Ventana de contexto: qué es y cómo afecta el uso cotidiano de la IA
Una guía sobre la ventana de contexto en los modelos de IA: cómo se mide en tokens, qué la llena durante una conversación, qué tan grande es en los modelos actuales, qué pasa cuando una conversación supera el límite y hábitos cotidianos para trabajar dentro de ella.

Una ventana de contexto es la cantidad de texto con la que un modelo de IA puede trabajar a la vez. Esta guía explica qué la llena, qué tan grande es en los modelos actuales y cómo trabajar dentro de ella en el día a día.
Qué es una ventana de contexto
Una ventana de contexto es el límite de cuánto texto puede manejar un modelo de IA a la vez. El límite abarca el texto que entra, como una pregunta y cualquier documento adjunto, y la respuesta que sale. Si algo no cabe en la ventana, el modelo no puede verlo ni usarlo al responder.
La ventana de contexto es independiente de lo que un modelo aprendió durante su entrenamiento. El entrenamiento ocurre antes de que se lance un modelo, con un conjunto muy grande de textos, y le da al modelo su conocimiento general y sus habilidades lingüísticas. La ventana de contexto contiene solo el material de la tarea que tiene enfrente.
El modelo de IA en sí no recuerda los mensajes anteriores. La app en la que se ejecuta, como Perplexity o ChatGPT, guarda la conversación. Con cada mensaje nuevo, la app le envía al modelo toda la conversación hasta ese momento, no solo el último mensaje. El modelo vuelve a leerla completa antes de responder, y esa respuesta pasa a formar parte de lo que se envía la siguiente vez. El espacio que ocupa una conversación en la ventana crece con cada intercambio, así que un chat largo compuesto de mensajes cortos aun así puede ocupar mucho espacio.
Cómo se mide una ventana de contexto
Cada mensaje, documento y respuesta de una conversación ocupa espacio en la ventana. El espacio disponible se mide en tokens, no en una cantidad determinada de palabras o páginas.
Un token es un fragmento de texto que el modelo maneja como una sola unidad. Puede ser una palabra corta, parte de una palabra más larga, un signo de puntuación o una palabra junto con el espacio que la precede. 100 tokens equivalen aproximadamente a 75 palabras, según OpenAI. Con esa estimación aproximada para el inglés, un reporte de 3,000 palabras tendría unos 4,000 tokens.
Antes de que un modelo lea cualquier cosa, una herramienta llamada tokenizador divide el texto en tokens y convierte cada uno en un número. El modelo procesa esos números, genera su respuesta como una secuencia de tokens y la herramienta los vuelve a convertir en texto.
El conteo de tokens no está estandarizado. Depende del idioma y del contenido. Los tokenizadores pueden variar entre modelos, así que el mismo párrafo puede producir una cantidad distinta de tokens en modelos diferentes.
Ventana de contexto vs. memoria guardada
La ventana de contexto contiene lo que el modelo puede usar para responder la pregunta actual. Por ejemplo, cuando una IA edita un reporte, el reporte, las instrucciones de edición y los mensajes intercambiados mientras se trabaja en él ocupan espacio en la ventana.
La memoria guardada conserva ciertos detalles entre conversaciones. En Perplexity, la app selecciona automáticamente qué guardar: busca preferencias e información importante, y da más peso a los detalles que aparecen con frecuencia. Una instrucción duradera como “Usa inglés británico en todos mis textos” ilustra el tipo de detalle que vale la pena conservar, mientras que “Haz este párrafo más corto” se aplica solo a la tarea en curso.
Cuando la app incorpora uno de esos detalles a una conversación nueva, este pasa a formar parte del contexto del modelo y ocupa espacio en la ventana. En Perplexity, los controles de memoria están en Configuración → Memoria. Desactivar la memoria evita que se use en respuestas futuras, pero no elimina los detalles que ya se guardaron.
Qué llena una ventana de contexto durante una conversación
Una ventana de contexto contiene mucho más que las palabras que escribe una persona. En una conversación típica, cuatro tipos de texto comparten el espacio: las instrucciones de la app, el historial de la conversación, el material que proviene de archivos o de la web, y la respuesta del modelo. La mayor parte nunca aparece en pantalla.
Instrucciones de la app
Antes de que el mensaje de una persona llegue al modelo, la app agrega sus propias instrucciones (a menudo llamadas prompt del sistema). Estas le indican al modelo cómo comportarse: cómo dar formato a las respuestas, qué tono usar, qué herramientas puede usar y detalles como la fecha de hoy. Parte de este material, como las instrucciones internas de la app, normalmente no se le muestra al usuario.
Historial de la conversación
Esto incluye las respuestas anteriores del modelo, así como todos los mensajes de la persona, para la respuesta actual. A menudo, las respuestas de la IA son mucho más largas que las preguntas del usuario.
Archivos subidos, páginas web y resultados de búsqueda
El texto que proviene de archivos usa espacio de contexto junto con la conversación, pero una app puede proporcionar el archivo completo o seleccionar los fragmentos relevantes. Por ejemplo, Perplexity puede analizar archivos cortos en su totalidad y extraer las partes importantes de archivos más largos para responder la consulta.
Los resultados de búsqueda también ocupan espacio. Por ejemplo, para responder una consulta, Perplexity podría buscar en la web y darle al modelo los resultados para que los lea.
La respuesta y el razonamiento del modelo
La respuesta se escribe en la misma ventana, así que la app tiene que dejarle espacio. Algunos modelos también generan razonamiento interno mientras trabajan en una respuesta, que la persona quizá nunca vea. El texto de razonamiento es el trabajo paso a paso del modelo, como dividir una pregunta en partes o revisar sus propias cifras, que se escribe antes de la respuesta final. Por lo general, también cuenta para el límite de la ventana.
Tamaño de la ventana de contexto en los modelos de IA actuales
Una ventana de contexto más grande significa que un modelo puede manejar documentos más largos, más fuentes y conversaciones más extensas. Los modelos líderes de OpenAI, Anthropic y Google ya ofrecen cada uno una ventana de aproximadamente 1 millón de tokens. Eso equivale a unas 1,500 páginas de texto.
Modelo | Proveedor | Ventana de contexto (tokens) |
GPT-6 Astra | OpenAI | 1.05 millones |
Claude Opus 5.5 | Anthropic | 1 millón |
Gemini 4 Argon | 1,048,576 |
Especificaciones de la API de cada proveedor, consultadas el 5 de noviembre de 2026. Los límites disponibles dentro de una app pueden variar.
Una ventana más grande no significa que un modelo la aproveche toda igual de bien. Diversas investigaciones han encontrado que el rendimiento puede volverse menos confiable a medida que aumenta la longitud de la entrada, un patrón conocido como degradación del contexto (context rot).
Límites de entrada y límites de salida
La ventana de contexto es un presupuesto compartido para todo lo que el modelo lee y escribe. Un modelo puede leer mucho más de lo que puede escribir en una sola respuesta.
Al procesar una entrada, el modelo puede trabajar con muchos tokens en paralelo. Al generar una respuesta, normalmente produce los tokens en secuencia y usa lo anterior para elegir lo que sigue. No puede elegir la quinta palabra de una oración hasta conocer las primeras cuatro, así que tiene que producir la respuesta un token a la vez.
Por eso, producir respuestas largas es mucho más lento y costoso que leer entradas largas. Esa es la razón por la que una solicitud para reescribir o traducir un documento muy largo puede detenerse a la mitad, y por la que funciona mejor pedir el resultado por secciones.
Qué pasa cuando una conversación supera el límite
Cuando una conversación se vuelve demasiado grande para la ventana de contexto, la app tiene que hacer espacio antes de que el modelo pueda responder. Las apps lo hacen de varias maneras, y cada una cambia lo que el modelo todavía puede ver.
Un enfoque es descartar primero los mensajes más antiguos. El modelo sigue trabajando con la parte reciente de la conversación. Las primeras instrucciones del usuario, sus decisiones o fragmentos de documentos pueden quedar fuera de la ventana. El modelo no puede hacer referencia a texto que ya no tiene, pero no necesariamente le avisará al usuario que falta algo.
Otro enfoque es resumir la primera parte de la conversación y conservar el resumen en lugar del texto completo. Es una forma de lo que se conoce como compactación del contexto. Un resumen ocupa mucho menos espacio, así que la conversación puede extenderse mucho más. Sin embargo, podría omitir detalles como cifras exactas, nombres o la redacción precisa.
Cuando el modelo ha descartado o compactado su contexto, puede empezar a pedir información que ya debería conocer. Puede dejar de seguir de repente instrucciones dadas al principio, como un formato o un tono preferido. Puede contradecir una decisión anterior del usuario o volverse impreciso sobre documentación compartida antes.
En cambio, algunas apps detienen la conversación y le piden a la persona que inicie una nueva, o rechazan un mensaje o archivo que es demasiado largo para caber.
Hábitos cotidianos para trabajar dentro de la ventana de contexto
- Inicia un hilo nuevo para cada tarea nueva: por ejemplo, revisa un reporte en su propia conversación, en lugar de agregarlo a un hilo existente sobre la planeación de un evento.
- Traslada solo lo necesario: cuando una tarea se basa en trabajo anterior, pídele al modelo que extraiga los detalles confirmados y la redacción aprobada que se necesitan para la siguiente tarea.
- Comparte solo información relevante: por ejemplo, para una pregunta sobre cómo se seleccionó a los participantes de una encuesta, proporciona la sección de metodología y las notas de apoyo en lugar del reporte completo.
- Encuentra la sección relevante antes de compartir un documento largo: si un reporte o manual tiene un índice, compártelo primero. Pregúntale al modelo qué secciones probablemente responden la pregunta y luego copia esas secciones en la conversación.
- Revisa los documentos largos por partes: divide un manual o reporte por política, capítulo o tema. Usa hilos separados para revisiones independientes, con las mismas instrucciones para cada uno.
- Pide los resultados largos por etapas: para una reescritura o traducción extensa, pide una sección a la vez en el mismo hilo. Indica la sección o el rango de páginas, y revisa el resultado antes de pedirle al modelo que continúe.
- Define una extensión de respuesta útil: pide cinco hallazgos, una explicación breve o una tabla con columnas específicas. Evita pedir un análisis detallado cuando bastaría con una respuesta breve.
- Pide revisiones específicas: para cambiar un párrafo de un borrador, pídele al modelo que reescriba solo ese párrafo. Especifica qué hay que cambiar en lugar de pedirle que reproduzca todo el borrador.
Cómo gestiona Perplexity el contexto
El contexto de Perplexity incluye más que la conversación. También puede aprovechar información encontrada mediante la búsqueda en tiempo real, las preferencias guardadas y los archivos proporcionados para una tarea.
Para una pregunta de investigación, la búsqueda en tiempo real aporta material de origen que el modelo puede usar para construir su respuesta, con citas que muestran de dónde proviene la información. Por ejemplo, preguntar sobre una nueva regulación puede incorporar información relevante de la web a la tarea sin tener que reunir primero artículos y pegarlos en el chat.
Los recuerdos guardados aportan otro tipo de contexto: detalles relevantes de conversaciones anteriores, como preferencias de redacción o antecedentes sobre un proyecto en curso. Perplexity recupera esos detalles al responder, y la Memoria funciona con todos los modelos que ofrece. Por lo tanto, una preferencia guardada puede seguir disponible al cambiar de modelo dentro de Perplexity.
Para trabajos que abarcan varias conversaciones, los proyectos mantienen juntos los archivos y las instrucciones, y las instrucciones del proyecto se aplican a cada consulta. El público, el propósito y los requisitos de redacción de un reporte pueden quedarse en el proyecto, mientras que la investigación y la redacción se realizan en hilos separados.
Explora Primeros pasos con Perplexity para obtener orientación sobre cómo hacer preguntas, trabajar con archivos y ampliar las respuestas con preguntas de seguimiento.
Preguntas frecuentes
¿Las imágenes cuentan para la ventana de contexto?
Sí. Las imágenes se convierten en tokens que ocupan espacio junto con el texto. La cantidad de tokens depende de cómo las procese el modelo. Una captura de pantalla o una página escaneada usa espacio de contexto aunque su texto no se haya copiado en el chat.
¿Una ventana de contexto más grande cuesta más?
No necesariamente. Una ventana más grande describe cuánto puede manejar un modelo, no cuánto de esa capacidad usa una tarea.
¿Hay alguna forma de ver cuánto de la ventana de contexto ha usado una conversación?
A veces. Algunas apps muestran un medidor de contexto que indica qué tan llena está la ventana. Un contador que muestra “mensajes restantes” significa algo distinto: cuántas solicitudes más puede hacer la cuenta, no cuánta información más puede caber en la conversación para el modelo. Busca específicamente un medidor de contexto.
¿Puede una persona continuar una conversación que se compartió con ella?
Sí. En Perplexity, una persona puede leer una conversación compartida y hacer una pregunta de seguimiento. Esa pregunta inicia una conversación nueva en su cuenta, y la conversación original no se modifica.