Ventana de contexto: la memoria de trabajo de una IA
La ventana de contexto limita lo que un asistente de IA lee de una vez. Qué lee mal y los gestos sencillos para aprovecharla mejor.
En esta página
En 30 segundos
- Dónde ocurre
- En cualquier conversación con un asistente de IA, en cuanto se pega un documento largo o se dan varias instrucciones.
- Qué ocurre
- El modelo trabaja dentro de un límite de texto, y aun dentro de ese límite puede aprovechar mal una información situada en medio de un texto largo[3].
- El reflejo
- Dividir la tarea, poner la instrucción al principio y repetirla al final, y después comprobar la respuesta[5].
- Si ya lo ha hecho
- Relea la respuesta con el texto original delante, punto por punto.
De qué se trata
Cuando usted hace una pregunta a un asistente de IA, este responde a partir de la información que se le transmite: Google llama a esa información el contexto[2]. La cantidad de texto que el modelo puede tener en cuenta de una vez se llama ventana de contexto. Google la compara con la memoria a corto plazo: una persona solo puede retener una cantidad limitada de información, y lo mismo ocurre con los modelos generativos[2].
Esta ventana se mide en tokens, no en páginas. Los modelos recientes la han ampliado mucho, pero varias investigaciones muestran que una ventana grande no garantiza una lectura fiable de todo lo que contiene[3][4]. Este artículo explica lo que el empleado debe retener y los gestos que limitan los errores.
Preguntas directas
¿Qué es un token?
Un modelo de lenguaje empieza dividiendo el texto en unidades llamadas tokens: palabras, grupos de caracteres o combinaciones de palabras y signos de puntuación[1]. El método de división varía según el modelo. Los modelos GPT de OpenAI, por ejemplo, usan una división en subpalabras[1]. Microsoft señala que las palabras comunes de varias sílabas suelen caber en un solo token, mientras que las palabras menos frecuentes se cortan en sílabas[5].
¿Qué es la ventana de contexto?
Es el número máximo de tokens que el modelo puede procesar[1]. Este límite se expresa a menudo como una ventana combinada, que abarca a la vez los tokens de entrada (lo que usted escribe) y los de salida (lo que el modelo produce)[1]. Cuanto más larga es la entrada, menos espacio queda para la salida.
Microsoft da un ejemplo con cifras: con una ventana de 100 tokens y una frase de nueve palabras dividida palabra por palabra, la entrada ocupa nueve tokens y quedan 91 para la salida. Dividida carácter por carácter, la misma frase ocupa 34 y solo quedan 66[1].
¿Qué tamaño tiene hoy una ventana?
Según Google, la mayoría de los modelos generativos creados en los últimos años solo procesaban 8 000 tokens a la vez, y después modelos más recientes aceptaron 32 000 o 128 000 tokens[2]. Google indica que Gemini acepta 1 millón de tokens, lo que equivale a 8 novelas inglesas de longitud media o a 50 000 líneas de código[2].
¿El modelo conserva en la memoria lo que le he dado?
Los ejemplos que se introducen en una instrucción no cambian el modelo de forma duradera: solo lo orientan para la respuesta en curso[5]. Google describe métodos que se usaban para gestionar ventanas estrechas: descartar los mensajes antiguos a medida que llegan otros nuevos, o sustituirlos por un resumen cuando la ventana está a punto de llenarse[2].
¿Una ventana grande evita los errores?
No. Unos investigadores probaron varios modelos, entre ellos Claude 3, Gemini Pro, GPT 3.5 Turbo, Llama 3 Instruct y Mistral Instruct, en el análisis de sentimiento y la clasificación de artículos de prensa. Informan de que los modelos se muestran insuficientes ante las secuencias largas, a pesar de sus grandes ventanas[4]. Google también reconoce un límite: cuando se buscan varias informaciones precisas en un contexto largo, el modelo no alcanza la misma exactitud que para una sola, y el rendimiento puede variar mucho según el contexto[2].
Cómo funciona
Microsoft recuerda que, sea cual sea la instrucción, el modelo responde con lo que juzga más probable según sus datos de entrenamiento, y que no sigue una vía de procesamiento distinta para las preguntas[5].
La posición de la información importa. El estudio «Lost in the Middle», enviado en julio de 2023, midió el rendimiento de modelos en dos tareas: responder a una pregunta a partir de varios documentos y encontrar un valor asociado a una clave. Los autores observan que el rendimiento suele ser mejor cuando la información útil está al principio o al final del texto proporcionado, y que se degrada claramente cuando está en medio, incluso en modelos diseñados para contextos largos[3].
Microsoft describe por su parte un sesgo de recencia: la información situada al final de la instrucción puede influir más en la respuesta que la del principio[5]. Microsoft precisa también que el orden de los elementos puede cambiar el resultado, incluido el orden de los ejemplos dados al modelo[5].
La longitud tiene un coste. Los servicios de IA generativa suelen facturar por token y aplican un número máximo de tokens por minuto[1]. Para una organización que explota un asistente, OWASP clasifica entre los riesgos el envío continuo de entradas que superan la ventana de contexto, lo que puede provocar un consumo excesivo de recursos y degradar el servicio[7]. OWASP recomienda una validación estricta de las entradas para que no superen unos límites de tamaño razonables[7].
Lo que usted hace
- Divida la tarea. Microsoft indica que los modelos de lenguaje suelen funcionar mejor cuando la tarea se divide en pasos más pequeños, por ejemplo extraer primero los hechos pertinentes y redactar después lo demás[5].
- Ponga la instrucción al principio y repítala al final. Microsoft indica que enunciar la tarea al principio de la instrucción, antes del contexto y de los ejemplos, puede ayudar a producir mejores salidas, y que repetir las instrucciones al final de la instrucción merece la pena probarse[5]. Microsoft añade que sus pruebas con ChatGPT y GPT-4 dieron la misma respuesta con o sin la primera técnica[5].
- Dé al modelo una vía de escape. Microsoft sugiere, por ejemplo, pedir que responda «not found» si la respuesta no está presente, lo que puede ayudar al modelo a evitar una respuesta falsa[5].
- Proporcione el texto de referencia y pida citas. Microsoft recomienda encarecidamente dar al modelo datos en los que apoyarse cuando la respuesta deba basarse en información fiable y actualizada[5]. Pedir citas puede ayudar a reducir la frecuencia de las respuestas falsas, y las citas colocadas en el texto, junto a la afirmación, son mejores defensas que las citas al final de la respuesta[5].
- Compruebe siempre. Incluso con una instrucción bien redactada, Microsoft indica que hay que validar las respuestas del modelo, porque una instrucción que ha funcionado bien en un caso no se generaliza necesariamente[5].
Las trampas
El documento pegado puede contener instrucciones
Cuando un asistente lee un sitio web o un archivo, el contenido puede encerrar instrucciones que el modelo interpreta y que cambian su comportamiento: OWASP habla de inyección de instrucciones indirecta[6]. En un escenario que describe OWASP, un usuario pide a un modelo que resuma una página web con instrucciones ocultas, que conducen a la exfiltración de la conversación privada[6]. OWASP recomienda separar e identificar claramente el contenido no fiable, y prever una aprobación humana para las operaciones con privilegios[6].
Una ventana grande da una falsa seguridad
Google indica que, para una sola información buscada, se puede obtener alrededor del 99 % de acierto, pero que el resultado no es el mismo cuando hay que encontrar varias[2]. Una respuesta puede parecer completa y omitir, sin embargo, puntos de un texto largo.
Los consejos dependen del modelo
Microsoft advierte de que cada modelo se comporta de forma distinta y de que sus técnicas no se aplican igual a todos. Estas técnicas no se recomiendan para los modelos de razonamiento como gpt-5 y la serie o[5].
Fuentes
- Microsoft, «Understand tokens». https://learn.microsoft.com/en-us/dotnet/ai/conceptual/understanding-tokens (consultado el 14 de noviembre de 2026)
- Google, «Long context | Gemini Enterprise Agent Platform | Google Cloud Documentation». https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/long-context (consultado el 14 de noviembre de 2026)
- arXiv, «Lost in the Middle: How Language Models Use Long Contexts», 6 de julio de 2023. https://arxiv.org/abs/2307.03172 (consultado el 14 de noviembre de 2026)
- arXiv, «Efficient Solutions For An Intriguing Failure of LLMs: Long Context Window Does Not Mean LLMs Can Analyze Long Sequences Flawlessly», 3 de agosto de 2024. https://arxiv.org/abs/2408.01866 (consultado el 14 de noviembre de 2026)
- Microsoft, «Prompt engineering techniques». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultado el 14 de noviembre de 2026)
- OWASP, «LLM01:2025 Prompt Injection», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultado el 14 de noviembre de 2026)
- OWASP, «LLM10:2025 Unbounded Consumption», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/ (consultado el 14 de noviembre de 2026)
Citar este artículo
Brain, «Ventana de contexto: la memoria de trabajo de una IA», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp259_es_2026,
author = {Brain},
title = {Ventana de contexto: la memoria de trabajo de una IA},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/es/articles/ventana-de-contexto-llm/},
note = {CC BY 4.0}
}