Tokens y ventana de contexto

Qué es un token

Un token es la unidad mínima de texto que un modelo procesa. No equivale exactamente a una palabra: según el idioma y el tokenizador, una palabra común en inglés puede ser un token, mientras que una palabra larga en español puede partirse en dos o tres.

Como regla práctica, 1000 tokens equivalen a unas 750 palabras en inglés (algo menos en español). Todo lo que entra y sale del modelo —tu mensaje, el historial, los documentos adjuntos y la respuesta— se mide en tokens, y las APIs cobran por token de entrada y de salida por separado.

Los tokens importan por tres motivos: costo (cada token suma), límite (el modelo no puede leer más allá de su ventana) y atención (cuanto más texto irrelevante, más se diluye lo importante).

Qué es la ventana de contexto

La ventana de contexto (context window) es la cantidad máxima de tokens que el modelo puede considerar a la vez: incluye las instrucciones del sistema, tu mensaje, el historial de la conversación, los documentos que adjuntes y el espacio reservado para la respuesta.

Cada modelo publica su ventana (por ejemplo 128.000 o 1.000.000 de tokens). Los valores concretos de cada modelo están en nuestro catálogo, porque cambian con cada versión y no tiene sentido memorizarlos aquí.

Dos matices importantes: una ventana grande no garantiza atención uniforme (los modelos rinden peor con la información enterrada en el medio de contextos larguísimos, fenómeno documentado como lost in the middle), y el máximo de salida suele ser mucho menor que la ventana total: el modelo puede leer un manual entero pero responder con un límite propio.

Cómo no desperdiciar la ventana

La ventana es un recurso caro: úsala con criterio.

• Pasá solo el contexto relevante: un capítulo, no el libro entero; la función pertinente, no todo el repositorio.
• Ordená lo importante al principio o al final, no enterrado en el medio.
• Resumí el historial en conversaciones largas en lugar de arrastrar todo el diálogo.
• Separá instrucciones de datos con delimitadores para que el modelo no confunda una cita con una orden.
• Verificá el tamaño antes: si el documento no entra, hay que trocearlo o usar RAG (búsqueda + fragmentos) en vez de pegarlo entero.

Las técnicas para seleccionar y estructurar contexto se estudian en el hub de prompting; aquí basta la idea central: el contexto es el combustible, pero también el costo.

Fuentes

• Documentación de la plataforma OpenAI (tokens y límites) (documentacion-oficial) · consultado 20/09/2026
• Documentación de Claude (ventana de contexto) (documentacion-oficial) · consultado 20/09/2026

Seguir aprendiendo

• Cómo elegir un modelo de IA (Intermedio)