Sin contexto, no hay prompt que alcance

Llevo varias semanas construyendo varias cosas, incluyendo el sitio web de LifeStrategics (¡por fin!) y Content-OS (ya te contaré más). Me he encontrado con que el elemento más importante es el contexto que le das a la IA, el contexto que guardas y conservas como memoria acumulativa (p.e.: MEMORY.md) y el contexto de lo que quieres lograr.

El newsletter se llama Contexto IA, y durante cinco ediciones no le había dedicado una sola línea a la primera palabra del título. Hoy se salda esa cuenta.

En la edición pasada escribí sobre el propósito y la intención de aprender o usar IA: el para qué.

Esta semana quiero explorar una de las razones más frecuentes por las que usar IA no lleva al resultado esperado: la falta de contexto. Muchas veces antes de pedir algo a una herramienta, incluso antes de decidir cuál usar, hay que entender desde dónde estás preguntando y qué necesita saber para que la conversación tenga alguna posibilidad de servir.

Esto no es solo una intuición. En 2025, Andrej Karpathy ayudó a popularizar una distinción útil: más que diseñar prompts cada vez más ingeniosos, necesitamos diseñar mejor el contexto que recibe un modelo. La tarea no consiste en meter todo lo que sabes en una ventana de chat. Consiste en darle la información correcta, en el momento correcto, para el siguiente paso.

A esto se le llama Context Engineering, y cambia bastante la conversación porque quizá el problema no es que la IA no entienda, sino que no le hemos explicado adecuadamente el problema que intentamos resolver.

Alguna vez te habrá pasado que abres un chat de IA y escribes algo como:

Son mejores preguntas que “hazme algo”, pero todavía dejan fuera bastante contexto.

La herramienta responde rápido, con una seguridad que hasta te da un poco de esperanza, pero lees el resultado y piensas: no era esto.

No es que escribieras algo incorrecto en sí. El problema es que no sabe para qué lo necesitas, qué parte ya intentaste, qué información sí importa, con qué restricciones trabajas o cómo reconocerías una respuesta útil cuando la tengas enfrente.

Entonces vuelves a pedir. Agregas una frase. Corriges otra. Abres otro chat. Y terminas pensando que la IA no es todo eso que promete ser.

Esta dinámica me recuerda a The Devil Wears Prada. Miranda Priestly le pide cosas a Andy Sachs como si fueran órdenes perfectamente claras. Andy, que acaba de llegar y tiene cero contexto, parece torpe porque no sabe a qué “papel que traía en la mano el otro día” se refiere, qué nombres importan, qué se hizo antes ni cuál es el modo de trabajo que Miranda da por obvio.

Con el tiempo, Andy va adquiriendo ese contexto. Aprende a leer las referencias, los códigos, las expectativas y hasta lo que no se dice. No porque de pronto se volvió telépata, sino porque dejó de estar trabajando en el vacío.

La escena funciona porque todxs hemos sido Andy. Nos han pedido algo suponiendo que teníamos información que seguía en la cabeza de otra persona.

Pero aquí viene la parte incómoda: tal vez también estás siendo Miranda Priestly con la IA.

Le das una orden directa. Esperas que conecte antecedentes o eso “que va aprendiendo de ti” a través de uso continuo (y que es diferente a crear una memoria deliberadamente), prioridades y definiciones de “bien” que nunca compartiste. Y cuando no lo hace, concluyes que no sirve.

A diferencia de Andy, la IA amplifica ese problema porque siempre responde. Aun cuando la pregunta es insuficiente, entrega algo ordenado, convincente y útil en apariencia.

Al trabajar con IA aparecen dos patrones recurrentes.

El primero es el context stuffing (exceso de contexto), y el segundo es lo que decidí llamar thin context (contexto insuficiente).

Uno satura la conversación con información sin seleccionar. El otro deja a la IA intentando responder sin información suficiente para entender tu situación. Parecen opuestos, y lo son. Pero ambos producen respuestas que pueden sonar bien sin llegar a servirte de verdad.

Abrir un chat y soltar notas, documentos, capturas, ideas a medio formar y antecedentes que quizá importan o quizá no. La lógica parece razonable: mientras más información, mejor respuesta.

Pero la ventana de contexto no es infinita en los modelos de IA, y tampoco en términos prácticos. ¿Ejecutarías mejor una tarea si te dan 50 libros completos del tema en cuestión?

El estudio Lost in the Middle mostró que los modelos pueden perder rendimiento cuando la información relevante queda enterrada dentro de contextos largos. Luego, Chroma documentó un fenómeno similar bajo el nombre de context rot (degradación del contexto): conforme crece el ingreso de información, la recuperación y el uso fiable de la misma pueden degradarse.

Context stuffing no es dar contexto. Es no haber decidido qué contexto importa.

Escribir unas cuantas frases y esperar que la IA adivine tu industria, tus restricciones, tu nivel de experiencia, lo que ya intentaste y el estándar que usarás para evaluar la respuesta.

A eso le llamo thin context.

Llegué a este término como una analogía con el thin content de SEO: contenido con poco valor propio, creado para ocupar espacio pero sin aportar profundidad. Thin context es el equivalente en una conversación con IA: ingreso de información sin sustancia que produce una respuesta sin aterrizaje.

En este caso, el problema es que no tiene con qué construir una respuesta que pertenezca a tu situación.

Los dos errores parecen contrarios, pero comparten una raíz: no existe un método para decidir qué explorar y qué seleccionar.

Desde Creative Problem Solving, la metodología que llevo facilitando 10 años, se entiende con dos pasos: divergencia y convergencia.

Divergir es abrir posibilidades. Explorar qué información existe, qué preguntas faltan y qué variables podrían importar.

Converger es elegir. Separar señal de ruido, priorizar y decidir qué debe entrar en la siguiente conversación.

Context stuffing es divergencia sin convergencia. Thin context es convergencia antes de haber explorado lo suficiente.

Y aquí es donde entra el método que he ido desarrollando para mi Content-OS y para procesos donde se requiere trabajar en pasos secuenciados y bucles agénticos.

Contexto en Cascada es un marco metodológico que desarrollé para trabajar en secuencias de información que van de lo general a lo particular.

No consiste en escribir un prompt más largo ni en llenar una secuencia de reactivos idéntica para todo. Las capas que verás a continuación son una guía para mirar qué tipo de contexto puede importar antes de hacer una petición. En algunos casos una capa será central; en otros, bastará con una línea o ni siquiera aplicará.

La idea no es dar toda la información de golpe, sino tener toda la información siempre disponible pero alimentar solamente lo relevante para cada paso. En cada capa hay dos pasos: abrir opciones y elegir lo relevante. Solo entonces tiene sentido pasar a la siguiente.

Aquí se observa el entorno que puede cambiar la conversación: un sector, una regulación, una tendencia, un momento del mercado o conocimiento especializado. La pregunta no es “¿qué sé de todo esto?”, sino “¿qué de este entorno necesita saber la IA para no responder en el vacío?”.

Aquí se aclara el caso concreto. Qué se está intentando resolver, para quién, qué se ha intentado, qué límites existen y qué tendría valor. Es donde una petición deja de ser genérica y empieza a pertenecerle a alguien.

Aquí se decide cómo debe participar la IA. Puede servir para cuestionar una idea, explorar opciones, ordenar información, revisar algo o producir una primera versión. No es lo mismo pedir un sparring que pedir un entregable.

Aquí se define qué clase de ayuda sería útil. A veces será una tabla; otras, un análisis, una conversación, una lista de rutas posibles o una propuesta de texto. También es el momento de señalar qué no quieres recibir.

Hasta aquí llega la instrucción específica. La tarea puede ser breve, pero ya no está sola: viene sostenida por las capas que importaban para ese caso.

La petición es la punta del iceberg. El contexto es lo que le da sentido.

Hasta donde alcanza la investigación que hice para esta edición, la combinación de estas cinco capas con divergencia y convergencia como mecanismo de tránsito no aparece documentada como framework o marco metodológico. Existen taxonomías de contexto y técnicas para seleccionar, comprimir o aislar información. Lo que propongo aquí es una forma de construirla antes de pedir.

Anthropic formula una meta parecida desde la ingeniería de contexto: encontrar el conjunto más pequeño posible de información de alta señal que aumente la probabilidad de obtener el resultado buscado.

Eso es convergencia, pero no puedes seleccionar buena señal sin antes haber explorado qué podría importar. Eso es divergencia.

Hay una analogía cognitiva que ayuda a entenderlo. La investigación sobre memoria de trabajo muestra que las personas manejamos una cantidad limitada de unidades significativas a la vez. No demuestra que todo problema deba tener cinco capas, pero sí recuerda algo importante: agrupar y priorizar reduce la saturación.

El método no busca que la IA piense por ti. Busca que llegues a la conversación con más claridad sobre lo que vale la pena pensar.

La práctica de Contexto en Cascada puede servirle a cualquier persona y en diferentes escenarios y casos de uso lo que cambia no es la necesidad de contexto, sino qué capas pesan más y quién tiene la información que hace falta.

Probablemente recibes instrucciones incompletas más veces de las que imaginas. Alguien te pide un análisis, una presentación o una propuesta suponiendo que ya conoces el antecedente, las prioridades y el criterio con el que se va a evaluar.

La IA puede replicar ese problema si la usas como si ya estuviera dentro de la organización. Antes de pedirle ayuda, puede servir preguntar:

No siempre tendrás toda la información. Pero detectar lo que falta puede evitar que entregues una respuesta impecable para el problema equivocado.

Aquí el reto puede ser el inverso: el contexto sí existe, pero vive repartido entre tu experiencia, tus notas, tus clientes, tu calendario y todo lo que tienes en la cabeza.

La IA no puede inferir por qué una propuesta tiene que sonar de cierta manera, qué conversación ya tuviste con un cliente o qué restricción vuelve inviable una idea. Ese contexto no está en el prompt porque casi nunca ha sido necesario explicártelo a ti misma.

La cascada puede funcionar como una primera conversación de diagnóstico:

No se trata de documentar tu vida entera para cada chat. Se trata de dejar de pedirle a la herramienta que adivine las partes de tu trabajo que hacen que una respuesta sea útil.

Aprender a usar IA no tiene que significar pedir respuestas más rápidas. Puede significar aprender a preparar mejor un problema, distinguir qué información es confiable y decidir qué parte del proceso necesitas hacer tú para desarrollar una capacidad propia.

Antes de usar una herramienta, conviene preguntarte:

El contexto también define el límite. No es lo mismo usar IA para explorar una idea que usarla para sustituir el proceso de construirla.

En estos casos, el contexto no es un detalle operativo. Una solución genérica para una comunidad específica, por ejemplo, puede ser irrelevante o incluso dañina.

La capa de situación suele ser especialmente importante: quiénes están involucrados, qué se sabe realmente del problema, qué información requiere cuidado y qué decisiones no deberían delegarse.

Puede servir abrir preguntas como:

El objetivo no es llenar de contexto a la herramienta. Es no borrar el contexto humano del problema antes de intentar resolverlo.

En todos los casos, dar contexto no es un acto de generosidad con la IA, sino un acto de claridad sobre el problema, el trabajo y la decisión que tienes enfrente.

Antes de abrir tu próximo chat, imagina que tienes que explicarle la tarea a una persona inteligente en su primer día de trabajo. No conoce tu negocio, no estuvo en las reuniones anteriores y no puede leer lo que tienes en la cabeza. Para hacer bien el trabajo, ¿qué necesitaría saber?

También es una prueba rápida para detectar si estás siendo un poquito Miranda Priestly con la IA: dar una instrucción que a ti te parece clarísima porque conoces toda la historia, pero que para quien acaba de llegar no significa gran cosa.

Una forma simple de empezar es pasar por las preguntas básicas, pero usarlas para tu caso, no como interrogatorio:

No todas las preguntas aplican con la misma intensidad. Para una tarea simple, tal vez bastan dos. Para una decisión importante, quizá descubres que todavía no tienes claro el problema.

La guía no es un ritual. Es una forma de no llegar a la petición con lo esencial todavía en la cabeza.

En las capas que sí apliquen, abre posibilidades y después elige solo lo indispensable. Después formula tu prompt y hazte una última pregunta:

Si la IA me responde exactamente lo que pedí, ¿eso resuelve mi problema real?

Si la respuesta es no, probablemente no necesitas reescribir la última línea. Necesitas volver a una capa anterior.

En la edición pasada, la pregunta era: ¿para qué quieres usar IA?

Esta semana, la pregunta que sigue es: ¿qué necesita saber la IA para ayudarte a avanzar hacia eso?

La respuesta no es “todo”. No necesitas pegar tu vida, tus carpetas y las notas de cada reunión dentro de un chat. Pero tampoco puedes esperar que una herramienta entienda un problema que tú todavía no has logrado nombrar.

El trabajo está en medio: explorar qué podría importar, elegir lo que sí importa y convertirlo en una petición clara.

Un prompt no es el inicio de esa conversación. Es la última línea de un contexto que ya empezaste a construir.