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

¿Qué es la ventana de contexto?

Imagina el escritorio de un analista. Sobre él solo caben ciertos documentos a la vez; lo demás está en el archivo. La ventana de contexto es ese escritorio para un modelo de lenguaje de inteligencia artificial. Anthropic la define en su glosario como la cantidad de texto que el modelo puede revisar y usar al generar una respuesta: una «memoria de trabajo», distinta del enorme conjunto de datos con el que fue entrenado.

Todo cuenta dentro de ella. Según la documentación de Anthropic sobre ventanas de contexto, entran las instrucciones del sistema, cada mensaje de la conversación, los documentos, las imágenes, los resultados de herramientas, las definiciones de esas herramientas y la propia respuesta del modelo.

¿De qué tamaño es hoy?

Se mide en tokens. A noviembre de 2026, esa documentación indica que varios modelos actuales de Claude tienen una ventana de 1 millón de tokens, con hasta 128.000 tokens de respuesta por consulta, y que otros, como Claude Sonnet 4.5, tienen 200.000. Para dimensionarlo, Anthropic estima en otra publicación que 200.000 tokens equivalen a unas 500 páginas de material.

El tamaño cambia con cada generación de modelos y entre fabricantes, así que conviene revisarlo en la documentación vigente antes de diseñar un proceso.

¿Más grande siempre es mejor?

No. La misma documentación advierte que, a medida que crece el número de tokens, la exactitud y la capacidad de recordar se degradan, un fenómeno que llama context rot (degradación del contexto). Por eso concluye que elegir bien qué entra al contexto es tan importante como el espacio disponible.

Un estudio de 2023, «Lost in the Middle», encontró algo parecido: los modelos aprovechan mejor la información ubicada al inicio o al final de un texto largo, y su rendimiento cae de forma notable cuando el dato relevante está en el medio, incluso en modelos diseñados para contextos largos.

Un ejemplo en una empresa ecuatoriana

Un estudio jurídico quiere comparar un contrato de distribución de 80 páginas con su plantilla estándar. Ambos caben holgadamente en una ventana grande, así que el modelo puede leer los dos documentos completos y marcar las diferencias para el abogado.

Pero si la pregunta es «¿qué contratos de los últimos tres años tienen cláusula de exclusividad en la Costa?», no tiene sentido cargar miles de contratos en una sola consulta. Se usa RAG (generación aumentada por recuperación) para buscar primero los fragmentos relevantes y entregar solo esos.

¿Qué límites tiene?

• Costo: cada token que entra en la ventana se paga, aunque el modelo no lo use para responder.
• Conversaciones largas: cuando el historial se acerca al límite, hay que resumir o descartar lo antiguo, y se puede perder un detalle importante.
• Velocidad: el glosario de Anthropic menciona la complejidad de la consulta entre los factores que influyen en el tiempo de respuesta.

¿Cómo se relaciona con otros términos?

La ventana de contexto limita cuántas instrucciones y documentos caben en cada prompt. RAG y las bases de datos vectoriales existen, en buena parte, para aprovecharla mejor: en lugar de llenar el escritorio, le alcanzan al modelo solo las hojas que necesita.