Contenido del curso
Las cuatro fallas del contexto contaminado en IA
El contexto contaminado en IA es peor que un contexto largo, y aprenderás a diagnosticar las cuatro formas clásicas en que se degrada. Si trabajas con agentes o modelos conversacionales, esta guía te da una tabla de diagnóstico reutilizable para saber qué está fallando y cómo resolverlo.
Ya sabes que el contexto se degrada con la longitud, pero hay algo más grave: cuando el contexto se convierte en basura. Aquí viene lo interesante, porque cada falla se ve distinta desde fuera y se soluciona de manera diferente [00:20].
Qué es el envenenamiento de contexto y cómo se ve
El envenenamiento ocurre cuando una alucinación o un error entra al contexto y se queda ahí, citándose una y otra vez. El problema no es que aparezca el error, sino que el modelo lo confirma como verdad.
Piensa en un agente jugando Pokémon cuyos objetivos y resumen quedaron contaminados con desinformación [00:38]. Empieza a perseguir metas imposibles con total convicción, porque su propio contexto se lo confirma.
En tu trabajo esto se refleja en una IA que insiste en algo que nunca fue cierto y te cita a ti como si tú se lo hubieras dicho.
¿Qué es el envenenamiento de contexto? Es cuando un error o alucinación entra al contexto de la IA y se queda citándose repetidamente. El modelo lo trata como verdad y persigue conclusiones falsas con convicción.
Cómo distinguir la distraccion de la confusion
Estas dos fallas se confunden entre sí, pero atacan puntos distintos del razonamiento. Vamos a separarlas.
Por que la IA repite lo que ya no funciono
La distracción aparece cuando el contexto crece y el modelo se apoya en el historial en lugar de generar algo nuevo [01:11]. Le pides una alternativa y te da la misma idea, solo que con otras palabras.
Es un loop casi infinito. El modelo vuelve a proponer lo que ya demostró que no servía, atrapado en su propia memoria.
Cuando el modelo elige la herramienta equivocada
La confusión llega cuando le das información superflua que lo obliga a procesar cosas irrelevantes [01:34]. El resultado es que elige la herramienta incorrecta o no elige ninguna cuando debería.
Es como pedirle un gráfico y que responda "no, no puedo hacerlo", aunque minutos antes te entregó un reporte completo.
Que hago cuando la IA se contradice a si misma
La cuarta falla es la contradicción: la IA te da información contradictoria dentro del mismo contexto [01:52]. Esto termina descarrilando el razonamiento por completo.
Se manifiesta en respuestas inconsistentes entre turnos, sin motivo aparente. Un turno dice una cosa, el siguiente afirma lo contrario.
¿Cómo sé si mi IA tiene contexto contaminado? Fíjate en el síntoma. Si inventa y repite, es envenenamiento. Si no propone nada nuevo, es distracción. Si usa mal las herramientas, es confusión. Si se contradice entre turnos, es choque.
Cual es la tabla de diagnostico para cada falla
Esta tabla es de lo que más me piden repetir, así que pégala junto a tu escritorio [02:20]. Cada síntoma tiene una acción concreta:
Cada falla pide una respuesta distinta, y confundirlas es lo que hace que sigas peleando con el modelo sin avanzar.
Por que corregir a la IA muchas veces empeora el contexto
Aquí está el punto más contraintuitivo y también el más valioso [03:07]. Cuando hay envenenamiento, tu instinto es escribir "no, eso está mal, el SLA es de 14 días".
Parece lo correcto, pero mira lo que acabas de hacer. No borraste nada, al contrario: agregaste. Ahora el contexto contiene la información errónea, tu corrección y además la discusión sobre la información errónea.
Muchas veces la corrección correcta no es corregir, es empezar de nuevo con el contexto limpio. Sumar texto encima del error solo lo hace más pesado.
¿Debo corregir a la IA cuando alucina o empezar de cero? Corregir agrega el error, tu corrección y la discusión al contexto. Casi siempre es mejor abrir una sesión limpia y reformular la pregunta desde cero.
Como compruebo que el problema es el contexto y no el modelo
Más que un desafío, es un ejercicio de detective en tu propio historial [03:41]. Revisa tus últimas dos semanas y busca un caso en que la IA te dijo algo erróneo y tú seguiste conversando, ya sea corrigiéndola o ignorándola.
Después clasifícalo con la tabla anterior. ¿Cuál de las cuatro fallas fue?
Luego reconstruye el momento en que ocurrió el error, que casi siempre es más temprano de lo que piensas. Y el paso que más te va a sorprender: abre una sesión limpia, formula la pregunta donde estaba el error y compara [04:15].
Si la sesión limpia responde bien, ya tienes la prueba de que el problema nunca fue el modelo, fue el contexto. ¿Ya identificaste cuál de las cuatro fallas te ha estado saboteando? Cuéntame en los comentarios cuál encontraste.
