Por qué tu captura se encoge y cómo controlarlo

Sabes dónde está el clip. Subes capturas de pantalla, obtienes respuestas útiles y a veces no. De ese «a veces no» va justo esto. Rara vez es casualidad y casi nunca es el modelo. Son unas cuantas mecánicas que nadie explica porque suenan técnicas, aunque en el día a día se reducen a tres costumbres.

Este playbook da por hecho que ya subes imágenes y PDF. No explica el cómo, sino el porqué que hay detrás, y qué sacas de ahí para tus propios gestos. Diez pasos, y después entenderás por qué una captura en 4K funciona peor que un recorte.

Paso 1, el modelo ve casillas, no píxeles

Una imagen no se lee píxel a píxel, sino que se descompone en casillas de 28 por 28 píxeles. Cada casilla es un token visual. La cuenta es simple: ancho dividido entre 28, redondeando hacia arriba, por alto dividido entre 28, redondeando hacia arriba.

Una imagen de 1000 por 1000 píxeles da entonces 36 por 36, o sea 1296 tokens. Eso sale más o menos tan caro como una página de texto denso. Las imágenes no son un adjunto gratis, son una parte perceptible de tu contexto. Quien reparte doce capturas a lo largo de una conversación larga acaba notando que la IA pierde de vista el principio.

Paso 2, los dos niveles de resolución

Cada modelo tiene un límite superior para el lado más largo de la imagen. Todo lo que pase de ahí se reduce antes del procesamiento, manteniendo la proporción.

Los modelos actuales a partir de 4.7, es decir, también toda la generación 5, trabajan con un lado más largo de 2576 píxeles y un máximo de 4784 tokens visuales. Los modelos más antiguos se quedan en 1568 píxeles y 1568 tokens. Es un factor de alrededor de tres.

Un detalle importante: son dos límites a la vez, el del borde y el del presupuesto de tokens, y el reescalado sigue al que se active primero. Cuál de los dos depende del nivel. En el nivel alto los dos coinciden casi exactamente en 16 a 9. En el antiguo el presupuesto se activa bastante antes que el borde. Por eso tu captura de 3840 por 2160 no acaba en 1568 por 882 en un modelo antiguo, que es lo que sugeriría la regla del borde por sí sola, sino en unos 1456 por 819. Justo en ese momento la letra pequeña de tu mensaje de error se convierte en papilla, y el modelo empieza a adivinar en vez de leer. El nivel alto está activo automáticamente, no tienes que encender nada, pero también cuesta hasta tres veces más tokens.

Paso 3, el truco del recorte

De los dos primeros pasos se deriva la costumbre más importante de este playbook: recorta antes de subir.

Un recorte de 900 por 600 píxeles en el que el mensaje de error se ve nítido gana a una pantalla completa en 4K en la que ese mismo mensaje se ha vuelto ilegible tras la reducción. Da la sensación de estar mal, porque más imagen parece más contexto. En la práctica es al revés: pagas con tokens y con resolución por el fondo de escritorio, la barra de tareas y las pestañas del navegador, y esa resolución le falta a tu contenido real.

Si de verdad necesitas las dos cosas, sube las dos. Una vez la vista general, una vez el recorte nítido. Dos imágenes bien dirigidas ganan a una sobrecargada.

Paso 4, formato y compresión

Se procesan JPEG, PNG, GIF y WebP. En las imágenes animadas se evalúa únicamente el primer fotograma, el resto se cae sin más. Quien sube un GIF animado y luego se extraña de la respuesta suele haber pasado por alto justo eso.

Con la compresión rige una regla que en el día a día se incumple mucho: las imágenes comprimidas varias veces destrozan la letra pequeña. Un JPEG que ya ha pasado por dos mensajerías y una herramienta de capturas tiene artefactos capaces de convertir un 3 en un 8. Si el texto de la imagen es lo principal, usa PNG. Si se trata de una escena o de un objeto, JPEG está perfectamente bien y ahorra tiempo de transmisión.

Paso 5, los límites duros

Tres cifras con las que de verdad te topas en la ventana de chat: como máximo 8000 por 8000 píxeles por imagen, como máximo 10 MB por imagen y como máximo 20 imágenes por mensaje en claude.ai.

Por la interfaz de programación los límites son más altos, ahí son posibles 100 o 600 imágenes por petición según la ventana de contexto. En la práctica te frena antes el tamaño total de la petición, que está en 32 MB. En otros proveedores rigen otros valores. El principio es el mismo en todas partes, las cifras concretas cambian más a menudo de lo que un playbook puede seguir, así que en caso de duda mira la documentación del proveedor correspondiente.

Paso 6, primero la imagen, después la pregunta

La mejora de calidad más barata de todo el playbook. Está demostrado que los modelos trabajan mejor cuando la imagen va antes que el texto. O sea, primero adjuntar, después escribir la pregunta.

¿Funciona también al revés? Sí, y bastante bien. Pero si puedes elegir, y en la ventana de chat siempre puedes, coge la variante que va mejor de forma medible. No te cuesta absolutamente nada.

Paso 7, ponles nombre a varias imágenes

En cuanto hay más de una imagen en juego, dale una etiqueta a cada una antes de adjuntarla. O sea «Imagen 1:» y luego la imagen, «Imagen 2:» y luego la siguiente.

Así puedes señalar sin ambigüedad en la pregunta y en cada repregunta: «¿Qué es distinto en la imagen 2 respecto a la imagen 1?». Sin etiquetas acabas en «la de arriba» y «la otra», y entonces eres tú quien adivina a qué se refería la respuesta. La comparación de antes y después es uno de los casos de uso más potentes que hay, y vive de que ambos lados estén nombrados.

Algo agradable: las imágenes anteriores siguen disponibles dentro de la conversación en curso. Para una repregunta no tienes que volver a subirlas.

Paso 8, un PDF es una serie de imágenes

Cuando subes un PDF, cada página se convierte en una imagen y además se extrae el texto de esa página. El modelo recibe las dos cosas. Justo por eso puede interpretar diagramas y maquetaciones de tablas y no solo reproducir texto en bruto.

De ahí salen los límites. Cada página cuesta a grandes rasgos entre 1500 y 3000 tokens, según la densidad. Los archivos protegidos con contraseña o cifrados no se procesan en absoluto, desbloquéalos antes. Y un documento denso con letra minúscula y muchos gráficos te llena el contexto mucho antes de que entre en juego cualquier límite de número de páginas. Con un contrato de 200 páginas subes por tanto los capítulos relevantes, no el bloque entero.

Dos gestos que rinden desproporcionadamente: endereza antes los escaneos torcidos, las páginas giradas son una de las fuentes de error más fiables. Y menciona los números de página tal como aparecen en el visor de PDF, no como están impresos abajo en el papel.

Paso 9, las tablas no van ahí como imagen

El error caro más frecuente. Una captura de una tabla obliga al modelo a leer las cifras visualmente, y al leer en columnas estrechas es donde se producen la mayoría de las confusiones.

Los formatos de texto puro como CSV, TXT o Markdown se pueden entregar directamente y llegan como cifras, no como imagen de cifras. Los formatos binarios como XLSX o DOCX no pasan directamente por la interfaz, esos los exportas antes como CSV o PDF. El rodeo por CSV es casi siempre el mejor.

Regla general: en cuanto haya que calcular con las cifras, el archivo va ahí como texto. Una imagen basta solo cuando se trata de la maquetación, o sea «explícame qué dice este diagrama».

Paso 10, los cinco límites documentados

Esta es la sección que te protege de errores embarazosos. Los cinco están así en la documentación oficial, no es una valoración mía.

A las personas de las imágenes no se les pone nombre, eso se rechaza por principio. Contar es aproximado, sobre todo con muchos objetos pequeños, así que no te fíes nunca de un «cuántos son». Las imágenes muy pequeñas, borrosas o giradas por debajo de unos 200 píxeles llevan de forma fiable a respuestas inventadas. Las imágenes médicas de corte como TAC o resonancia no son expresamente un caso de uso y no sustituyen a una valoración médica.

Y el punto más importante, porque contradice directamente la intuición extendida: el modelo no puede reconocer si una imagen está generada por IA. Si preguntas, obtienes una respuesta, y esa respuesta puede ser sencillamente falsa. No uses eso nunca como comprobación de autenticidad. Quien trabaje en esa dirección está mejor servido, y de forma más honesta, con Detectar y etiquetar contenido de IA y, para el caso de fraude, con Protegerte del fraude con IA.

Qué viene ahora

Como las imágenes cuestan contexto y el contexto es finito, Contexto y tokens va justo al lado de este playbook. Ahí está por qué una conversación larga con muchas capturas acaba volviéndose pesada.

Y como una respuesta muy convincente sobre una imagen puede ser falsa igualmente, sobre todo al leer cifras de diagramas, la rutina de Verificar una respuesta de IA es el segundo paso adecuado. Qué deberías subir por principio y qué no está en Protección de datos, qué puedo escribir. Las capturas son ahí el caso más delicado, porque en el borde de la imagen suele haber más de lo que estás mirando.

De dónde viene la información

Todas las cifras sobre niveles de resolución, tokens visuales, formatos y límites superiores proceden de la documentación oficial sobre comprensión de imágenes en https://docs.claude.com/en/docs/build-with-claude/vision. Los datos sobre el procesamiento de páginas, los tokens por página y CSV frente a XLSX están en https://docs.claude.com/en/docs/build-with-claude/pdf-support. Los cinco límites del paso 10 son los documentados allí.

Para ChatGPT y Gemini rigen los mismos principios básicos, o sea imagen antes que texto, recortar en vez de pantalla completa, tablas como texto en vez de como imagen. Los límites concretos difieren y están en la documentación de cada proveedor.