para la entrada que considera y la salida que genera. En los modelos de razonamiento, incluye también el razonamiento según las reglas del proveedor.

¿A cuánto equivale una ventana de contexto de 200K?

200K significa 200,000 tokens. No equivale a un número fijo de palabras ni de páginas; además, una ventana compartida debe dejar espacio para la salida generada. Cuenta tu material con el tokenizador del modelo elegido o con un endpoint de recuento compatible.

¿Qué significa contexto en programación?

El contexto es la información del entorno disponible para una operación. En una aplicación con un LLM, se refiere a las instrucciones, los mensajes y el material de apoyo que se reúnen para la solicitud actual al modelo.

¿Cuál sería un ejemplo de ingeniería de contexto?

Un asistente de soporte recibe el ticket actual, la política aplicable y un registro breve de las decisiones anteriores. Recupera información adicional cuando la necesita, en lugar de recibir todo el archivo de tickets.

¿Cuánto gana un ingeniero de contexto?

La especificación de una ventana de contexto no permite determinar un salario. Para contratar, define si el trabajo implica recuperación de información, desarrollo de aplicaciones, evaluaciones o infraestructura; después compara puestos con ese alcance en tu ubicación.

¿Cómo puedo aprender ingeniería de contexto?

Revisa las solicitudes completas de una aplicación pequeña. Modifica por separado las instrucciones, la información recuperada o el historial conservado y compara las respuestas con resultados correctos que ya conozcas. Aprende a explicar por qué un cambio hizo más correcta la respuesta, no solo por qué acortó el prompt.

¿Cuál es la diferencia entre ingeniería de contexto e ingeniería de prompts?

La ingeniería de prompts se centra en las instrucciones y los ejemplos que das al modelo. La ingeniería de contexto también abarca la selección de información, la disponibilidad de herramientas y la conservación del estado adecuado a medida que avanza el trabajo.

¿Cuáles son las buenas prácticas de ingeniería de contexto?

Calcula el presupuesto de la solicitud completa, reserva espacio para la salida, conserva la información relevante y guarda las referencias a las fuentes al resumir. Comprueba que la respuesta siga siendo correcta después de recortar o compactar.

¿Qué habilidades necesitan los agentes para gestionar bien el contexto?

Dale al agente herramientas específicas para encontrar fuentes, revisar los pasajes relevantes y conservar el estado de la tarea. Evalúalas por cómo ayudan sus resultados a tomar la siguiente decisión sin llenar la solicitud de material innecesario.

Una tarea para el lunes

Toma una solicitud que haya fallado o pasado por alto un detalle importante. Cuenta toda la entrada, reserva espacio para la salida esperada e identifica el bloque más grande que no ayude a responder la pregunta. Sustitúyelo por información seleccionada o por una nota para retomar el trabajo y repite la tarea comparando el resultado con una respuesta correcta conocida. Conserva la solicitud reducida solo si mantiene la evidencia y el resultado.

Para recibir guías prácticas sobre cómo crear flujos de trabajo fiables con IA, suscríbete al boletín.