Claude Opus 4.7: el día que el contexto dejó de ser un cuello de botella.

Por una década entera, todo lo que pasaba en un agente conversacional pasaba antes por un RAG. Buscábamos los chunks más relevantes, los inyectábamos en el prompt y rezábamos para que el modelo no mezclara contextos. Era el patrón canónico. Era también una concesión: estábamos exprimiendo razonamiento en una ventana que apenas alcanzaba para un par de archivos.

Claude Opus 4.7 con su millón de tokens de contexto cambia eso de raíz. Es la diferencia entre una mesa de trabajo de una página y una biblioteca abierta de par en par.

Qué cambió cuando rediseñamos cinco agentes en cuatro semanas

El primero era un agente de soporte para una clínica con 240 documentos internos. Antes vivía con un pipeline RAG que cada tres meses se rompía cuando alguien actualizaba un protocolo. Lo migramos a 1M de contexto: cargamos los 240 documentos completos al system prompt, agregamos una capa de sumarización dinámica, y el agente empezó a responder con citaciones específicas que antes el RAG perdía.

El segundo era un agente de prospección B2B que consultaba un CRM. Le inyectamos 18 meses de historial completo de cuentas relevantes. La calificación pasó de lead caliente vs lead frío a un razonamiento contextual sobre por qué esta persona compraría ahora.

El patrón se repite. Cuando tu base de conocimiento cabe en 1M tokens, el RAG deja de aportar precisión y empieza a quitarla. La latencia baja, la cita es exacta, y el modelo razona sobre el todo.

Cuándo aún conviene RAG

Bases de conocimiento que crecen rápido —logs, tickets, ventas en vivo. Datos sensibles que no querés pasar siempre al modelo. Contextos donde el costo del prompt a esa escala es prohibitivo.

Para todo lo demás —documentación estable, manuales, catálogos, reglas de negocio— el contexto largo es la nueva línea base. Y los agentes que diseñamos hoy parten de ahí.