Investigadores de Microsoft Research y Salesforce pusieron a prueba a los principales modelos de IA disponibles en dos escenarios: recibiendo un pedido completo de una sola vez, y recibiendo el mismo pedido por partes, en varios mensajes, tal como ocurre en una conversación real de trabajo. El estudio, publicado en mayo de 2025, analizó más de 200 mil conversaciones simuladas en seis tipos de tarea.
El resultado: en conversaciones de varias etapas, la precisión cayó, en promedio, 39% frente al mismo pedido hecho de una sola vez. Y el efecto apareció en los modelos más avanzados del mercado casi con la misma fuerza que en los más simples: no es una limitación que se resuelva cambiando de modelo o pagando más.
Para quien decide sobre el uso de IA en la empresa, ese dato cambia la pregunta correcta. No es "qué modelo es más inteligente", sino: ¿qué hace la herramienta cuando la conversación se alarga y se llena de correcciones? ¿Reinicia de la forma correcta, o insiste tercamente en una dirección equivocada hasta el final?
El error que se pega a la conversación
Los investigadores dividieron la caída de desempeño en dos partes. Una pequeña pérdida de capacidad bruta: el modelo "sabe" casi lo mismo después de una conversación larga que al principio. Y un salto mucho mayor en la inconsistencia: el mismo pedido, reformulado de formas ligeramente distintas a lo largo de la conversación, empieza a recibir respuestas cada vez más divergentes entre sí.
La explicación que da el estudio es directa. El modelo suele hacer suposiciones ya en sus primeras respuestas e intenta entregar una solución final demasiado pronto. Cuando alguien corrige un detalle a mitad de la conversación, el modelo arrastra la suposición equivocada en lugar de reconstruir el razonamiento desde cero: apila la corrección sobre el error anterior, sin borrar el error.
Cuando el modelo toma un rumbo equivocado en la conversación, se pierde — y no se recupera.
Es lo contrario de lo que sugiere la intuición. La expectativa común es que una conversación más larga, con más idas y vueltas, deje a la IA "más afinada" con lo que la persona quiere. El estudio muestra lo contrario: cada ronda adicional después de un malentendido tiende a reforzar el malentendido, no a corregirlo.
Esto explica una escena que cualquiera que use IA a diario ha vivido: la conversación empieza muy bien, pero después de algunos intercambios comienza a repetir una respuesta ya descartada, ignorar una instrucción dada tres mensajes atrás, o insistir en un formato ya corregido dos veces. No es que la herramienta se "canse": es el efecto exacto que midió el estudio, ocurriendo en tiempo real.
Reiniciar la conversación, no insistir en ella
La salida más común es la equivocada: seguir explicando, corrigiendo y reforzando dentro de la misma conversación, con la esperanza de que un mensaje más lo resuelva por fin. El estudio muestra que ese intento tiende a empeorar las cosas, porque el modelo no está simplemente "olvidando" un dato aislado: está cargando cada vez más texto acumulado, con decisiones, correcciones y ruido mezclados.
La documentación oficial de los fabricantes de IA describe el mecanismo de otra manera, pero llega a la misma conclusión. Toda IA tiene un límite de cuánto texto puede procesar de una vez en una conversación: la llamada ventana de contexto, es decir, cuánto puede "leer" antes de que el inicio de la conversación quede fuera de su alcance. La propia documentación de Anthropic (fabricante del modelo Claude) explica que, a medida que crece el volumen de texto acumulado en una conversación, la precisión de la IA para recordar correctamente lo dicho disminuye, un efecto que los propios ingenieros de la empresa llamaron desgaste de contexto.
La recomendación que documentan esos mismos fabricantes para tareas largas no es "explicar de nuevo, con más detalle". Es resumir lo que ya se decidió y reiniciar con una conversación limpia, llevando adelante solo ese resumen, no el intercambio completo, palabra por palabra. En otras palabras: el problema no se resuelve insistiendo, se resuelve reiniciando de forma organizada.
Eso cambia el criterio para elegir una herramienta de IA para el trabajo diario de la empresa. Una buena herramienta no es solo la que "conversa bien": es la que facilita ese reinicio, la que deja claro cuándo conviene resumir y avanzar, y que guarda lo ya decidido en un lugar que sobrevive al fin de esa conversación puntual.
Lo que tiene que existir en la práctica
Un entorno de trabajo preparado para conversaciones largas de IA se apoya en algunos mecanismos concretos, no en la promesa de un "modelo más inteligente".
Registro de lo decidido, y no solo el historial completo de la conversación. Lo que vale la pena reutilizar después no son los cincuenta mensajes intercambiados: es la conclusión. Una herramienta corporativa necesita hacer que esa conclusión sea fácil de encontrar y reutilizar, separada del ir y venir que llevó hasta ella.
Una forma simple de reiniciar sin perder el hilo. Cuando una conversación empieza a repetirse o a contradecir lo ya dicho, la salida es resumir lo acordado y abrir un nuevo punto de partida con ese resumen, no seguir insistiendo en la misma conversación hasta que se vuelva inmanejable.
Reutilización de lo que ya funcionó. Cuando alguien por fin arma el pedido correcto para una tarea recurrente, eso debería convertirse en algo reutilizable por cualquier persona autorizada del equipo, y no quedar perdido dentro de una conversación individual de hace media hora.
Un modelo de IA proporcional a la tarea. Una pregunta simple y repetitiva no necesita el modelo más caro y "razonador" disponible; una tarea que exige un análisis más largo se beneficia de él. Dirigir cada tarea al modelo correcto evita el hábito de meter todo dentro de una sola conversación gigante, intentando "resolverlo todo de una vez".
Así fue diseñada la Skyller: los pedidos y conversaciones que funcionaron bien pueden guardarse como plantilla reutilizable para el equipo, y los agentes trabajan en etapas coordinadas por tarea, en lugar de acumular todo dentro de un único intercambio de mensajes sin fin.
Lo que gana el equipo cuando el pedido se vuelve plantilla
El costo más caro de una conversación que "pierde el hilo" rara vez es la respuesta equivocada en sí: es el tiempo que pasa hasta que alguien nota que la respuesta está mal, más el tiempo que esa misma persona (u otra, meses después) volverá a gastar armando el mismo pedido desde cero.
Cuando el historial de una conversación larga queda encerrado en la cuenta o la aplicación de una sola persona, cada colega reinicia esa curva de aprendizaje por su cuenta. La persona del área que descubrió, a fuerza de prueba y error, la forma exacta de pedir un informe de conciliación bancaria es la única que sabe pedirlo así, y si deja la empresa, ese conocimiento se va con ella.
Cuando ese mismo pedido exitoso se convierte en una plantilla reutilizable dentro de un entorno corporativo, la ganancia aparece en dos lugares a la vez. Primero, en el tiempo: nadie más tiene que rehacer el trabajo de "enseñarle" a la IA a entender la tarea. Segundo, en la calidad: como la plantilla del pedido ya fue probada y ajustada, cada persona nueva que la usa hereda la versión que ya funciona, no el primer intento lleno de ruido.
Ese es el efecto que separa a una empresa que usa IA de una empresa que tiene buena gente usando IA por su cuenta. En el primer caso, el aprendizaje queda en el equipo. En el segundo, queda en cada persona, y se reinicia con cada cambio de personal.
Una hoja de ruta para empezar
Antes de la próxima conversación larga con IA, conviene revisar esta hoja de ruta simple con el equipo:
- Establece un límite práctico de mensajes antes de resumir. Cuando una conversación pase de diez o doce intercambios sin llegar a un resultado, detente y escribe un resumen breve de lo ya decidido, en lugar de enviar un mensaje más intentando corregir el anterior.
- Lleva el resumen a una conversación nueva, no al final de la anterior. El objetivo es empezar con una ventana de contexto limpia, cargando solo la conclusión, no toda la discusión que llevó hasta ella.
- Guarda el pedido que funcionó. Si una forma específica de pedir algo funcionó bien en una tarea recurrente, guarda ese texto como plantilla para la próxima vez, en lugar de reconstruirlo de memoria.
- Pregunta al área de TI dónde viven esas plantillas reutilizables. Si la empresa ya usa una herramienta de IA corporativa, probablemente existe un lugar pensado justo para esto, y vale la pena descubrirlo antes de reinventar la rueda.
