El medio es donde tu contenido muere, y no porque tu escritura de repente se vuelva mala en la mitad de la página, ni porque tu lector se aburra. Sino porque los grandes modelos de lenguaje tienen una debilidad repetible con contextos largos, y los sistemas modernos de inteligencia artificial exprimen cada vez más el contenido extenso antes de que el modelo siquiera lo lea.
Esa combinación crea lo que yo considero un pensamiento de hueso de perro. Fuerte al principio, fuerte al final y el medio se tambalea. El modelo se desvía, pierde el hilo o toma el detalle de soporte incorrecto. Puedes publicar un artículo extenso y bien investigado y seguir viendo cómo el sistema eleva la introducción, eleva la conclusión y luego alucina el tejido conectivo intermedio.
Esto no es teoría como se muestra en la investigación, y también se muestra en los sistemas de producción.
Por qué ocurre el hueso de perro
Hay dos modos de falla acumulados y llegan al mismo lugar.
Primero, “perdido en el medio” es real. Stanford y sus colaboradores midieron cómo se comportan los modelos de lenguaje cuando la información clave se mueve dentro de entradas largas. El rendimiento a menudo era mayor cuando el material relevante estaba al principio o al final, y bajaba cuando el material relevante estaba en el medio. Ése es el patrón de huesos de perro, cuantificado.
En segundo lugar, los contextos largos son cada vez más grandes, pero los sistemas también se están volviendo más agresivos en cuanto a la compresión. Incluso si un modelo puede recibir una entrada masiva, la cartera de productos frecuentemente poda, resume o comprime para controlar los costos y mantener estables los flujos de trabajo de los agentes. Eso hace que el segmento intermedio sea aún más frágil, porque es el segmento más fácil de colapsar en un resumen blando.
Un nuevo ejemplo: ATACompressor es un artículo de arXiv de 2026 centrado en la compresión adaptativa y consciente de tareas para el procesamiento de contextos prolongados. Enmarca explícitamente “perdido en el medio” como un problema en contextos largos y posiciona la compresión como una estrategia que debe preservar el contenido relevante para la tarea mientras reduce todo lo demás.
Así que tenías razón si alguna vez le dijiste a alguien que “acortara la mitad”. Ahora, ofrecería este refinamiento:
No se está acortando la mitad del LLM sino más bien diseñando la mitad para que sobreviva tanto al sesgo de atención como a la compresión.
Dos filtros, una zona de peligro
Piense en su contenido pasando por dos filtros antes de convertirse en una respuesta.
- Filtro 1: Modelo de comportamiento de atención: Incluso si el sistema pasa el texto completo, la capacidad del modelo para usarlo depende de la posición. El inicio y el final tienden a funcionar mejor, el medio tiende a funcionar peor.
- Filtro 2: Gestión del contexto a nivel del sistema: Antes de que el modelo vea algo, muchos sistemas condensan la entrada. Puede tratarse de un resumen explícito, una compresión aprendida o patrones de “plegamiento de contexto” utilizados por los agentes para mantener pequeña la memoria de trabajo. Un ejemplo en este espacio es AgentFold, que se centra en el plegado proactivo del contexto para agentes web con horizontes a largo plazo.
Si aceptas esos dos filtros como de costumbre, el medio se convierte en una zona de doble riesgo. Se ignora con más frecuencia y se comprime con más frecuencia.
Ésa es la lógica de equilibrio con la idea del hueso de perro. Un enfoque de “acortar el medio” se convierte en una mitigación directa para ambos filtros. Está reduciendo lo que el sistema comprimirá y está haciendo que lo que queda sea más fácil de recuperar y usar para el modelo.
Qué hacer al respecto sin convertir su escritura en una hoja de especificaciones
Este no es un llamado a acabar con el formato largo, ya que el formato largo todavía es importante para los humanos y para las máquinas que utilizan su contenido como base de conocimiento. La solución es estructural, no “escribir menos”.
Quiere que el medio transporte una mayor densidad de información con anclajes más claros.
Aquí está la guía práctica, ajustada a propósito.
1. Coloque “bloques de respuestas” en el medio, no prosa conectiva
La mayoría de los artículos extensos tienen una parte media suave y errante donde el autor crea matices, agrega color y trata de ser minucioso. Los humanos pueden seguir eso. Es más probable que los modelos pierdan el hilo allí. En su lugar, haga que el medio sea una secuencia de bloques cortos donde cada bloque pueda estar solo.
Un bloque de respuesta tiene:
Un reclamo claro. Una restricción. Un detalle de apoyo. Una implicación directa.
Si un bloque no puede sobrevivir a la citación por sí solo, no sobrevivirá a la compresión. Así es como se hace que el medio sea “difícil de resumir mal”.
2. Vuelva a introducir el tema a mitad de camino
La deriva suele ocurrir porque el modelo deja de ver anclajes consistentes.
En el punto medio, agregue una breve “nueva clave” que reformule la tesis en palabras sencillas, reformule las entidades clave y reformule los criterios de decisión. Aquí suelen ser suficientes de dos a cuatro frases. Piense en esto como un control de continuidad del modelo.
También ayuda a los sistemas de compresión. Cuando repites lo que importa, le estás diciendo al compresor qué no debe tirar.
3. Mantenga la prueba local del reclamo
Tanto los modelos como los compresores se comportan mejor cuando los detalles de soporte se ubican cerca de la declaración que respaldan.
Si su reclamo está en el párrafo 14 y la prueba está en el párrafo 37, un compresor a menudo reducirá el medio a un resumen que eliminará el vínculo entre ellos. Luego el modelo llena ese vacío con una mejor suposición.
La prueba local se parece a:
Reclame, luego el número, fecha, definición o cita allí mismo. Si necesita una explicación más larga, hágala después de haber anclado el reclamo.
Así es también como será más fácil citar. Es difícil citar una afirmación que requiera unir el contexto de varias secciones.
4. Utilice nombres coherentes para los objetos principales
Esta es una pregunta silenciosa, pero es muy importante. Si cambias el nombre de lo mismo cinco veces por estilo, los humanos asienten, pero los modelos pueden desviarse.
Elija el término para lo principal y manténgalo coherente en todo momento. Puede agregar sinónimos para humanos, pero mantenga estable la etiqueta principal. Cuando los sistemas extraen o comprimen, las etiquetas estables se convierten en identificadores. Las etiquetas inestables se convierten en niebla.
5. Trate los “resultados estructurados” como una pista de cómo las máquinas prefieren consumir información
Una gran tendencia en las herramientas LLM son los resultados estructurados y la decodificación restringida. El punto no es que su artículo deba ser JSON. La cuestión es que el ecosistema se está moviendo hacia una extracción analizable por máquinas. Esa tendencia nos dice algo importante: las máquinas quieren datos en formas predecibles.
Entonces, en la mitad de tu artículo, incluye al menos algunas formas predecibles:
Definiciones. Secuencias de pasos. Listas de criterios. Comparaciones con atributos fijos. Entidades nombradas vinculadas a reclamos específicos.
Haga eso y su contenido será más fácil de extraer, más fácil de comprimir de forma segura y más fácil de reutilizar correctamente.
Cómo se muestra esto en el trabajo real de SEO
Este es el punto de cruce. Si usted es un líder de contenido o SEO, no está optimizando para “un modelo”. Está optimizando sistemas que recuperan, comprimen y sintetizan.
Sus síntomas visibles se verán así:
- Su artículo se parafrasea correctamente en la parte superior, pero el concepto del medio está tergiversado. Eso es pérdida en el medio más compresión.
- Se menciona su marca, pero la evidencia que la respalda no se incluye en la respuesta. Esa es una prueba local fallida. El modelo no puede justificar citarte, por lo que te utiliza como color de fondo.
- Tus secciones intermedias matizadas se vuelven genéricas. Eso es compresión, convertir los matices en un resumen insulso y luego el modelo trata ese resumen como el “verdadero” medio.
- Su medida de “acortar el medio” es la forma de reducir estas tasas de fracaso. No recortando valor, sino ajustando la geometría de la información.
Una forma sencilla de editar para la supervivencia media
Aquí tienes un flujo de trabajo limpio de cinco pasos que puedes aplicar a cualquier pieza larga, y es una secuencia que puedes ejecutar en una hora o menos.
- Identifique el punto medio y lea solo el tercio medio. Si el tercio medio no se puede resumir en dos frases sin perder significado, es demasiado blando.
- Agregue un párrafo modificado al comienzo del tercio medio. Replantear: el reclamo principal, los límites y el “y qué”. Sea breve.
- Convierta el tercio medio en cuatro a ocho bloques de respuestas. Cada bloque debe poder citarse. Cada bloque debe incluir su propia restricción y al menos un detalle de soporte.
- Mueva la prueba al lado del reclamo. Si la prueba está lejos, levante un elemento de prueba compacto. Un número, una definición, una referencia fuente. Puedes conservar la explicación más larga más adelante.
- Estabilizar las etiquetas. Elija el nombre de sus entidades clave y manténgalo en el medio.
Si desea una justificación nerd de por qué esto funciona, es porque está diseñando para los dos modos de falla documentados anteriormente: la sensibilidad de la posición “perdida en el medio” medida en estudios de contexto a largo plazo, y la realidad de que los sistemas de producción comprimen y pliegan el contexto para mantener estables a los agentes y los flujos de trabajo.
Concluyendo
Las ventanas de contexto más grandes no te salvan. Pueden empeorar su problema, porque el contenido extenso invita a una mayor compresión y la compresión provoca más pérdidas en el medio.
Así que sí, sigue escribiendo en formato extenso cuando esté justificado, pero deja de tratar el medio como un lugar para vagar. Trátelo como el tramo de carga de un puente. Coloque allí las vigas más fuertes, no las decoraciones más bonitas.
Así es como se crea contenido que sobrevive tanto a la lectura humana como a la reutilización de las máquinas, sin convertir lo escrito en documentación estéril.
Más recursos:
Esta publicación se publicó originalmente en Duane Forrester Decodes.
Imagen de portada: Collagery/Shutterstock
