Tabla de contenido
Ventana de contexto: cuánto puede leer una IA a la vez
La ventana de contexto explicada: qué significan los 500K de Grok y el millón de Claude, por qué se pierde el medio de un documento largo y cómo enseñarlo.
La ventana de contexto es la cantidad máxima de texto que un modelo puede tener delante durante un mismo pedido, medida en tokens. Ahí va todo: tu pregunta, el documento que pegaste, las instrucciones del sistema, cada turno anterior de la conversación y el propio razonamiento del modelo. Cuando se llena, algo tiene que salir.
Grok 4.5, lanzado el 8 de julio de 2026, salió con una ventana de 500.000 tokens. Los modelos actuales de Claude cargan un millón. Un millón de tokens son unas 750.000 palabras, o alrededor de ocho ejemplares de Cien años de soledad. Lo cual suena al final del problema.
No lo es, y la razón es lo más útil de este artículo: una ventana más grande no significa que el modelo preste la misma atención a todo su contenido.
Puntos clave
- La ventana de contexto contiene tu pedido, los documentos pegados, el historial de la conversación, las instrucciones del sistema y el razonamiento del modelo, todo contado en tokens junto.
- Grok 4.5 (8 de julio de 2026) tiene una ventana de 500K tokens con entrada de video nativa. Claude 4.6 y posteriores cargan un millón de tokens a precio estándar, sin recargo por pedidos largos.
- Liu et al. (TACL, 2023) encontraron una curva de desempeño en forma de U: los modelos rinden mejor cuando la información relevante está al principio o al final del contexto y “se degrada significativamente” cuando está en el medio.
- Esa U se mantiene incluso en modelos construidos explícitamente para contextos largos, y por eso “pega todo” es un consejo peor de lo que parece.
- Regla práctica para los chicos: pon lo importante primero o último, y nunca asumas que el modelo leyó la página 40 de 80 con el mismo cuidado que la página 1.
Qué hay realmente en la ventana
La ventana no es memoria. Es un escritorio de trabajo, reconstruido de cero en cada pedido. Nada se conserva si no se reenvía.
Eso significa que en el turno 15 de una conversación, el modelo no está recordando los turnos 1 al 14. Esos turnos se están mandando otra vez, como texto, llenando la ventana. Por eso los chats largos terminan volviéndose lentos, caros o empiezan a perder detalles del principio. Y por eso existe el caché de prompts como forma de volver barato ese reenvío.
Cinco cosas compiten por el mismo espacio:
- El prompt de sistema. Instrucciones de quien construyó la herramienta. A menudo miles de tokens, invisibles para el usuario.
- Definiciones de herramientas. Si el modelo puede buscar en la web o ejecutar código, las descripciones de esas herramientas también ocupan la ventana.
- Contenido pegado. Documentos, código, imágenes, transcripciones.
- Historial de la conversación. Cada turno anterior, de los dos lados.
- El razonamiento del modelo. En modelos con pensamiento extendido, la deliberación ocupa espacio de ventana a medida que se genera.
La documentación de Anthropic señala que para Claude 4.6 y posteriores, la ventana completa de un millón de tokens viene a precio estándar: “Un pedido de 900 mil tokens se factura a la misma tarifa por token que uno de 9 mil tokens”. Es un cambio importante frente al precio de contexto largo anterior, que solía traer recargo.
Las especificaciones de Grok 4.5, del 8 de julio de 2026, listan una ventana de 500K junto con razonamiento, entrada multimodal, conocimiento en tiempo real de X y entrada de video nativa. Grok 4.6 salió el 12 de agosto de 2026, según la cronología de lanzamientos de IA de 2026. Para comparar, el lanzamiento de Fable 5.1 del 1 de septiembre de 2026 reportó una ventana de un millón de tokens con 128K de salida máxima.
Por qué se pierde el medio
Aquí está el hallazgo de investigación que debería cambiar cómo tu familia usa documentos largos con IA.
Nelson Liu, Kevin Lin, John Hewitt, Ashwin Paranjape, Michele Bevilacqua, Fabio Petroni y Percy Liang publicaron “Lost in the Middle: How Language Models Use Long Contexts” en Transactions of the ACL. Su resultado central, en sus propias palabras: “el desempeño suele ser más alto cuando la información relevante aparece al principio o al final del contexto de entrada, y se degrada significativamente cuando los modelos deben acceder a información relevante en el medio de contextos largos”.
Lo probaron de dos formas: preguntas y respuestas sobre múltiples documentos, donde la respuesta está en uno de varios, y recuperación de pares clave-valor, donde el modelo tiene que encontrar un emparejamiento específico. En las dos, la precisión graficada contra la posición produjo una U. Alta al frente. Alta atrás. Un valle en el medio.
Y el detalle crucial: esto se mantuvo incluso en modelos diseñados explícitamente para contexto extendido. Tener espacio para un documento no es lo mismo que usarlo bien todo.
¿Por qué pasa? La respuesta honesta es que no está del todo resuelto. El mecanismo de atención que está en el corazón de todos estos modelos viene del artículo de Vaswani et al. de 2017, y cómo se distribuye la atención en secuencias muy largas sigue siendo una pregunta de investigación abierta. Entre los factores probables están cómo se reparte la atención entre posiciones durante el entrenamiento, el hecho de que los datos de entrenamiento tienen la información importante desproporcionadamente al inicio y al final de los documentos, y el comportamiento de la codificación posicional en rangos largos. Cualquiera que te dé una explicación confiada de causa única está exagerando lo que se sabe.
Lo que importa en la práctica es la forma de la curva, no su causa. Si tu hijo pega un PDF de 80 páginas y pregunta por algo de la página 40, la respuesta es menos confiable que si el mismo dato estuviera en la página 2 o en la 79. Es un efecto real y medido, no una intuición.
Tamaño de ventana contra atención utilizable
La industria pasó tres años compitiendo por el tamaño de ventana. Es un número limpio para anunciar, y más grande sí es mejor para algunas cosas: analizar una base de código completa, leer una novela entera, sostener una sesión larga de agentes.
Pero tamaño de ventana y atención utilizable son propiedades distintas, y solo una se anuncia. Un modelo con ventana de un millón de tokens y una curva de atención en U pronunciada rendirá peor con un documento de 500 páginas que un modelo con ventana de 200K al que le pasaste el material en trozos bien elegidos.
Las técnicas prácticas que salen de esto son lo bastante simples para alguien de secundaria:
Corta a propósito. En lugar de pegar 80 páginas y hacer una pregunta, pega las 10 páginas relevantes. Menos contexto, mejor atención, más barato.
Pon la pregunta al final. Si el modelo rinde mejor en los extremos, y tu pregunta es lo que más quieres que atienda, ponla última. Esta es la razón genuina por la que muchas guías de prompts te dicen que repitas la pregunta después de un documento largo.
Repite las restricciones críticas. Si hay una regla que no se puede violar (“cita solo del texto provisto”), dila arriba y otra vez abajo.
Empieza una conversación nueva para un tema nuevo. Una ventana limpia es mejor y más barata que una que carga 40 turnos de historial ajeno.
¿Y en América Latina?
Hay dos ángulos regionales concretos. El primero es el idioma: como el mismo texto en español suele consumir más tokens que en inglés, una ventana de 500K o de un millón alcanza para menos páginas de material en español que lo que sugiere la cuenta. No cambia el mecanismo, pero sí cambia la aritmética cuando tu hijo pega un capítulo de historia en español.
El segundo es el hábito de estudio, y ahí conecta con datos. Los resultados de PISA 2025 de la OCDE, publicados el 8 de septiembre de 2026, muestran caídas de lectura en casi toda la región, y que los estudiantes colombianos están entre los que más usan chatbots de IA para aprender. La combinación es incómoda: pegar un documento entero y pedir un resumen es exactamente la conducta que salta la lectura profunda, y además es la que más sufre el efecto de perder el medio. Cortar el material a mano, elegir las diez páginas relevantes y poner la pregunta al final es más trabajo y es, justamente, el trabajo que la prueba mide.
Dicho simple: la técnica que ahorra dinero en tokens y la técnica que protege la comprensión lectora son la misma técnica.
Cómo enseñarle esto a tu hijo
La ventana es un escritorio, un pizarrón o una mochila. Usa el objeto que tu hijo de verdad usa.
De 5 a 8 años: la bandeja del almuerzo
Dale una bandeja o una caja chica y un montón de juguetes. Pídele que acomode todo en la bandeja. No puede. Pregúntale qué cosas dejaría afuera. Después dile: “Las computadoras que contestan preguntas tienen una bandeja así. Solo pueden mirar cierta cantidad de cosas a la vez. Si les das demasiado, algo se cae”. Y ahora la segunda mitad: pon diez juguetes en la bandeja, pídele que cierre los ojos y pregúntale cuáles recuerda. Va a nombrar los primeros y los últimos. Señálaselo. Esa es la curva en U, descubierta por alguien de seis años.
De 9 a 12 años: esconder el dato
Escribe veinte datos cortos en una lista numerada. Léele la lista en voz alta una vez, a velocidad normal. Después pregúntale por el dato 3, el 11 y el 19. Casi todos aciertan el 3 y el 19 y fallan el 11. Ahora cuéntale que Liu et al. encontraron exactamente el mismo patrón en modelos de lenguaje, publicado en un artículo de 2023, y que se llama “perdido en el medio”. Después hazle la pregunta útil: si tuvieras que esconder un dato importante donde el modelo lo encuentre, ¿dónde lo pondrías?
De 13 en adelante: correr el experimento
Que tu hijo arme una prueba real. Toma un artículo largo, unas 3.000 palabras. Inserta una oración inventada pero específica (“El comité se reunió un martes en Cartagena”) en tres posiciones: cerca del inicio, en el medio exacto y cerca del final. Corre tres pedidos separados, cada uno con una ubicación, pidiéndole al modelo que encuentre esa oración. Registra acierto o fallo. Repite con un artículo más largo. Está replicando el hallazgo de “perdido en el medio” con una muestra de seis, que es chica pero real, y después va a entender el artículo de una forma que ningún resumen logra.
La pregunta que debes hacer: “Si solo puedes mirar una página a la vez, ¿cómo encontrarías una oración en cien páginas?”
Modelo y ventana: qué cabe y qué significa
| Modelo | Ventana de contexto | Equivale más o menos a | Para qué sirve de verdad |
|---|---|---|---|
| Claude 4.6 y posteriores (Fable 5.1, Opus 5) | 1.000.000 tokens | ~750.000 palabras, ~8 novelas | Bases de código completas, sesiones largas de agentes; precio estándar en toda la ventana |
| Grok 4.5 (8 de julio de 2026) | 500.000 tokens | ~375.000 palabras | Documentos largos más datos en tiempo real de X y video nativo |
| Claude Sonnet 4.6 y anteriores | Ventanas menores, tokenizador viejo | Varía | Casi toda la tarea escolar; más barato por token |
| Un PDF escolar de 20 páginas | ~15.000 tokens | 20 páginas de texto denso | Cabe con holgura en cualquier modelo moderno |
| Una novela de 300 páginas | ~124.000 tokens | 1 novela | Cabe en 500K o en un millón, pero espera menos fiabilidad en preguntas del medio |
| 40 turnos de historial de chat | 20.000–100.000 tokens | Varía mucho | Lo invisible que te llena la ventana; empieza de nuevo para temas nuevos |
Las estimaciones usan la regla documentada de unos 4 caracteres por token. Ojo: la documentación de Anthropic advierte que Claude 4.7 y posteriores usan un tokenizador nuevo que produce cerca de 30% más tokens para el mismo texto, así que una “ventana de un millón” carga menos prosa de la que sugiere la cuenta. Nuestra guía sobre qué son los tokens de IA cubre ese detalle.
Qué hacer en casa
Enseña “pega menos, pregunta mejor”
El instinto es pegar todo. La mejor jugada es pegar la sección relevante y poner la pregunta después. Cuesta menos, produce mejores respuestas y obliga a tu hijo a ubicar la parte relevante, que es precisamente la tarea escolar.
Empieza un chat nuevo cuando cambia el tema
Los turnos viejos siguen ocupando la ventana y pueden filtrarse en respuestas nuevas. “Tema nuevo, chat nuevo” es un hábito de un segundo que previene toda una categoría de respuestas raras.
Revisa dos veces las respuestas sobre el medio de un documento
Si tu hijo pregunta por algo enterrado en una fuente larga, verifícalo contra la fuente. Nuestra guía sobre cuándo la IA escribe por tu hijo explica por qué ese paso de verificación es el que conserva el aprendizaje. Es el hábito de verificación con mejor rendimiento, porque apunta al modo de falla documentado en lugar de a una preocupación vaga sobre alucinaciones.
No confundas la ventana con la memoria
Una ventana de contexto se reinicia en cada pedido. Si un chatbot parece recordar algo de la semana pasada, eso es una función de memoria guardada aparte, no la ventana de contexto, y vale saber cuál de las dos tiene la herramienta de tu hijo.
Lo que no debes hacer
No trates una ventana más grande como una mejora directa. La curva en U de Liu et al. se mantuvo incluso en modelos hechos para contextos largos, así que una ventana de un millón de tokens es permiso para pegar más, no una promesa de que todo se va a usar bien. La habilidad de elegir qué incluir no desapareció.
Qué observar en los próximos 3 meses
- Semana 4: tu hijo puede explicar que la ventana contiene la pregunta, el documento y todo el historial del chat juntos, y que el medio es el punto débil.
- Señales de alerta en el mes 2: pega libros enteros y confía en las respuestas. O mantiene un solo chat interminable para todas las materias.
- Autoevaluación del mes 3: pregúntale dónde poner la instrucción más importante en un pedido largo. “Primero o último” con una razón es aprobado.
Preguntas frecuentes
¿Una ventana más grande significa que la IA es más inteligente?
No. Significa que puede mirar más texto a la vez. Liu et al. (2023) mostraron que los modelos usan la información del principio y del final de un contexto largo de forma mucho más confiable que la del medio, y ese patrón se mantuvo incluso en modelos diseñados para contextos largos.
¿Cuántas páginas son un millón de tokens?
Unas 750.000 palabras, o entre 2.500 y 3.000 páginas de prosa típica. Los tokenizadores varían: la documentación de Anthropic señala que Claude 4.7 y posteriores producen cerca de 30% más tokens para el mismo texto, así que el conteo práctico de páginas es más bajo que la cuenta cruda. En español, además, cuesta más tokens.
¿Por qué el chatbot de mi hijo olvida cosas de antes en una conversación larga?
O los turnos anteriores salieron de la ventana empujados por contenido nuevo, o siguen ahí pero en el medio de baja atención. Las dos cosas producen la misma experiencia. Empezar una conversación nueva para un tema nuevo lo evita.
¿Alcanza una ventana de 500K para la tarea escolar?
Con holgura. Un PDF de 20 páginas son unos 15.000 tokens, así que esencialmente cualquier modelo actual tiene espacio. El tamaño de ventana rara vez es la restricción en la tarea; la ubicación de la atención y el costo sí son las variables reales.
¿Pegamos el capítulo completo del libro o solo las páginas relevantes?
Solo las páginas relevantes, por tres razones: mejor atención en un contexto más corto, menor costo y el hecho de que ubicar la sección relevante es en sí el aprendizaje. Pegar todo terceriza justo la parte del trabajo que construye habilidad.
Sobre el autor
Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., y Liang, P. (2023). “Lost in the Middle: How Language Models Use Long Contexts.” Transactions of the Association for Computational Linguistics. https://arxiv.org/abs/2307.03172
- Anthropic. (2026). “Pricing.” Claude Platform Documentation. https://platform.claude.com/docs/en/about-claude/pricing
- Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). “Attention Is All You Need.” NeurIPS 2017. https://arxiv.org/abs/1706.03762
- MarkTechPost. (2026, 1 de septiembre). “Anthropic releases Claude Fable 5.1 and Claude Mythos 5.1.” https://www.marktechpost.com/2026/09/01/anthropic-releases-claude-fable-5-1-and-claude-mythos-5-1-52-6-on-terminal-bench-science-and-75-cheaper-cache-reads/
- Wikipedia. “2026 in artificial intelligence.” (Grok 4.5, 8 de julio de 2026; Grok 4.6, 12 de agosto de 2026.) https://en.wikipedia.org/wiki/2026_in_artificial_intelligence
- OCDE. (2026, 8 de septiembre). “PISA 2025: Students’ reading and mathematics performance declined sharply across the OECD.” https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html
- Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/
