Conoces la sensación. En el mensaje cuarenta de una conversación que empezó con claridad, ahora recibes respuestas que ignoran la mitad de tus instrucciones, contradicen algo que dijo diez mensajes antes o vuelven a una configuración genérica predeterminada que corregiste hace una hora. No se ha «roto» nada. El modelo no ha empeorado. Lo que ha cambiado es la cantidad de texto que ahora tiene que leer antes de poder responderte.
Qué ocurre realmente dentro de una conversación larga
Cada respuesta que te da un modelo de AI se genera leyendo toda la conversación hasta ese momento —tus instrucciones originales, cada seguimiento, cada corrección, cada digresión, cada «en realidad, ¿puedes también…?»— y prediciendo qué debería venir después. Toda esa transcripción se denomina ventana de contexto, y no se hace más pequeña a medida que crece la conversación. Se hace más grande, mensaje a mensaje, hasta contener mucho más texto del que tenía al principio.
Al principio de una conversación, tus instrucciones constituyen casi todo el contexto. El trabajo del modelo es sencillo: leer un encargo claro y seguirlo. Para el mensaje treinta, tu encargo original es una pequeña fracción de un documento mucho más largo, enterrado bajo decenas de intercambios sobre ediciones específicas, cifras concretas y solicitudes puntuales. El modelo todavía «tiene» técnicamente tus instrucciones originales en su contexto, pero ahora están diluidas y compiten por la atención con un volumen mucho mayor de texto más reciente, más específico y a menudo contradictorio.
Por eso las conversaciones largas no fallan de golpe. Se degradan gradualmente. El modelo empieza a dar más peso a los mensajes recientes que a los iniciales (lo que a menudo es correcto: la recencia suele indicar relevancia), pero cuando tus reglas fundamentales viven en ese mismo hilo envejecido, «reciente» e «importante» se confunden. Un comentario improvisado de hace cinco minutos puede imponerse a una instrucción que establece estándares y que se dio hace una hora, simplemente por el lugar que ocupa en la transcripción.
Hay otro coste más silencioso: el modelo tiene que volver a deducir tu intención de un documento más desordenado cada vez. En lugar de leer «eres un estratega sénior de crecimiento que siempre estructura el resultado como X y siempre evita Y» como una instrucción clara, interpreta esa misma idea filtrada por paráfrasis, excepciones que concediste a mitad de la conversación y ediciones que solo se aplicaban a una tarea específica. Cuanto más texto haya que conciliar, más margen hay para que el modelo haga un promedio, se ande con rodeos o descarte silenciosamente una restricción que nunca se repitió.
Las dos soluciones a las que recurre la gente, y por qué ambas implican pérdidas
Primera solución: desplázate hacia arriba y vuelve a pegar las instrucciones originales
Este es el parche más habitual. Vuelves al primer mensaje, copias tu briefing original y lo pegas otra vez en el mensaje cuarenta con algo como «solo como recordatorio, por favor, cíñete a esto». Funciona durante unas cinco respuestas más. Luego vuelve a producirse la desviación, porque en realidad no has cambiado nada sobre cómo funciona la ventana de contexto: solo has añadido otra copia de tus instrucciones a una transcripción ya inflada. El chat ahora es aún más largo, la proporción entre señal y ruido no ha mejorado, y te quedas haciendo esto de vez en cuando durante el resto del proyecto.
Solución dos: inicia un chat completamente nuevo y vuelve a escribirlo todo
La otra opción habitual es más drástica: abandonar el hilo y empezar de nuevo. Esto sí resuelve el problema de la dilución: un chat nuevo tiene un contexto breve y limpio, así que las instrucciones vuelven a leerse con claridad. Pero también desecha algo valioso junto con el ruido: el contexto útil y específico de la tarea que hizo que la AI fuera buena en ese proyecto concreto. Los ejemplos que le diste, los casos extremos que ya analizaste con ella y las decisiones que ya tomaron juntos: todo eso desaparece. Estás reconstruyendo desde cero y, además, dependes de tu memoria (o de revisar apresuradamente mensajes antiguos) para reconstruir instrucciones que quizá no hayas guardado en ningún lugar fuera de ese chat.
Ambas soluciones tratan el síntoma. Ninguna resuelve el problema subyacente: tu ROL, FORMATO y ESTÁNDARES no viven en ningún otro lugar que no sea una pila cada vez mayor de intercambios.
Un archivo de Skill compacto y reutilizable que fija el rol, el formato de salida y los estándares de una estratega sénior de crecimiento, para que un chat nuevo empiece con claridad en lugar de partir de una página en blanco.
Ver a Sofia, estratega de marketing de crecimiento →La mejor solución: separa la señal del ruido
La solución real no es un truco para desplazarte ni empezar de cero, sino un cambio estructural sobre dónde viven tus instrucciones. En lugar de que tu ROL, FORMATO y ESTÁNDARES estén dentro del primer mensaje de un hilo que no deja de crecer, viven en un archivo pequeño e independiente: un Skill. Cargas ese archivo desde cero en un chat nuevo o en un proyecto de Claude/ChatGPT cuando lo necesitas, y la conversación que sigue se mantiene centrada exclusivamente en la tarea en cuestión.
Piensa en ello como dividir una conversación en dos capas que antes estaban entrelazadas:
- Señal: lo que nunca debería cambiar ni diluirse: quién representa la AI, exactamente cómo debe dar formato a la respuesta, y qué estándares y limitaciones se aplican siempre. Esto vive en el archivo de Skill, fuera del chat.
- Ruido: lo específico de esta tarea, de esta semana, de este intercambio: «hazlo más corto», «usa las cifras de este cliente», «no, la otra versión». Esto vive en el chat, y no pasa nada si se alarga, porque no compite por la atención del modelo con tus instrucciones principales.
Cuando esas dos capas están separadas, un proyecto largo deja de ser un único chat extenso que se degrada. Se convierte en una serie de chats limpios, cada uno iniciado con el mismo conjunto preciso de instrucciones cargado desde el archivo de Skill, y cada uno con libertad para extenderse en el trabajo real sin tener que volver a debatir qué significa hacer un trabajo de calidad. Obtienes la frescura de la segunda solución (un chat nuevo, con un contexto limpio) sin el coste de la segunda solución (volver a escribir todo de memoria), porque las instrucciones nunca quedaron atrapadas en el hilo antiguo.
Esto también resuelve un problema que ninguna de las dos malas soluciones aborda: la coherencia entre sesiones. Si tus estándares viven en tu cabeza y los vuelves a escribir de forma ligeramente distinta cada vez, la calidad se desvía de un proyecto a otro, no solo dentro de un chat. Un archivo de Skill es el mismo archivo cada vez: lo versionas una vez, lo perfeccionas cuando aprendes algo nuevo y todos los chats futuros heredan la mejora al instante.
Los hilos de analítica se alargan: paneles, esquemas de eventos, calendarios de informes. Rafa mantiene fijos los estándares analíticos en un archivo de Skill para que la sexta semana del proyecto siga teniendo el mismo rigor que el primer día.
Ver a Rafa - Especialista en analítica de marketing →Cómo se ve esto en la práctica
Supongamos que estás llevando a cabo un trabajo de varias semanas: una auditoría de crecimiento, una implementación continua de analítica o un proyecto de consultoría con un cliente. En lugar de un único chat maratoniano que pierde el hilo poco a poco, el patrón se ve así:
- Tu ROL/FORMATO/ESTÁNDARES viven en un archivo de Skill (un documento breve y estructurado, del tipo que pegarías como prompt del sistema o como instrucción de proyecto de Claude/ChatGPT).
- Cada sesión de trabajo, o cada nueva fase del proyecto, comienza con un chat nuevo que carga ese archivo de Skill.
- El chat en sí puede hacerse tan largo y desordenado como requiera la tarea real, porque las instrucciones fundamentales no van en la misma transcripción, donde el texto más reciente podría imponerse sobre ellas.
- Cuando aprendes algo que debería aplicarse a todas las sesiones futuras —una preferencia de formato, una restricción que tienes que repetir constantemente— editas el archivo de Skill una sola vez, no cada chat de ahí en adelante.
El efecto neto es que la calidad se mantiene estable durante un proyecto largo en lugar de ir disminuyendo. No estás luchando contra la ventana de contexto; simplemente no le estás pidiendo que haga algo para lo que nunca fue adecuada: ser tu memoria permanente para las instrucciones generales.
Pensamiento estructurado formado en McKinsey, cargado desde cero en cada sesión, para que un proyecto de consultoría largo no herede la deriva de un hilo de chat sobrecargado.
Ver Thomas - Consultor empresarial →Introduce cómo tú (o tu equipo) usan realmente los chats de AI y obtén una estimación mensual real del desperdicio de tokens y del coste en dólares de volver a escribir prompts frente a usar un archivo de Skill persistente. Sin registro ni correo electrónico: solo las matemáticas de esta publicación aplicadas a tus cifras.
Prueba la calculadora →Preguntas frecuentes
¿Por qué una AI parece «olvidar» las instrucciones que le di antes en el mismo chat?
No es que lo haya olvidado literalmente: el texto sigue ahí, en la ventana de contexto. Pero a medida que crece la conversación, tus instrucciones originales representan una parte cada vez menor de todo lo que el modelo debe sopesar, y los mensajes más recientes tienden a tener más influencia sobre la respuesta. El resultado parece olvido, pero en realidad es dilución.
¿Acaso empezar un chat nuevo no es la solución más sencilla?
Soluciona el problema de la dilución, pero crea otro: pierdes el contexto específico de la tarea que hizo que la AI fuera útil para ese proyecto concreto y tienes que recordar (o buscar) tus instrucciones originales para volver a escribirlas. Un archivo de Skill te proporciona el beneficio de un contexto limpio en un chat nuevo sin el coste de memoria, porque tus instrucciones permanentes viven completamente fuera del chat.
¿Cuál es la diferencia entre un archivo de Skill y simplemente un prompt más largo y detallado?
Un prompt más largo sigue dentro del chat y envejece igual que cualquier otro mensaje: está sujeto a la misma dilución en un hilo largo. Un archivo de Skill es independiente de cualquier conversación concreta: lo cargas desde cero al comienzo de cada chat o proyecto nuevo, así que nunca compite con los mensajes recientes por la atención del modelo ni acumula el ruido de una tarea específica.
En resumen:
Los chats largos no se vuelven menos inteligentes porque el modelo se degrade; se vuelven menos inteligentes porque tus instrucciones permanentes quedan enterradas bajo una pila cada vez mayor de intercambios específicos de cada tarea. Mantén el ROL/FORMATO/ESTÁNDARES en un archivo de Skill compacto y reutilizable, como Sofia, Rafa o Thomas; cárgalo desde cero en cada chat nuevo y deja que la conversación incluya solo el ruido que realmente necesita.
