# Qué es la ventana de contexto de un modelo de IA

> Qué es la ventana de contexto de un LLM, cuántos tokens caben en Claude o Gemini, por qué más contexto no es mejor y qué parte de tu ficha llega a leerse.

URL: https://clione.ai/es/glosario/ventana-de-contexto/
Lang: es

La ventana de contexto no es una ventana del navegador ni el «contexto» de un plan de marketing: es **todo lo que un modelo de lenguaje tiene delante en el momento de responder**. A una tienda le importa por dos lados. Cuando un asistente responde sobre tus productos, solo puede usar lo que de tu página haya entrado en esa ventana, junto a lo de otras tiendas. Y cuando una herramienta redacta tus fichas con un [LLM (modelo de lenguaje grande)](/es/glosario/llm/), lo que decide qué datos se usan es lo que esa herramienta mete dentro.

## Cómo funciona

Anthropic la define como todo el texto al que un modelo puede hacer referencia mientras genera una respuesta, **incluida la propia respuesta**. No es el enorme corpus con el que se entrenó, sino una «memoria de trabajo».[^anthropic-context] Google usa casi la misma imagen: una memoria a corto plazo, con una capacidad limitada para guardar información antes de generar la respuesta.[^gemini-long-context]

Se mide en [tokens](/es/glosario/token/), los trozos de texto en los que el modelo parte lo que lee, y la cuenta incluye mucho más que la pregunta. En la API de Claude cuenta todo lo que va en la petición: las instrucciones de sistema, cada mensaje de la conversación con los resultados de herramientas, las imágenes y los documentos, las definiciones de herramientas y, además, lo que el modelo genera en ese turno, razonamiento incluido.[^anthropic-context] OpenAI lo resume en una regla: **la petición y la respuesta juntas no pueden pasar de la longitud máxima de contexto del modelo**.[^openai-concepts]

El tamaño ha crecido mucho. A octubre de 2026, los modelos actuales de Claude tienen una ventana de un millón de tokens y pueden generar hasta 128.000 tokens de salida por petición; otros modelos de la misma familia se quedan en 200.000.[^anthropic-context] [Gemini](/es/glosario/gemini/) también admite un millón de tokens, y Google lo traduce a cosas que se pueden imaginar: unas 50.000 líneas de código, ocho novelas de longitud media o las transcripciones de más de 200 episodios de pódcast.[^gemini-long-context]

Cuando algo no cabe, depende de quién gestione la ventana. En la API de Claude, si la entrada sola ya supera la ventana, la petición se rechaza con un error de _prompt_ demasiado largo. Las interfaces de chat, en cambio, pueden ir soltando lo más antiguo de la conversación para hacer sitio a lo nuevo.[^anthropic-context]

### Más contexto no es mejor

La propia Anthropic lo avisa en la misma página: una ventana mayor permite tareas más largas, pero **a medida que crece el número de tokens, la precisión y la capacidad de recordar se degradan**, un fenómeno que llama _context rot_.[^anthropic-context] Google da una cifra del mismo problema: buscar un solo dato en un contexto largo sale bien en torno al 99 % de las veces, pero la precisión baja de forma notable cuando hay que encontrar varios datos a la vez en el mismo contexto.[^gemini-long-context]

La posición también cuenta. Un estudio de Nelson F. Liu y otros seis autores, publicado en 2023 en la revista TACL, puso a varios modelos a responder preguntas con muchos documentos delante. **El rendimiento era mejor cuando la información relevante estaba al principio o al final del contexto, y caía de forma significativa cuando estaba en medio**, incluso en modelos pensados para contextos largos.[^lost-middle] Por eso los ingenieros de Anthropic tratan el contexto como un recurso finito con rendimientos decrecientes, y su consejo es buscar el conjunto más pequeño de información útil que haga probable el resultado que quieres.[^anthropic-context-eng]

## En una tienda

Un **ejemplo ficticio**: una herramienta tiene que redactar la descripción de un trípode de viaje. Puede llenar la ventana de tres maneras:

| Qué mete en la ventana                                                                         | Qué pasa                                                                                                                                                |
| ---------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------- |
| Solo el título del producto                                                                    | Cabe de sobra, pero el modelo no tiene el peso ni la carga máxima, y puede rellenarlos con algo plausible: una [alucinación](/es/glosario/alucinacion/) |
| El catálogo entero y todos los manuales de la marca                                            | Puede que ni quepa; y si cabe, el dato del trípode es una aguja entre miles, y la precisión baja cuando hay mucho que buscar[^gemini-long-context]      |
| La ficha, las respuestas del comerciante y los fragmentos del manual que hablan de ese trípode | Poco texto y casi todo útil: el conjunto pequeño y relevante que recomienda Anthropic[^anthropic-context-eng]                                           |

La tercera opción es la que se desprende de las fuentes de esta página. Clione, por ejemplo, no manda el catálogo entero: con cada producto viajan las instrucciones de la tienda, de hasta 10.000 caracteres, las respuestas del comerciante sobre ese producto y, si la tienda lo activa, los cuatro fragmentos más relevantes de sus documentos, unos 1.200 tokens.

Lo mismo vale, al revés, para los asistentes que leen tu web: tu [ficha de producto](/es/glosario/ficha-de-producto/) comparte ventana con las páginas de otras tiendas, y entra a trozos, no entera. **Un dato que solo se entiende con el resto de la página alrededor tiene menos opciones de servir.**


Que una ventana de un millón de tokens significa que el asistente «ha leído» tu tienda entera, o que lo que cabe en ella es lo que el modelo sabe de ti. La ventana es lo que el modelo tiene delante en una petición concreta, distinto de lo que aprendió al entrenarse,[^anthropic-context] y que algo quepa no garantiza que se use bien: **la precisión baja a medida que la ventana se llena**.[^anthropic-context]


## Cómo comprobarlo

1. **Busca la ventana y el límite de salida del modelo que usa tu herramienta** en la documentación del proveedor. Son dos cifras distintas, y las dos se miden en tokens.[^anthropic-context]
2. **Cuenta los tokens de una petición típica antes de enviarla.** Anthropic recomienda su recuento de tokens precisamente para no pasarse de la ventana.[^anthropic-context]
3. **Quita lo que no ayuda.** Si el contexto lleva el catálogo entero para describir un producto, recórtalo a lo que habla de ese producto.[^anthropic-context-eng]
4. **Pon los datos clave al principio o al final de lo que le das al modelo**, no enterrados en medio de un documento largo.[^lost-middle]
5. **Si una respuesta sale cortada, mira el motivo.** En la API de Claude, una generación que llega al límite de la ventana se detiene con el motivo `model_context_window_exceeded`.[^anthropic-context]

## Concepto cercano: RAG

La [RAG (generación aumentada por recuperación)](/es/glosario/rag/) y la ventana de contexto se explican juntas. Google cuenta que los modelos con ventanas pequeñas necesitaban recuperar solo lo relevante, resumir o recortar mensajes, y que una ventana grande permite otro camino: **dar toda la información relevante desde el principio**.[^gemini-long-context] Pero el _context rot_ y el efecto de la posición siguen ahí,[^anthropic-context][^lost-middle] así que recuperar bien no ha dejado de servir. RAG decide qué entra; la ventana es el espacio donde entra.

Para seguir, la entrada de [token](/es/glosario/token/) explica la unidad con la que se mide la ventana, y la [ruta de lectura](/es/aprender/busqueda-con-ia/) ordena el resto de términos.