Te pasa seguro: empiezas un chat con ChatGPT o Claude pidiendo algo concreto y va perfecto. Cincuenta mensajes después, el modelo ignora instrucciones que dio por buenas, se contradice o "se lía solo". No es tu imaginación: está medido. Cuando la conversación se alarga, los modelos de lenguaje pierden fiabilidad de forma sistemática.
El estudio: de 90% a 51% de acierto
Investigadores de Microsoft y Salesforce publicaron el estudio LLMs Get Lost In Multi-Turn Conversation (de Philippe Laban, Hiroaki Hayashi y colegas, aceptado en ICLR 2026). Para simular cómo usamos realmente los asistentes, crearon un método llamado "sharding": en vez de entregar la tarea completa de una vez, la partieron en pasos repartidos a lo largo de la conversación.
| Configuración | Precisión media |
|---|---|
| Instrucción completa en un solo mensaje | ~90% |
| Misma instrucción repartida por turnos | ~51% |
| Caída media de rendimiento | 39% |
Probaron 15 modelos, desde Llama-3.1-8B de código abierto hasta sistemas comerciales como GPT-4o. Incluso los mejores —Claude 3.7 Sonnet, Gemini 2.5 Pro y GPT-4.1— rindieron entre un 30% y un 40% peor en diálogos de varias rondas que en una sola, y la caída aparecía ya en conversaciones de dos turnos.
Los investigadores identificaron cuatro fallos típicos: el modelo saca conclusiones precipitadas sin tener todos los datos, se apoya demasiado en sus propias respuestas anteriores (aunque sean erróneas), descuida la información del medio de la conversación y rellena huecos con suposiciones en respuestas demasiado detalladas.
El "context rot": más contexto no ayuda
Hay un segundo estudio que pone nombre al problema. Chroma publicó Context Rot: How Increasing Input Tokens Impacts LLM Performance (julio de 2025) con 18 modelos: al enterrar la respuesta correcta entre decenas de miles de tokens irrelevantes de conversación, el rendimiento se degrada de forma constante. Los modelos de Claude mostraron la mayor brecha, en parte porque preferían no responder antes que adivinar.
Anthropic lo describe como un "gradiente de rendimiento" en vez de un precipicio: no hay un punto donde todo se rompa, sino una pérdida progresiva de atención útil. Su recomendación en la guía de context engineering: cuando la conversación se acerca a su límite, resumirla y empezar de nuevo con ese resumen.
Cómo saber que tu chat se está perdiendo
Señales claras de que el contexto se está pudriendo:
- Ignora instrucciones que antes respetaba.
- Repite preguntas cuyas respuestas ya están en el chat.
- Cambia de criterio sin que le pidas nada nuevo.
- Sus respuestas se vuelven vagas o genéricas justo donde antes era preciso.
Protocolo de traspaso: cómo rescatar un chat largo
El estudio no propone una solución concreta. Este protocolo de dos pasos es una práctica habitual que sugerimos desde la redacción para no perder el trabajo cuando un chat se degrada:
1. En el chat que se está perdiendo, pídele que lo empaquete todo:
Resume esta conversación en un único bloque para pegarlo en un chat nuevo: objetivos, decisiones, tareas pendientes, personas, enlaces y archivos. Que no se pierda nada importante.
2. En el chat nuevo, pega el resumen y añade:
Antes de seguir, hazme todas las preguntas que necesites para tener la información completa. No respondas hasta tenerla.
El primer prompt fuerza al modelo a destilar lo importante; el segundo evita que rellene huecos con suposiciones en el chat limpio. Es la misma idea que la "compactación" automática de los agentes, con una diferencia clave: tú lees el resumen antes de que se use.
4 hábitos para conversaciones más fiables
- Da la instrucción completa de una vez cuando puedas: el estudio muestra que un solo mensaje bien construido rinde ~90% frente al ~51% de la misma tarea fragmentada.
- Traspasa a un chat nuevo cuando notes las señales: resumen + preguntas de confirmación.
- Fija decisiones por escrito en el propio chat ("a partir de ahora, X") en vez de confiar en que el modelo las recuerde del contexto.
- Compacta antes de que llegue tarde: no esperes a que el modelo se pierda para resumir.
