¿Cuanto más contexto se le da a una IA, mejores son sus respuestas?

Más contexto no garantiza mejores respuestas. Cómo organizar objetivos, evidencias y estado de tareas sin perder restricciones al resumir.

Llevas varios días trabajando en una tarea y el historial de conversación no deja de crecer. Te preocupa que la IA olvide algo, así que vuelves a incluir los planes anteriores, los registros de errores, el historial de cambios y los materiales de referencia. Al final añades: «Continúa teniendo en cuenta todo el contexto».

Eso aporta más información, pero no garantiza que la IA tenga más claro qué debe hacer ahora. Un plan anterior puede haber quedado descartado, un registro de errores puede ser previo a una modificación y una afirmación de que algo «está terminado» puede no ser más que una valoración hecha en su momento.

Lo que realmente hay que ordenar es: en qué hechos debe basarse este paso, qué restricciones debe respetar y qué resultado debe producir.

Ya hablamos de la ingeniería de contexto en «Antes de cambiar de modelo para que la IA sea más inteligente». Esta vez la aplicamos al traspaso y la continuación de tareas largas. Este artículo se basa en investigaciones y materiales técnicos públicos, revisados el 10 de noviembre de 2026. La comparación propuesta en el texto aún no se ha llevado a cabo y no incluye datos medidos sobre mejoras de rendimiento.

Que quepa no significa que pueda utilizarse bien de forma fiable

La ventana de contexto describe la cantidad de información que un modelo puede recibir de una vez, pero esa capacidad no demuestra por sí sola que vaya a utilizar correctamente cada fragmento.

El estudio «Lost in the Middle» observó, en tareas de preguntas y respuestas sobre varios documentos y de recuperación de pares clave-valor, que la posición de la información relevante afectaba al rendimiento de los modelos evaluados. La caída de rendimiento era especialmente notable cuando la información se encontraba en medio de un contexto largo.[1]

El estudio se publicó en 2023. No permite afirmar que todos los modelos actuales tengan el mismo problema en igual medida, ni deducir una «longitud óptima» universal. Sí nos recuerda que la eficacia de un contexto largo debe juzgarse por los resultados de un modelo en una tarea concreta, no solo por el tamaño anunciado de su ventana.

El artículo de Anthropic sobre ingeniería de contexto también insiste en seleccionar información de alto valor y mantener el contexto actualizado conforme avanza la tarea. No recomienda simplemente acortarlo todo, sino reducir lo redundante sin perder lo necesario para especificar el comportamiento esperado.[2]

Por ejemplo, al analizar cláusulas de un contrato que se remiten unas a otras, puede ser importante conservar el contexto completo. Para corregir un fallo concreto en un botón, en cambio, incluir todo el código fuente de módulos ajenos quizá no ayude más que proporcionar los archivos pertinentes, los pasos para reproducir el error y los resultados de las pruebas.

Lo que más se confunde en una conversación larga es el «antes» y el «ahora»

Supongamos que estamos preparando una entrada de blog y que en el historial aparecen estas tres frases:

Primera versión: por ahora, no publicar.

Segunda versión: se puede publicar en el sitio web.

Requisito actual: publicar en el sitio web; en WeChat y Zhihu, guardar solo borradores.

Las tres frases forman parte real del historial, pero no imponen las mismas restricciones a la acción actual. Si el resumen de traspaso dice únicamente «el usuario autorizó la publicación», se pierde el alcance por plataforma. Si solo conserva la primera versión, detendrá un trabajo que ya estaba autorizado.

No basta con añadir «lee atentamente» para resolverlo por completo. El resumen debe indicar qué requisito está vigente y qué decisión sustituyó al anterior.

Del mismo modo, «se llamó a la API de guardado» y «se volvió a consultar y se confirmó que el borrador existe» deben registrarse por separado. Lo primero documenta una acción; lo segundo aporta una prueba para decidir si debe evitarse un envío duplicado.

Información Cómo conviene conservarla Qué hacer antes de continuar
Objetivo y alcance actuales del usuario Enumerarlos brevemente y conservar las palabras originales o la fuente cuando sea necesario Comprobar que ningún mensaje posterior haya cambiado el alcance
Archivos y versiones actuales Ruta, versión o identificador del commit Leer los archivos reales
Acciones completadas Identificador del objeto, acuse de recibo y resultado de la verificación Si hay ambigüedad, consultar el resultado antes de repetir la acción
Fallos y asuntos pendientes Punto concreto de fallo y métodos ya intentados Distinguir entre no ejecutado, ejecución fallida y resultado desconocido
Alternativas anteriores Mantenerlas archivadas e indicar por qué se descartaron Consultarlas solo cuando haga falta reconstruir el historial

Esta tabla propone una forma de organizar tareas; no garantiza las capacidades del modelo.

Primero, un resumen del estado; después, vías para consultar las fuentes

Un paquete de traspaso útil puede constar de un resumen breve y materiales que se puedan volver a consultar.

El resumen responde a «¿en qué punto estamos?»; los archivos, registros y enlaces responden a «¿en qué te basas para afirmarlo?». No hace falta introducirlo todo a la vez en el contexto del modelo.

Anthropic llama estrategia «just in time» a cargar los materiales cuando se necesitan: conservar identificadores ligeros, como las rutas, y leer el contenido llegado el momento. También señala que explorar los materiales durante la ejecución tiene un coste y puede llevar más tiempo; si no hay una buena forma de buscar, el modelo puede seguir pasando por alto información clave.[2]

Por eso, no basta con darle a la IA un directorio y suponer que encontrará la respuesta. Se le puede proporcionar un índice explícito:

Tarea: publicar el artículo A en el sitio web y guardar borradores en otras dos plataformas.
Alcance: sitio web público; WeChat y Zhihu, solo borradores.
Versión actual: ruta del archivo del texto y archivo de portada correspondiente.
Completado: publicación en el sitio web; la URL pública y el registro de verificación del texto están en el archivo indicado.
Pendiente: volver a consultar el borrador de Zhihu.
Desconocido: una solicitud de guardado agotó el tiempo de espera; no se puede confirmar si se guardó.
Siguiente paso: buscar primero el borrador por título y enlace al texto original; decidir si se reintenta solo después de confirmar el resultado.
Criterio de aceptación: informar por separado del estado de la página pública y de los borradores; no presentarlo todo como publicado.

Es una plantilla de ejemplo: las rutas y los acuses de recibo deben sustituirse por datos reales. Su valor está en separar el objetivo, el estado, las pruebas y el siguiente paso, de modo que «continuar» tenga un significado preciso.

Al comprimir, no elimines la incertidumbre

Las tareas largas necesitan resúmenes, pero un resumen puede perder condiciones importantes.

Si «la solicitud agotó el tiempo de espera y aún no se ha comprobado el resultado» se convierte en «la solicitud falló», en el siguiente turno podría crearse un duplicado. Si «solo se comprobó la vista previa local» se convierte en «verificación superada», podría omitirse la comprobación en producción.

Anthropic también advierte, al tratar la compresión del contexto, que una compresión excesiva puede eliminar detalles sutiles pero esenciales, especialmente condiciones cuya importancia solo se manifiesta más adelante.[2]

Una práctica prudente consiste en distinguir claramente en el resumen tres tipos de contenido: hechos observados, conclusiones basadas en esos hechos y cuestiones aún sin confirmar. Al guardar el resumen, hay que conservar las fuentes; al retomar la tarea, se debe volver a comprobar cualquier estado que afecte al siguiente paso.

También hay que preservar los criterios de aceptación originales. Si, tras sucesivas reducciones, el resumen del traspaso solo dice «dejar bien la página», pueden desaparecer requisitos iniciales como la visualización en móviles, las etiquetas de accesibilidad y el comportamiento de guardado.

Una respuesta más corta no demuestra que la organización haya funcionado

Para saber si organizar el contexto mejora los resultados, hay que comparar tareas equivalentes.

Se pueden preparar dos conjuntos de materiales: uno con el historial sin procesar y otro con un resumen del estado actual y fuentes para consultar cuando hagan falta. En ambos casos deben mantenerse iguales el modelo, los requisitos de la tarea, los permisos de las herramientas y los criterios de aceptación, y registrarse qué materiales se cargaron realmente.

Al comparar, conviene observar al menos si se omiten requisitos, si se cita un estado antiguo, si se repiten acciones, cuántas rondas de corrección hacen falta y cuáles son el tiempo total y el coste de las llamadas. No hay que seleccionar solo un ejemplo exitoso: las salidas del modelo varían, así que repetir la comparación varias veces ofrece una referencia más útil.

También se pueden plantear casos que pongan a prueba el enfoque: si una tarea exige contrastar muchos capítulos, ¿ha eliminado el resumen detalles necesarios? Si el índice de archivos está incompleto, ¿funciona peor la consulta bajo demanda que proporcionar el texto completo?

Una buena organización del contexto debe reducir el material irrelevante sin perder los detalles imprescindibles para completar la tarea. Cuando ambos objetivos entren en conflicto, hay que priorizar que la tarea pueda completarse y verificarse; después se puede discutir cuántas palabras se ahorraron.

Fuentes

  1. Liu y otros: Lost in the Middle: How Language Models Use Long Contexts, 2023. Este artículo cita las tareas y el efecto de la posición de la información descritos en su resumen, sin extrapolar los experimentos con modelos anteriores a una conclusión uniforme sobre todos los modelos actuales.
  2. Anthropic: Effective context engineering for AI agents, 2025-09-29. Fuente utilizada para comprobar las recomendaciones técnicas y limitaciones relativas a la selección de contexto, la consulta bajo demanda, la compresión y las notas estructuradas.

Ilustración conceptual generada con IA, no una fotografía de pruebas ni un diagrama de topología de red.

Discussion

Share a question or your experience. Comments appear after moderation. Your email is never displayed publicly. Comment privacy

Loading comments…