Habr AI: la continuidad del contexto podría ser una nueva capa de eficiencia para los sistemas de IA

Habr AI ha publicado un texto según el cual el próximo salto de calidad de la IA podría venir no de una ventana de contexto aún más larga, sino de la capacidad de mantener la continuidad de trabajo entre pasos. Los autores lo llaman continuidad del contexto y proponen verla como un modo operativo, no como un volumen de memoria.

Por qué un prompt no basta

La idea central del artículo es simple: un buen prompt puede dar una buena respuesta, pero no garantiza que un paso después, una hora más tarde o en una sesión nueva el modelo se comporte igual. En distancias cortas casi no se nota. Pero cuando la tarea se alarga a 10–20 pasos, lo crítico deja de ser la calidad de una respuesta y pasa a ser la capacidad del sistema para mantener el objetivo, las restricciones, las decisiones tomadas y las reglas para tratar los supuestos. Aquí es donde un chat largo y una ventana de contexto grande dejan de ser sinónimos de fiabilidad.

Los autores proponen separar cuatro cosas: la ventana de contexto, la memoria de hechos, el prompt de sistema y la continuidad del contexto. Las tres primeras ayudan al modelo a recordar texto, reglas e información de referencia. Pero no resuelven el problema de la reproducibilidad del comportamiento a largo plazo. Si el sistema no sabe comprobar la viabilidad de la tarea antes de generar, no fija los límites de los datos de entrada y no sabe volver al modo de trabajo tras un fallo, el usuario tiene que reconstruir a mano el marco de trabajo cada vez.

«La continuidad no sirve para recordar hechos, sino para recordar decisiones».

Dos fallos reveladores

La primera prueba del artículo gira en torno a la palabra rusa para «implicación» (vovlechyonnost). Al modelo se le dio una tarea formalizada y luego se le pidió que entregara diez sinónimos estrictos. Cumplió formalmente el requisito del contador, pero la respuesta fue débil en el fondo: aparecieron repeticiones, formas de la misma palabra y desplazamientos de significado. Lo esencial no es el error en sí, sino que el modelo no activó antes una comprobación preflight. Debía haber dicho, antes de generar, que diez sinónimos totalmente equivalentes y sin pérdida de significado eran aquí poco alcanzables, y proponer una descomposición más honesta de la respuesta.

La segunda prueba muestra un tipo de fallo más peligroso. Al modelo se le dio un modelo incompleto de descripción de puesto que solo incluía la sección de funciones. En lugar de fijar los límites de la entrada, el sistema empezó a completar las partes que faltaban según los cánones del género y durante un tiempo se comportó como si esas secciones hubieran estado de verdad en el archivo original. Un fallo así resulta convincente y por eso es especialmente arriesgado: el usuario no recibe una alucinación evidente, sino una reconstrucción verosímil en la que una suposición se disfraza de hecho.

Un miniestándar de trabajo

Como respuesta práctica, los autores proponen no un «megaprompt», sino un estándar mínimo de trabajo prolongado. La idea es que el sistema transporte entre pasos no todo el diálogo, sino un mínimo operativo: el objetivo, los invariantes, las decisiones tomadas, la política de supuestos, la estructura esperada del resultado y las reglas de recuperación tras fallos. El artículo lo describe tanto como protocolo de interacción como parte de la lógica de la plataforma.

• Scope check: antes de generar, el sistema comprueba si los datos bastan y fija explícitamente qué hay y qué no hay en la entrada.
• Assumption marking: si falta algo, el modelo señala de antemano qué piensa completar por defecto.
• Stop-the-line / recovery: ante una deriva o un conflicto de requisitos, el sistema no continúa automáticamente, sino que se detiene, diagnostica el problema y propone una vía de regreso al último estado válido.
• Registro de decisiones: entre pasos se conservan los acuerdos ya adoptados, para que la siguiente respuesta no los redefina en silencio.

Por separado, los autores describen su módulo PSM, que fija los modos de trabajo exitosos como patrones transferibles. La idea es conservar no todo el rastro de la conversación, sino solo lo que realmente hace reproducible una serie de tareas: invariantes, decisiones, reglas de supuestos y esquema de salida. Así el proceso puede continuar tras pausas, cambios entre artefactos e incluso tras fallos de herramientas, sin empezar de cero.

Qué significa

El artículo de Habr AI toca un problema real del uso corporativo de la IA: las empresas no necesitan solo un interlocutor inteligente, sino un sistema que funcione de forma estable de un paso a otro. Si la idea de continuidad del contexto cuaja en productos y pipelines de agentes, la próxima ventaja competitiva no será la longitud máxima del chat, sino la capacidad de conservar decisiones, marcar los supuestos con honestidad y recuperarse sin reinicializar por completo el proceso.