Ventana de contexto: qué es y cómo afecta al 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 tamaño tiene en los modelos actuales, qué ocurre cuando una conversación supera el límite y qué hábitos cotidianos ayudan a 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 tamaño tiene en los modelos actuales y cómo trabajar dentro de sus límites en el día a día.
Qué es una ventana de contexto
Una ventana de contexto es el límite de texto que un modelo de IA puede manejar a la vez. Ese 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 se realiza antes de lanzar el modelo, con un corpus de texto muy amplio, y le aporta sus conocimientos generales y sus habilidades lingüísticas. La ventana de contexto solo contiene el material de la tarea que tiene entre manos.
El modelo de IA en sí no recuerda los mensajes anteriores. Es la aplicación en la que se ejecuta, como Perplexity o ChatGPT, la que guarda la conversación. Con cada mensaje nuevo, la aplicación envía al modelo toda la conversación hasta ese momento, no solo el último mensaje. El modelo vuelve a leerlo todo 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 formado por mensajes cortos también 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 un número determinado de palabras o páginas.
Un token es un fragmento de texto que el modelo trata 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. Según OpenAI, 100 tokens equivalen aproximadamente a 75 palabras. Con esa estimación aproximada para el inglés, un informe de 3000 palabras tendría unos 4000 tokens.
Antes de que un modelo lea nada, 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 vuelve a convertirlos en texto.
El recuento de tokens no está estandarizado. Depende del idioma y del contenido. Los tokenizadores pueden variar de un modelo a otro, por lo que un mismo párrafo puede generar un número distinto de tokens en modelos diferentes.
Ventana de contexto frente a memoria guardada
La ventana de contexto contiene lo que el modelo puede usar para responder a la pregunta actual. Por ejemplo, cuando una IA edita un informe, el propio informe, las instrucciones de edición y los mensajes intercambiados mientras se trabaja en él ocupan espacio en la ventana.
La memoria guardada conserva determinados detalles entre conversaciones. En Perplexity, la aplicación 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 todo lo que escriba» ilustra el tipo de detalle que vale la pena conservar, mientras que «Acorta este párrafo» solo se aplica a la tarea del momento.
Cuando la aplicación incorpora uno de esos detalles a una conversación nueva, 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 impide que se use en respuestas futuras, pero no elimina los detalles que ya se han guardado.
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 aplicación, el historial de la conversación, el material procedente de archivos o de la web y la respuesta del modelo. La mayor parte nunca aparece en pantalla.
Instrucciones de la aplicación
Antes de que el mensaje de una persona llegue al modelo, la aplicación añade sus propias instrucciones (lo que suele llamarse «prompt del sistema»). Estas indican al modelo cómo comportarse: cómo dar formato a las respuestas, qué tono usar, qué herramientas puede utilizar y detalles como la fecha de hoy. Parte de este material, como las instrucciones internas de la aplicación, normalmente no se muestra al usuario.
Historial de la conversación
Para la respuesta actual, incluye tanto las respuestas anteriores del modelo como todos los mensajes de la persona. 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 procedente de archivos ocupa espacio de contexto junto con la conversación, pero una aplicación 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 a la consulta.
Los resultados de búsqueda también ocupan espacio. Por ejemplo, para responder a una consulta, Perplexity puede buscar en la web y pasarle 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 aplicación tiene que dejarle espacio. Algunos modelos también generan un razonamiento interno mientras elaboran una respuesta, que la persona puede no llegar a ver nunca. El texto de razonamiento es el trabajo paso a paso del modelo, como dividir una pregunta en partes o comprobar sus propias cifras, que se escribe antes de la respuesta final. Normalmente 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 permite a un modelo manejar documentos más largos, más fuentes y conversaciones más largas. Los modelos punteros de OpenAI, Anthropic y Google ofrecen ya, cada uno, una ventana de alrededor de 1 millón de tokens. Eso equivale aproximadamente a 1500 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 aplicación pueden ser distintos.
Que la ventana sea más grande no significa que el modelo la aproveche toda igual de bien. Las investigaciones han observado que el rendimiento puede volverse menos fiable a medida que aumenta la longitud de la entrada, un fenómeno conocido como «deterioro 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 siguiente. No puede elegir la quinta palabra de una frase hasta conocer las cuatro primeras, así que tiene que producir la respuesta token a token.
Por eso, producir respuestas largas es mucho más lento y costoso que leer entradas largas. Esa es la razón por la que una petición para reescribir o traducir un documento muy largo puede quedarse a medias, y por la que funciona mejor pedir el resultado por secciones.
Qué ocurre cuando una conversación supera el límite
Cuando una conversación se vuelve demasiado grande para la ventana de contexto, la aplicación tiene que hacer sitio antes de que el modelo pueda responder. Las aplicaciones lo hacen de varias formas, y cada una cambia lo que el modelo todavía puede ver.
Una opción 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 remitirse a un texto que ya no tiene, pero no necesariamente avisará al usuario de que falta algo.
Otra opción es resumir la parte anterior 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 prolongarse mucho más. Sin embargo, puede 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. También puede contradecir una decisión anterior del usuario o volverse impreciso sobre la documentación compartida antes.
En cambio, algunas aplicaciones detienen la conversación y piden a la persona que empiece una nueva, o rechazan un mensaje o un archivo demasiado largo para caber.
Hábitos cotidianos para trabajar dentro de la ventana de contexto
- Empieza un hilo nuevo para cada tarea nueva: por ejemplo, revisa un informe en su propia conversación, en lugar de añadirlo a un hilo existente sobre la planificación de un evento.
- Traslada solo lo necesario: cuando una tarea se base en un trabajo anterior, pide al modelo que extraiga los detalles confirmados y la redacción aprobada que hagan falta para la siguiente tarea.
- Comparte solo la 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 informe completo.
- Localiza la sección relevante antes de compartir un documento largo: si un informe o un manual tiene índice, compártelo primero. Pregunta al modelo qué secciones es probable que respondan a la pregunta y, después, copia esas secciones en la conversación.
- Revisa los documentos largos por partes: divide un manual o un informe por política, capítulo o tema. Usa hilos distintos para revisiones independientes, con las mismas instrucciones en cada uno.
- Pide los resultados largos por etapas: para una reescritura o una traducción extensa, pide una sección cada vez en el mismo hilo. Indica la sección o el intervalo de páginas y revisa el resultado antes de pedir al modelo que continúe.
- Fija una extensión de respuesta útil: pide cinco conclusiones, una explicación breve o una tabla con columnas concretas. Evita pedir un análisis detallado cuando bastaría con una respuesta breve.
- Pide revisiones concretas: para cambiar un párrafo de un borrador, pide 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 algo más que la conversación. También puede recurrir a información encontrada mediante búsquedas en tiempo real, a preferencias guardadas y a archivos proporcionados para una tarea.
Ante una pregunta de investigación, la búsqueda en tiempo real aporta material de referencia que el modelo puede usar para elaborar su respuesta, con citas que muestran de dónde procede la información. Por ejemplo, preguntar por una nueva normativa puede incorporar a la tarea información relevante de la web sin tener que recopilar antes 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 tanto, una preferencia guardada puede seguir disponible al cambiar de modelo dentro de Perplexity.
Para trabajos que abarcan varias conversaciones, los proyectos reúnen archivos e instrucciones, y las instrucciones del proyecto se aplican a cada consulta. El público, el propósito y los requisitos de redacción de un informe pueden quedarse en el proyecto, mientras que la investigación y la elaboración del borrador se realizan en hilos distintos.
Consulta Primeros pasos con Perplexity para obtener orientación sobre cómo hacer preguntas, trabajar con archivos y ampliar las respuestas con consultas de seguimiento.
Preguntas frecuentes
¿Las imágenes cuentan para la ventana de contexto?
Sí. Las imágenes se convierten en tokens que ocupan espacio junto al texto. La cantidad de tokens depende de cómo las procese el modelo. Una captura de pantalla o una página escaneada ocupa 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 indica cuánto puede manejar un modelo, no qué parte de esa capacidad utiliza una tarea.
¿Hay alguna forma de ver qué parte de la ventana de contexto ha usado una conversación?
A veces. Algunas aplicaciones muestran un medidor de contexto que indica lo llena que está la ventana. Un contador de «mensajes restantes» significa otra cosa: cuántas solicitudes más puede hacer la cuenta, no cuánta información más puede caber en la conversación para el modelo. Busca concretamente un medidor de contexto.
¿Se puede continuar una conversación que otra persona ha compartido?
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 deja la conversación original sin cambios.